A Knowledge Graph-Driven Framework for Complex Vessel Behavior Recognition and Frequent Sequential Pattern Mining Using AIS Data

Yongfeng Suo

doi:10.3390/jmse14181688

2026-09-12

DOI：10.3390/jmse14181688

原文链接

原文求助

摘要

En 中文

理解港口水域复杂船舶行为对于海上交通监管、航行安全管理以及智能海事决策至关重要。然而，现有的基于AIS的研究通常侧重于孤立的行为识别或轨迹级分析，对船舶属性、航行场景、运动状态以及时序组织的行为过程的整合有限。我们开发了一个基于知识图谱的框架，用于复杂船舶行为识别和频繁行为序列模式挖掘，使用AIS数据。BehaviorEvents通过连续航行段构建，并与水域场景、运动状态、船舶属性和时序关系整合，形成统一的语义表示。基于此表示，使用可解释的语义规则进行事件级复杂行为识别，同时将PrefixSpan应用于Scene–SpeedState–TurningState标记序列，以发现重复的多事件行为模式。独立专家评估、语义消融和敏感性分析用于评估识别可信度、上下文语义约束和鲁棒性，而船舶级Discovery–Validation策略评估频繁模式的可重复性。厦门港口水域的AIS数据实验涉及16,400艘船舶、239,877个连续航行段和2,457,965个BehaviorEvents，其中624,561个匹配至少一个预定义的语义规则或候选条件。R1–R7的独立专家评估获得92.11%的宏平均确认率和0.746的Cohen’s κ。语义消融表明，Scene和VesselTypeClass为基于运动规则的广泛激活提供了重要的上下文约束，而敏感性分析表明，主要识别结果在运动状态、持续时间和时序分段参数扰动下保持稳定。从75,144个有效的压缩行为标记序列中，PrefixSpan识别出涉及中速航行与航向调整、低速–停止组合以及机动相关行为的重复模式。主导的Top-20模式在船舶级Discovery和Validation子集之间显示出显著重叠和广泛一致的排名，Jaccard重叠度为0.9048，Spearman秩相关系数为0.9654。与归一化关系表示的比较评估进一步表明分析结果等效，而知识图谱提供了语义关系、时序路径和事件级可追溯性的显式组织。这些结果表明，所提出的框架为连接事件级复杂船舶行为识别与序列级频繁行为模式挖掘提供了统一且可解释的语义基础，适用于复杂的港口环境。

Keyword:

AIS data

complex vessel behavior recognition

knowledge graph

frequent sequential pattern mining

vessel behavior analysis