船舶航迹数据可视化分析综述

视觉信息学5（2021）1船舶航迹数据可视化与可视化分析综述刘海燕a，陈晓辉a，王怡迪b，张冰a，陈云鹏b，赵颖b，c，周芳芳b郑州信息工程大学数据与目标工程研究所b中南大学计算机科学与工程学院，中国c湖南省轨道数据研究与应用重点实验室，长沙，中国ar t i cl e i nf o文章历史记录：2021年6月21日收到2021年10月21日收到修订版2021年10月25日接受2021年11月8日网上发售保留字：船舶轨迹数据自动识别系统可视化和视觉分析a b st ra ct海运在国际贸易和商业中发挥着关键作用。在世界各地航行的大型船舶不断生成包含丰富的船舶导航时空模式的船舶轨迹数据。分析和理解这些模式对海上交通监视和管理具有重要价值。可视化和可视化分析作为复杂数据分析和理解的关键技术，在船舶航迹数据分析中得到了广泛的应用。本文介绍了一个文献综述的可视化和可视化分析的船舶轨迹数据。首先介绍了常用的船舶航迹数据集，总结了船舶航迹数据预处理中的主要操作。然后，我们提供了一个分类的可视化和可视化分析的血管轨迹数据的现有方法的基础上，并介绍了代表性的工作。最后，我们阐述了剩余的挑战和未来的研究方向的前景版权所有©2021作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍海运在国际贸易和商业中发挥着关键作用。2010年的一份统计报告指出，90%以上的国际货物运输是由船舶完成的（Kaluza et al. ，2010年）。随着经济全球化，船舶数量、吨位和航速不断增加。这种情况给世界各地的海上通道、港口和海港带来了巨大的负担。海上交通事故和船舶交通事故频繁发生（Zhang和Yeung，2012年）。因此，为了促进安全和有效的海上运输，在20世纪90年代，国家海事管理局和海岸警卫队运营商通过应用具有全球定位系统（GPS）的自动识别系统（AIS）开始了全球海上交通监视（Harati-Mokhtariet al. ，2007; Pelich et al. ，2015年），开辟了通往数据驱动和智能海上运输管理的道路。AIS可以自动识别全球船只，并提供vide丰富的基础知识（例如，船舶名称、船舶类型和海上移动服务标识），甚至船舶的历史实时轨迹。在过去的30年里，AIS已经成为一个*通讯作者。电子邮件地址：liuharry2020@163.com（H.Liu），cxh_vrlab@163.com（X.Chen），wangyidi1999@gmail.com（Y. 王先生），2359641104@qq.com（B.张），cypresearch@csu.edu.cn（Y.Chen），zhaoying@csu.edu.cn（Y.Zhao），zff@csu.edu.cn（F.Zhou）。https://doi.org/10.1016/j.visinf.2021.10.002船舶导航和海上交通监视标准。类似地，一些公知的系统，例如Marine Traffic（Marine T.）（MarineTraffic，2021）、IHS global（IHS G.）（IHSGlobal，2021）和FleetMon（2021）也出现在海上交通监控和管理中。所有这些系统提供了大量的数据资源，吸引了大量的研究人员关注船舶大数据分析，以提高海上交通监控和管理的智能化水平（Last et al. ，2014; Martineau和Roy，2011）。可视化和可视化分析技术对于大数据分析很重要（Labrinidad和Jagadish，2012; Cohen等人，2013）。，2009; Ren et al. ，2014; Zhou等人，2019 a）。通过允许直观的数据观察和直接的在过去的十年中，可视化和可视化分析技术已广泛应用于不同领域的轨迹数据分析（Pu et al. ，2013; Zeng et al. ，2013; Andrienkoet al. ，2009年;赵等人，2019），特别是在城市计算领域（Puet al. ，2013; Zeng et al. ，2013; Chen et al. ，2018年）。在海上交通监视和管理领域，Andrienko和Andrienko（2013）调查了使用视觉分析进行船舶运动分析的早期工作。近年来，数据资源在该领域中，数据分析需求变得丰富和多样，数据分析需求不断发展，并且已经提出了许多新的方法（Lundblad et al. ，2009;Jin et al. ，2018; Wuet al. ，2019）。船舶轨迹数据2468- 502 X/©2021作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinfH. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）12已经观察到与可视化和可视化分析相关的分析。收集数据源，总结船舶轨迹数据预处理方法，回顾早期研究成果，探索新的方法，为船舶轨迹数据可视化和可视化分析提供一个分类体系。在这项研究中，我们检索了过去20年来与血管轨迹可视化和可视化分析相关的论文。首先介绍了常用的船舶航迹数据集，总结了船舶航迹数据预处理中的主要操作。然后，我们从可视化技术和可视化分析方法两个方面对相关工作进行了研究。 在可视化方面，我们总结了三种重要的可视化方法，即密度图、时空立方体和关系图，它们在可视化血管轨迹方面得到了广泛的应用。在视觉分析方面，我们根据分析任务的聚焦性将现有方法分为三类，即空间特征分析、时间特征分析和血管行为模式分析。最后，展望了该领域存在的挑战和发展趋势。2. 数据和数据处理2.1. 船舶轨迹数据描述船舶轨迹数据一般包含三种类型的信息，即船舶、航程和轨迹。船舶信息提供船舶的基本信息，如标识、名称、类型、长度、宽度、吨位和注册。航程信息描述航程的起点、目的地和预期轨迹信息记录位置的变化（例如，经度和纬度）和州（例如，速度和转弯率）。船舶轨迹数据可以从AIS系统和其他众所周知的系统获得，包括船舶监测系统（VMS）（Council et al. ，2002）、控制和监视系统（MCS）（Ferra et al. ，2018年），海洋地籍系统（海洋C）（海洋地籍，2021年）和实时海洋系统（Sailwx，2021年）。除了典型的船舶轨迹数据，一些数据源与海上交通监视和管理密切相关。这些数据源可以在船舶轨迹分析中发挥重要作用。例如，全球血管数据库提供详细的血管信息。 世界港口指数和全球行政区域数据（Jiang et al. ，2017年）记录了世界上港口和行政区划的信息，为船舶轨迹分析提供了丰富的兴趣点（POI）。船舶航迹与车辆、飞行器、动物和人类的航迹在数据形式和数据特征上有许多共同点。这种差异主要表现在以下四个方面：（1）无空间约束或低空间约束：船舶运动在浩瀚的海洋中具有无空间约束或低空间约束;（2）持续时间长：由于航程长、航速低，一次航行的持续时间一般为几周甚至几个月;（3）变化缓慢：船舶运动轨迹很少出现不连续性，因为船舶几乎不会突然刹车或急转弯;（4）曲线几何表现：船舶运动沿海洋大地水准面。因此，需要在森林规划中考虑地理预测船舶轨迹数据的信息。2.2. 船舶航迹数据预处理数据预处理对于实现出色的数据可视化和平滑的数据交互至关重要，因为原始数据通常存在缺陷（例如，数据丢失和数据重复）（拉曼和Hellerstein，2001）或不能直接用于特定的分析任务（例如，在语义层面分析大规模数据）（Rahm和Hong，2000年）。在这一节中，我们介绍了三个常见的操作，即清洗，压缩，血管轨迹数据预处理中的聚合。这三种操作也适用于车辆和飞机轨迹。弹道清理。由于设备故障、传输错误和不适当的采样，原始血管轨迹数据中通常存在数据质量问题（Kandel等人，，2011年）。因此，数据使用者需要综合使用各种方法来提高数据质量（Meratnia和By，2004年）。例如，使用唯一性检查来消除数据重复（Zhao和Shi ， 2019 ） ， 使 用 相 邻 数 据 记 录 的 中 位 数 来 填 充 缺 失 数 据（Schuessler和Axhausen，2009），以及使用卡尔曼滤波来删除噪声数据（Barrios等人，2019）。，2006;Hightower和Borriello ，2004）。弹道压缩。由于极端的时空跨度和高采样率，血管轨迹数据通常是大规模的，这挑战了计算的效率和可视化的美观性（Zhu等人，2009）。，2014年）。弹道压缩是一种简单有效的缩小尺度的技术船舶轨迹数据（Perera和Mo，2018）。目前已经提出了许多轨迹压缩算法。从技术上讲，压缩算法可以分为基于行的和基于语义的（Muckell et al. ，2010年）。基于线的轨迹压缩算法将轨迹视为一系列线段，并使用线段表示一组连续的轨迹点（Zhang et al. ，2016年）。Douglas-Peucker（DP）（Douglasand Peucker，1973）及其变体是最具代表性的算法（Meratniaand By，2004 ; Zhu et al. ，2014年）。基于语义的轨迹压缩算法使用高级语义信息来简化血管轨迹。语义信息可以从轨迹（例如，转向点和速度变化点）或由其它数据源提供（例如，港口和著名的岛屿）。血管轨迹压缩算法从应用阶段来看，可分为离线压缩算法和在线压缩算法。我们采用DP算法及其变体来说明两种划分之间的差异（Keogh et al. ，2001;Zhao and Shi，2018）。经典的DP目标到离线场景，其中压缩过程在静态和整个血管轨迹上寻求全局优化的压缩比（Etienne等人，，2012）。然而，经典的DP太慢，无法满足在线场景。一些研究人员已经提出了一些在线DP压缩算法 （ Pallotta et al. ，2013 ） 。例如 ，OW-DP（Potamias et al. ，2006）和TS-DP（Cao和Li，2017）分别采用开窗口和阈值引导采样的机制来实现实时压缩。然而，在线压缩的压缩比通常不如离线压缩。此外，一些算法使用城市道路或航线的信息来进行轨迹压缩（Lerin et al. ，2012; Han et al. ，2017年），但由于无或低空间约束问题，它们很少用于血管轨迹。轨迹聚合。轨迹聚合是指按相似的数据特征或行为模式对轨迹进行分组。聚类是轨迹聚类的主流技术。如何测量轨迹之间的相似性 是轨迹聚类的核心（Fang et al. ，2012）。协议- 根据相似性度量的不同，轨迹聚类算法可以分为基于距离的、基于密度的和基于距离的。基于距离的轨迹聚类算法通常使用Hausdorff距离（Huttenlocheret al. ，1993）、最长公共子序列距离（Stern etal. ，2013），并编辑距离（Yuan和Raubal，2014）用于相似性测量。这些措施计算简单，易于实施，但通常会导致重要的局部损失H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）13功 能 . 基 于 密 度 的 算 法 基 于 轨 迹 的 密 度 分 布 来 识 别 轨 迹 簇（Hinneburg和Keim，1999）。因此，它的优点是可以发现任何形状的血管轨迹聚类，对异常轨迹具有很强的鲁棒性。大多数经典的基于密度的聚类算法，如DBSCAN（Ester et al. ，1996）和OPTICS（Ying和Shwu，2008）适用于血管轨迹聚类。然而，当血管轨迹的密度分布不均匀，基于密度的聚类通常不令人满意。基于统计的算法使用统计模型，诸如隐马尔可夫模型（Peel和Good，2011）和高斯混合模型（GMM）（Laxhammar etal. ，2009），以识别血管轨迹之间的相似性。该方法的优点是能给出船舶主航线的概率结果。然而，统计模型通常具有计算复杂度高的缺点。3. 船舶轨迹数据可视化近年来，人们提出了许多船舶航迹数据的可视化方法.我们将这些可视化分为三类，即基于密度，基于时空立方体，和基于关系。在本节中，我们将详细讨论每个类别3.1. 基于密度船舶航行会形成一定的空间轨迹分布。这种空间分布是执行许多船舶轨迹分析任务（Eiden，2010）的基础，例如监测海上交通和识别船舶活动的热点。一个经典的可视化称为密度图已被广泛适用于视觉描绘的空间分布（Scheepens等人。，2011年）。密度图通过计算血管数或血管轨迹点的数量获得密度信息，然后使用颜色映射将每个空间单元的密度值用颜色表示，从而形成彩色图（Andrienko etal. ，2010年）。根据密度计算方式的不同，将密度图的生成方法分为直接绘制、基于网格和基于KDE三种。(1) 直接绘制密度图密度图的直接绘制根据血管的地理位置在地图上绘制血管的轨迹点（Andrienko等人，，2008年）。轨迹点由形状点表示，例如点（Silveira et al. ，2013年）和广场（Lundblad等人，2009年）。点的大小和颜色表示其属性，如船舶类型、吨位和速度。这种直接的方法很容易实现，但依赖于视觉观察以估计轨迹点的数量并获得密度分布。此外，直接绘制经常导致轨迹数据点的严重重叠，并且难以实现准确的视觉估计（Liu et al. ，2013）。(2) 基于网格的密度图可视化。基于网格的密度图可视化首先将空间区域划分为均匀的（ Halpern et al. ， 2008 年 ） 或 非 均 匀 网 格 （ Andrienko 和Andrienko，2011年），然后计算每个网格中的对象数量，并使用不同的颜色来指示比例。例如，Zhang等人（2019）根据船舶交通特征，将整个港口水域划分为统一网格。图1（a），每个网格大致覆盖四平方公里的面积，每个网格的颜色表示血管的密度。具有均匀网格的密度图易于实现和理解。然而，划分分辨率很难确定，特别是对于变化很大的分布。具有非均匀网格的密度图可以使用细粒度网格重要的小规模区域，以及用于非重要区域的粗粒度网格，以提供详细分析粒度级别。例如，Voronoi图是用于生成非均匀网格的广泛使用的方法。该算法利用两点连接的垂直平分线进行区域划分，可以根据点的密度生成灵活的多边形区域。图1（b）显示了荷兰海上交通场景的Voronoi图。可见，网格粒度更细在具有较大密度值的区域中。然而，与均匀网格生成相比，非均匀网格的生成需要更复杂的算法，具有更高的计算复杂度。(3) 基于KDE的密度图可视化。核密度估计（KDE）是一种常用的方法，用于估计数据概率密度分 布 ， 与 网 格 划 分 步 骤 或 目 标 数 据 分 布 的 任 何 先 验 知 识 无 关（Lampe和Hauser，2011）。各种内核函数（例如，均匀核函数和径向基函数）可以在KDE中用于不同场景中的密度估计。受益于基于KDE的密度估计的优点，基于KDE的密度图是用于可视化血管或血管轨迹的密度分布的主要手段（Lampe和Hauser，2011; Wu等人，2012）。，2017年）。图图1（c）示出了具有径向基函数核的典型的基于KDE的血管轨迹密度图（Willems等人，，2009），其中黄色区域具有低密度值，红色区域具有高密度值。该密度图描绘了船舶轨迹的全球结构，并突出显示了具有高密度值的锚区（停靠区）和海道（共同航线）。研究人员提出了许多方法来提高基于KDE的密度图的视觉表示能力。例如，Scheepens et al. （2011）提出了一组具有多个属性的基于KDE的密度图。在图1（d）中，考虑了轨迹的时间信息，白天和夜晚的血管轨迹密度分布分别用蓝色和黄色表示从该图中，可以很容易地观察到夜间和白天的血管轨迹分布之间的差异（Willems et al. ，2009年）。图 1（e），客船（青绿色），货船（橙色）和油轮（绿色）的空间分布是可视化的复合密度图，考虑到船舶的类型（Scheepens等人。，2011年）。3.2. 基于时空立方体的可视化密度图可以被视为空间快照，其可以有效地表示血管轨迹的空间分布，但不能表示其时间模式。 图图2（a）示出了一个简单的时空立方体，其中轨迹被放置在三维立方体中，其中水平X轴和Y轴表示地理空间，垂直Z轴表示时间维度。以这种方式，用户可以同时在可视化视图中观察血管轨迹的空间和时间分布。Space–time cubes ( Andrienko等人 （2011）是第一个将时空立方体应用于血管轨迹可视化以探索轨迹之间的时空关系的人。Bach等人（2016）对现有的时空立方体技术进行了系统的调查。他们还介绍了一个描述性的框架，以指导正确选择图图2（b）示出了一个示例，其中多个轨迹被示出在一个时空立方体，立方体的X-Y平面是海湾芬兰地图及其主要港口。然 而 ，正如Amini et al.H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）14Fig. 1. 血管轨迹密度图可视化示例。(a)具有均匀网格的密度图;（b）具有非均匀网格的密度图;（c）基于KDE的简单密度图;（图二. 用于血管轨迹可视化的时空立方体示例。(a)一个只有一个轨迹的简单（2015）提出，时空立方体的主要缺点是三维立方体会带来视觉遮挡。用户必须多次旋转和缩放3D立方体以选择特定的轨迹或识别特定的研究人员一直在寻找解决这个问题的方法。例如，Demsar和Virrantaus（2010）将KDE方法与时空立方体相结合Tominski等人（2012）将血管造影可视化为堆叠的3D轨迹带，从而减少了时空立方体中轨迹的视觉遮挡。他们还使用颜色来表示轨迹属性，如速度，转向角度等，增强时空立方体的信息表示能力3.3. 基于关系图的相关性分析在船舶轨迹分析中起着至关重要的作用，例如探索船舶速度与天气条件之间的关系以及调查港口之间的货运关系。因此，在血管轨迹分析中经常使用许多为关系表示而定制的可视化。平行坐标图（PCP）是一种经典的多维数据可视化方法（Pack et al. ，2009; Zhaoet al. ，2018年）。PCP可以帮助用户探索轨迹点属性之间的关系以及船舶航行与环境条件之间的内在联系。Cong，L.等人将血管轨迹点作为多维数据，如图11所示。3（a），并将五氯苯酚应 用 于分析船舶类型，吨位，速度和其他属性之间的关系（Cong和Shu，2017）。Lundblad等人使用PCP分析航程和天气参数之间的关系（Lundblad等人，，2009年）。流图和和弦也被广泛用于可视化一对多或多对多的关系（Koylu和Guo，2017; Phan等人，2017）。，2005; Zhouet al. ，2019 b）。在海上运输管理中，流图和和弦已被应用于分析船舶运输网络、航行周期和其他对海上交通管理有价值的信息。例如图图3（b）示出了使用流程图（Peng et al. ，2019）。 图图3（c）显示全球航运关系-用弦图表示港口之间的船舶。许多其他可视化技术也在特定的船舶轨迹分析场景中发挥了重要作用。例如，条形图（Andrienko和Andrienko，2008）和饼图（Malik et al. ，2011年）经常被用来构建海洋运输监测仪表板;马赛克图（马利克等人。，2011年）和日历视图（Andrienko和Andrienko，2008年）可以应用于表达船舶航行时间的详细程度。4. 船舶轨迹数据可视化分析可视化分析可以被定义为与可视化相比，可视化分析不仅仅是一种以图形方式表示数据的方式H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）15图三. 血管轨迹分析的关系可视化示例。(a)一个可视化船舶轨迹属性的平行坐标图;（b）一个描述全球海上交通骨干网络的流程图;（c）一个显示港口之间航运关系的弦图见图4。 基于点的船舶航迹数据空间特征分析。(a)（b）采用视觉分析方法，以确定和选择安全抛锚区。相反，它强调将自动出租和人工参与的交互式分析的优势结合起来进行决策（Ma et al. ，2021年）。在本节中，我们根据分析任务将现有的用于船舶轨迹分析的视觉分析方法分为三类，即船舶轨迹空间特征分析、船舶轨迹时间特征分析和船舶行为模式分析。4.1. 船舶航迹空间特征分析血管轨迹空间特征分析是指利用空间分析算法、统计模型和交互分析技术对血管轨迹的空间特征进行深入分析空间特征分析一般从轨迹点和轨迹路线两个角度进行在本节中，我们从这两个角度介绍现有的作品。从点的角度分析船舶航迹的空间特征主要集中在识别有价值的航路点及其在水域中的分布。航点包括港口和锚地（Liu et al. ，2018年）。港口是船舶安全进出的交通枢纽。锚定指专门水域供船舶停泊和进行各种作业。这些航路点对海上交通监视和安全航行很重要。例如，Zhang等人 （2019）提出了一个可视化分析系统，利用船舶轨迹数据和事故数据来改善新加坡港口的交通管理，如图所示。第4（a）段。该系统对轨迹数据应用空间速度或轨迹点的数量）。然后，它使用热图和OD矩阵来可视化热点。用户可以交互式地选择与任何事故相关的轨迹，并修改条件，以观察热点的分布，并获得港口交通管理的见解。Willems等人（2009）设计了一个可视化分析系统，以自动识别和交互分析锚区。他们提出了一种新的KDE方法，将轨迹点的速度信息引入到密度估计以识别锚区。图图4（b）示出了新的多尺度密度可视化，其支持基于轨迹点的用户选择的特征（诸如时间、天气或血管类型）的密度值的颜色编码。用户可以比较各种条件下锚区的空间分布，以便于安全锚区选择的决策船舶航线是船舶从某个起点到其目的地的轨迹（Tu et al. ，2018年）。从航线的角度分析船舶轨迹的空间特征对于船舶航线选择和全球航运网络分析具有重要意义（Xiao et al. ，2020年）。Yan等（2020）设计了一个用于船舶航线选择的可视化分析系统。他们首先通过检查每条路线的特征（例如，速度和方向）的轨迹点。然后，他们把这些点作为一个路线的语义信息，构建一个语义船舶行程。 图图5（a）示出了通过可视化语义船舶行程并提供交互，系统使得用户能够选择用于船舶路线选择的任何语义兴趣点。Varlamis等人（2021）提出了一种基于网络的海上交通分析方法他们使用增强的DBSCAN聚类算法来识别航点（例如，港口和交叉点）。然后，他们构建了一个异构网络，其中各种类型的路点由不同颜色的节点编码，如图所示。5（b）.在这个网络中，用户可以很容易地掌握世界上重要的航运航点及其相互关系。用户还可以通过引入时间信息来观察网络的演变。Tao et al.（2017）提出了一种新的运输路线分析方法，该方法应用高阶网络模型来描述任何一对起点-连接-目的地港口之间的依赖关系，其中起点和连接港口分别以一阶（FoN）和高阶节点（HoN）命名。网络中的每个端口都可以由其先前访问的端口和下一个可能访问的端口表示。他们还设计了一个可视化分析系统，帮助用户了解和探索由AIS数据构建的全球远洋航运高阶网络 如图第5（c）段，H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）16图五. 基于航线的船舶航迹数据空间特征分析。(a)（b）基于网络的海上交通分析;（c）基于高阶网络模型的航线可视化分析见图6。 船舶航迹空间特征分析。(a)对船只活动的时间和空间动态进行直观分析;（b）对渔船活动进行定期分析;（c）对搜索和救援行动进行定期分析该系统，多个可视化视图，包括地图，节点链接图，层次网络图（赵等。，2020）和和弦视图与丰富的交互很好地结合，以支持从多个角度对网络的交互式探索。该方法对海上交通管理中的航线选择具有一定的参考价值。4.2. 船舶轨迹时间特征分析船舶轨迹的时间特性分析确定船舶航行的动力学和周期模式。MVAP（Lavigne et al. ，2011年）是一个可视化分析系统，用于分析船舶轨迹动力学，如图6（a）所示。该系统提供了动画图和时间轴视图，以可视化血管轨迹数据。用户可以通过选择周期或船只来选择轨迹数据的子集，然后观察船只的动态导航过程。Kroodsma等人（2018）设计了一个可视化分析系统，用于分析渔船活动的周期模式该系统使用卷积神经网络模型从AIS数据中识别渔船活动，然后应用四个链接的时间序列数据可视化视图来呈现渔船活动与时间之间的关系 图 6（b）显示渔船活动很容易发现，因为它们有明显的季节性特征。此外，Lavigne et al.（2011）设计了一个用于海上搜索和救援行动的视觉分析系统。该系统将美国海岸警卫队第九区和大西洋地区司令部在美国大湖地区提供的SAR操作数据和船舶轨迹数据可视化图6（c）表明，该区域的安全事件具有周期性特征。4.3. 船舶行为模式分析船舶行为分析在海上交通管理中起着至关重要的作用。血管行为可分为正常和异常。正常行为是指大多数船舶所遵循前面两节中提到的许多方法都异常行为是具有偏离正常或预期的特征或模式的行为（Roy，2008）。在本节中，我们将船舶异常行为分为自然环境相关（例如，气象或海洋环境），也称为背景异常，以及人类活动相关的（例如，偏离路线、意外速度或U形转弯），也称为运动异常（Riveiro et al. ，2018年）。船舶航行与船舶的运动和作业环境密切相关。恶劣的天气状况和极端的洋流对船只航行构成风险游泳H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）17见图7。船 舶 行为的上下文异常分析。(a)对恶劣天气下船只异常情况的直观分析;（b）对极端洋流下船只异常情况的直观分析。见图8。 船舶行为的运动异常分析。(a)（b）用于海上交通安全管理的视觉分析系统;（c）用于非法船只活动监测的视觉分析系统（Lundblad et al. ，2009）是用于识别血管背景异常的视觉分析系统。首先，它使用地理分析可视化框架将AIS数据与天气数据集成，如图所示。7（a）.然后，它使用世界地图，PCP和时间视图来可视化船舶航行和天气状况。用户可以交互式地识别在恶劣天气区域出现的高风险船舶活动。危机（Soares et al. ，2019）是船舶异常检测工具，集成AIS数据与海洋流数据，如图所示。7（b）.该系统应用知识查询和知识推理技术，自动检测船舶行为，如接近的旋流区或重冰区。该系统还使用户能够设置参数，如速度，天气和冰，并以交互方式识别上下文异常。船舶的运动特性是海上交通管理的重点.船舶航行的异常行为或安全风险通常在其动力学中具有某些特征，例如偏离正常航运路线 的 路 径 （ Anneken et al. ， 2015 ） 、 异 常 高 或 低 的 速 度（Laxhammar，2008）、瞬时停止和U形转弯（Patroumpas等人，2015）。，2017年）。TraSeer（Wang et al. ，2017）是用于检测异常路径的视觉分析系统。该系统采用改进的密度分布统计算法进行异常路径识别。 图图8（a）示出了使用多个可视化视图来呈现异常路径并为潜在非法活动的决策提供基础的系统。如图8（b）所示，Wang等人（2020）使用到最近接近点的距离（DCPA）来计算DCPA矩阵，并应用KDE方法来计算高速或低速船舶的轨迹然后，他们设计了一个多视图可视化工具来呈现这些计算结果，以观察具体的轨迹数据。 VISAD（Riveiro et al. ，2009）是一个高度交互的视觉分析系统。该系统利用高斯混合模型从船舶轨迹数据中提取最大和最小速度、旋转、航向和其他变量。有了专业知识，这些变量可以组合起来，通过正则表达式来检测复杂的异常情况（例如海盗和走私情况）。 通过在自组织映射图上突出显示检测到的异常，如图1所示。8（c）显示，用户可以通过互动方式参与检测程序，协助海事管理部门进行违法活动的监视。5. 结论可视化和可视化分析技术可以帮助用户更好地分析和理解血管轨迹数据，并以可视化和交互的方式识别和探索血管行为模式。这些技术在船舶导航、海上交通监视和海上运输管理中发挥了重要作用近年来，针对船舶航迹数据的可视化和可视化分析提出了大量的方法。此外，未来还有许多潜在的方向可以探索：(1) 多源数据利用。海洋运输管理有许多相关的数据集。 目前，大多数方法仅利用船舶轨迹数据，无法满足海上运输管理的多样化需求。因此，整合多源数据集是未来的一个重要方向。(2) 大规模数据的在线处理。世界范围内的船舶活动可以产生大规模的实时。然而，目前大多数系统是基于离线数据集设计的，不能支持在线数据集的及时分析。在线大规模数据渲染和分析仍然是海洋运输管理中的一个巨大挑战。(3) 知识驱动分析。数据驱动分析在海运管理中得到了广泛的应用然而，知识驱动的方法目前还很少见。高级别和复杂的船舶行为，如偷渡，海盗和走私，不容易被发现，H. Liu，X. Chen，Y. Wang等人视觉信息学5（2021）18数据驱动的方法。因此，将语义信息或领域知识引入交互式血管轨迹数据分析是未来研究的一个潜在方向(4) 多模式互动。现有的交互式血管轨迹分析方法为用户提供了传统的交互，例如多视图更新、过滤和刷动。一些研究已经引入了多模态这些技术在许多领域得到了广泛的应用。将VR、AR和MR技术应用于海上运输管理将是一个有趣的方向。CRediT作者贡献声明刘海燕：概念化，写作-原创草稿。陈晓辉：监制，撰写王一迪：调查。张兵：资源。陈云鹏：验证。赵颖：写作周芳芳：验证。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作确认这项工作 得到了中国国 家自然科学基金 的部分支持（ 编号41801313，41901397和61872388）。伦理批准本研究不包含任何作者对人类或动物受试者进行的任何研究引用阿米尼，F.，Rufiange，S.，侯赛因，Z.，文图拉，Q.，Irani，P.，Mcguffin，M.J.，2015. 交互性对理解2D和3D可视化的影响运动数据模式的变化。IEEETrans. Vis. Comput. Graphics 21，122-135.Andrienko，G.，Andrienko，N.，2008.用于运动视觉分析的时空聚合。2008年IEEE Symposium on Visual Analytics ScienceandTechnology。IEEE，第51比58Andrienko，N.，Andrienko，G.，2011.海量运动数据的空间综合与聚合。IEEETrans.目视Comput. Graphics 17，205Andrienko，N.，Andrienko，G.，2013.运动的视觉分析：方法、工具和程序概述。INF. 目视12，3Andrienko，G.，Andrienko，N.，Bak，P.，Keim，D.，Kisilevich，S.，Wrobel，S.，2011.运动分析技术的概念框架和分类。J. 目视浪Comput. 22，213Andrienko，G.，安德里恩科，新联合大学Dransch，D.，戴克斯，J.，Fabrikant，S.I.，Jern，M.，克拉克，M.J.，舒曼，H.，Tominski，C.， 2010. 空间、时间和视觉分析。国际地理信息科学杂志24，1577-1600.Andrienko，G.，Andrienko，N.，戴克斯，J.，Fabrikant，S.I.，Wachowicz，M.，2008.动态、运动和变化的地理可视化：可视化研究的关键问题和发展途径。INF. 目视7，173Andrienko，G.L.，Andrienko，N.V.，Rinzivillo，S.，南尼，M.，Giannotti，F.，2009. 大量轨迹集合的交互式视觉聚类。2009年IEEESymposiumon VisualAnalytics Science and Technology。IEEE，第三比十Anneken，M.，Fischer，Y.，Beyerer，J.，2015.海洋领域带注释数据集中异常检测算法的评估和比较。 2015年SAI智能系统会议（IntelliSys）。IEEE，第169比178巴赫湾，Dragicevic，P.，Archambault，D.，Hurter，C.，Carpendale，S.，2016.基于广义时空立方体的时态数据可视化描述框架。Comput. Graph. Forum 36，36巴里奥斯角，Himberg，H.，Motai，Y.，Sadek，A.，2006.车辆位置预测的自适应扩展卡尔曼滤波多模型框架。在IEEE智能交通系统会议上。pp. 1053-1059曹伟，李，Y.，2017. Dots：一种在线和接近最优的轨迹简化算法。J. 系统软件。126，34陈伟，黄志，吴，F.，Zhu，M.，关，H.，Maciebenski，R.，2018.沃州：城市时空数据可视化分析方法。IEEETrans. 目视Comput. 图形24，2636Cohen，J.，Dolan，B.，邓拉普，M.，Hellerstein，J.M.，韦尔顿角，2009. MadSkills：NewAnalysis Practices for Big Data. Proc. VLDB赋予2，1481孔湖，加-地舒，G.，2017.内河航运事故多因素关联的可视化分析。2016年国际工程与先进技术会 议 （ICEAT 2016）pp. 110-115理事会，T.，O.F.，Union，E.，2002. 2002年12月20日关于根据共同渔业政策养护和可持续开发渔业资源的第2371/2002号理事会条例。关闭. J. EUR. Com. 59比80德姆萨尔大学，Virrantaus，K.，2010.轨迹的时空密度：探索运动数据中的时空模式。国际地理信息科学杂志24，1527-1542.Douglas，D. H.，Peucker，T.K.，1973.减少表示数字化线或其漫画所需点数的算法。国际地理学杂志吉奥维斯神父10，112-122.Eiden ， G. ， 2010. 技 术 说 明 4.1 血 管 密 度 标 测 。 网 址 ：http://webgate.ec.europa.eu/maritimeforum/sites/maritimeforum/files/6039_PASTA%20MARE_GH_TN004-1_Density_Plot_I4.pdf。Ester，M.，Kriegel，H.P.，Sander，J.，徐，X.，1996.一种基于密度的含噪声大型空间数据库聚类发现算法。 第二届知识发现和数据挖掘国际会议（KDD'96）。pp. 226-231。艾蒂安湖Devogele，T.， Bouju，A.， 2012. 遵循相同路线的移动物体的时空轨迹分析。高级地理空间信息科学38，86-91.Evenden，L.J.， Hagerstrand，T.， 1969. 创新扩散是一个空间过程。Soc. Forces 47，356.方，Z.，Shaw，S. L.，魏，T.，李，Q.，李，Y.，2012.基于时间地理概念的关键交通环节时空分析：以武汉市关键桥梁为例。J. 运输单地理学23，44费拉角，Tassetti，A.N.，Grati，F.，Pellini，G.，Polidori，P.，Scarcella，G.，Fabi，G.，2018年通过AIS数据绘制地中海底拖网捕捞活动变化图。Mar. 政策94，275FleetMon，2021年。FleetMon网站网址：https://www.fleetmon.com/。Halpern，B.S.，沃尔布里奇，S.，Selkoe，K.A.，卡佩尔，C.V.，米歇尔，F.，Agrosa，C.D.，布鲁诺J.F.凯西，K.S.，Ebert，C.