基于NLP的不規范航行通告識別方法

郭 策 金 楓 馬朝陽

（1.北京北礦智能科技有限公司，北京 102628；2.金屬礦山智能開采技術北京市重點實驗室，北京 102628；3.礦冶科技集團有限公司，北京 100160）

為了更好地研究和探討不規范航行的識別方法，本論文主要從以下三個方面對不規范航行通告的識別與識別方法展開論述。本文的目的是通過基于NLP的方法建立模型，通過預處理和識別不規范航行通告，提取不規范航行載具的運動軌跡、速度等信息，進行航行的安全性數據分析和優化，使駕駛者的安全意識得以提升，減少交通事故的發生幾率。

一、基于NLP的不規范航行通告識別技術概述

1.不規范信息的概念

信息是一種客觀的現象和事物的屬性及其變化的規律性的總和信息的概念，是指人們在社會生活中所接觸到的一切信息，包括文字、圖形、聲音等，也可以說信息就是人的思想和感情的反應過程。不規范的航行通告識別系統主要研究的是不規范航行信息的識別與分析，它是一個對不規范的運輸路線進行實時的監控與追蹤，并通過對異常情況的預警來實現對運輸車輛的有效管理。

2.不規范航行通告的特點

不規范的航行通告是指沒有經過國家相關部門的批準而在港口、碼頭等地方行駛的通告；影響交通安全不規范的航行通告會對運輸設備造成一定的干擾作用，使其不能正常地運行和使用。例如，如果在港的時候需要進出，那么就必須要通過正規的程序來檢查，然后再由船公司的工作人員來負責。對于交通運輸來說，它是一個非常重要的方面，它也可以為人們的出行提供便利，但同時也給城市的發展帶來了巨大的壓力和挑戰。因為一旦有了不準確的航行通告，不僅僅會給我們的生活以及工作環境帶去威脅，而且還會破壞到整個地區的穩定與和諧。因此，為了保證航行的安全性和效率，對其研究十分有必要[1]。

3.不規范航行通告識別方法

根據不規范航行通告的識別方法，可將其分為兩大類：一類是基于圖論的分類方法，另一類是基于神經網絡的分類方法。（1）圖論的分類。不規范運輸調度系統的主要功能就是對不規范的車輛進行合理的規劃和管理，從而提高了交通的運行效率。因此在研究中，有必要對其數學模型建立和分析，以方便對交通運輸過程的優化設計。（2）基于神經網絡的分類方法。將不規范航行通告文本序列視為一組token，基于詞嵌入技術，進而將句子表示成token序列。基于token的標識進行詞性或詞義分類，應用循環神經網絡（RNN）和卷積神經網絡（CNN）等常用深度學習技術實現文本序列建模。

4.不規范航行通告識別技術

在不規范運行信息中，以前通常使用的是傳統的識別方法，這種方法是將不規范航行通告的發生原因和影響因素作為研究對象，然后對其進行分類，最后再利用神經網絡的原理對其特征、類型、分布等方面的內容進行分析，并根據這些特點來識別出不規范的航行通告[2]。目前，有很多的學者都致力于研究人工神經網絡的模型來解決不精確的安全駕駛問題。其中有一種就是用模糊的數學語言來描述它的過程：在系統的輸入層，將一個復雜的非線性函數映射到輸出層上，接著通過輸出層的神經元與外部環境的連接關系，從而得到了整個系統的狀態反饋。本文主要介紹的是基于NLP的智能識別的方法。該方法的優點是簡單，可以很容易地從計算機的角度去處理，并且具有很強的魯棒性[3]。但是也存在著一定的缺點，比如只能適用于一些特定的條件下，而不能完全適用于某些特殊的情況。

二、不規范航行通告識別方法實驗

1.試驗方法

首先，對不規范航行通告進行預判，然后對不規范運行的原因分析，最后根據識別結果確定是否需要采取預判措施。在本實驗中，先通過實驗對比，判斷不規范航行的目的是什么，再從系統的角度出發，選擇合適的識別方法，并結合實際的應用情況，最終得出結論。在本實驗中，主要采用了3種識別方法，分別為：（1）特征值法。該方法是一種比較常用的數據處理的算法；（2）神經網絡法。它是將復雜的信息從大量的樣本空間映射到了有意義的集合上，并將其作為一個整體來研究。它具有簡單容易實現的特點；（3）支持向量機（SVM）。它可以用于分類和建模，并且能夠很好地解決一些問題。3種方法都是以訓練集為基礎的模型來建立的；各個模塊的組合都是用來輔助的對象和輸入的參數之間的關系以及輸出的概率分布。

2.不規范航行通告識別系統設計

計算機網絡技術在軍事領域的應用越來越廣泛，在航行運輸中，通過對不規范航行通告的研究和分析，可以對不規范航行做出預警，從而減少損失。本文的主要內容是利用MATLAB軟件進行仿真，并結合Matlab中的運動學和數學模型，建立起一個精確的、高效的、通用的航行通告識別系統。本論文的重點在于，如何識別出不規范的航行通告，并將其應用于實際的駕駛過程，該系統的設計思路如下：（1）根據目標車的行駛速度，以及環境的變化來判斷是否存在異常，然后再確定該車型的具體位置，最后再將其傳回數據庫。（2）首先，需要對該車型的所有數據的采集及處理，包括車速和加速度等。其次，是要計算出該車型的相關參數，比如發動機的轉速等。再次，就是要考慮到駕駛員的反應時間，當出現了緊急情況，應該及時地采取相應的應對措施[3]。

3.不規范航行通告識別模塊

該模塊主要是對不規范航行通告的識別和判斷包括對不規范運行的分析、判定和預測。主要模塊有對不規范航行的識別，以及對于不規范運行的預警機制的研究。在本系統中，將根據不同的規則分別建立起針對性的安全警告信息庫，并通過該庫的數據進行預判，從而確定是否存在異常。然后再結合具體的事件來制定出相應的應對策略。

4.實驗功能展示

本次實驗主要是為了驗證不規范化航行通告識別的應用效果，因此需要在實驗前對實驗數據進行預處理，并將預處理結果與實際運行情況對比，從而確定是否使用不規范化航行通告識別。首先，在MATLAB的環境中，設置好時間間隔，并將采集到的信息通過SPSS17.0軟件的GUI顯示模塊的形式發送給主控中心，主控中心可以根據接收到的信息對所收集的信息做出相應的反應和判斷。其次，在K-3的窗口中，將本系統的關鍵詞放在Excel表中，然后利用SPSS22.0來生成表格，方便用戶查看。最后，當所有的樣本都測試完畢，則會把本文本框發給終端，由其來發送控制指令，同時也會發出提示，以提醒注意觀察。如果沒有達到要求，則會自動執行相關操作[4]。

5.實驗結果分析與運行

經過對不規范航行船舶的仿真實驗，可以得出以下結論：（1）對不規范航行的影響：由于沒有建立起完善的數學模型，所以在運行過程中，可能會出現一系列的錯誤操作。（2）對不規范航行的預測：在進行了大量的實驗后，發現數據與實際的相差較大，這就表明有很多的誤差存在，這些誤差的產生是由許多因素造成的，例如時間和天氣等。

三、基于NLP的不規范航行通告識別方法

1.不規范航行通告的表示

傳統的不規范航行通告識別方式主要有以下幾種：（1）人工識別：這種方法是通過現場的觀察和記錄，對不規范航行做出正確的判斷；（2）機器識別：在進行了大量的資料收集之后，再對這些信息進行進一步的分析和處理，然后再將它們輸入到計算機中，從而實現對運輸過程的控制；（3）專家系統：該方法是一種比較先進的檢測技術，它能夠快速地發現不規范航行的行為并及時的作出反應，同時還能為決策者提供可靠的參考數據。但是由于其自身的局限性，它只能適用于一些特定的情況下，并不能完全解決具體的問題；另外，該方法也存在著一定的缺點，比如無法實時的監控到交通狀況，導致預測的不準確性。但隨著科技的發展與進步，人工智能化的研究也逐漸的開始應用，這就使得智能化的辨識方式越來越多地出現在人們的日常生活中。

在進行航路上的不規范航行通告的識別時，可以用圖來表示。比如航路上的不規范航行通告，圖上的符號是“向”，它代表的是不規范的航行通告。在進行航路上的違規船舶的識別時，圖上的“向”的特點就是由圖右下角的箭頭來表示。因為駕駛員的意圖是為了駕駛人員的安全而設計的；所以，在進行判斷的時候就會有很大的可能性。因此對于不規范的航行通告，需要對其做出準確的識別和分析。在對違章行為的識別的過程中，圖上的符號也要根據實際情況做出相應的變化。

2.不規范航行通告預處理

預處理是指對不規范航行通告進行識別、過濾、篩選和分析，并將其分類從而確定是否為違規的航行通告。首先，需要對文本中的標點符號進行預處理，通常利用正則表達式進行判定；其次，應用基于隱馬爾可夫的jieba分詞庫，對文本中的中文詞語進行有效分割；再次，將文本中分割后的詞頻進行統計，消除小樣本噪聲；最后，將預處理后的每一個分詞進行唯一識別號關聯，用于后續的模型訓練[5]。

3.基于NLP不規范航行通告分割

在不規范航行通告的分割中加入一個NLP的概念來識別，NLP是指通過對不規范航行通告的分析和處理，將其與普通的航行通告進行對比，從而判斷出是否存在違規行為[6]。這種新的方法也有很多的優點：（1）對于不規范的運輸車輛，由于其自身的特點使得它的識別難度增加，所以需要對其的識別過程加以嚴格地把控[7]。（2）雖然該算法的原理很簡單，但是也有一些不足之處，比如說，當駕駛員的反應時間較長時，就會導致錯誤的發生概率加大，而且當出現突發事件時，因為該算法的準確度不高，因此無法保證準確性[8]。

4.區域選擇

對于不規范航行，我們可以通過區域的劃分來進行識別。

（1）根據地形、地貌等因素，對不規范航行的區域進行分析，將其分為不同的區域。在地勢較為復雜的地區，如山區和丘陵等，這些地方的安全系數較低，因此不規范運行的概率較大；而在地勢相對平坦的地區，如鐵路和公路等，這些地方的安全系數較高，因此一般不會發生大的交通事故[9]。（2）按照河流的流量大小，將整個河網劃為一個個的小流域，這樣做的好處是能夠有效地減少河網的擁擠程度，提高運輸效率，但是這種做法的缺點是無法對河的流量做出準確的判斷和預測，并且不能很好地控制進出口的車輛數量，一旦出現擁堵情況，就會造成很大的損失[10]。

結語

本文對不規范航行通告的神經網絡方法進行了研究，分析比較了各種模型和算法在不同條件下所表現出來的優劣。通過實驗對比發現：（1）在不一樣條件時，每種建模方式都有其適用范圍。（2）從仿真結果看得到最優參數是最小化期望誤差與最大通信容量之間線性度；而當傳輸速率高、速度快或者數據量大時，可以選擇使用最短路徑法來進行模擬計算分析，得出最佳節點位置和優化模型，在不一樣的條件下，傳輸速率越快、通信容量越大時選擇最多路徑法。（3）從模型結果看得到最優參數是最小化期望誤差與最大通信質量之間的線性度，而最短路徑方法可以有效地減少信息量。