一、调研方向聚焦

本次调研围绕“多船舶关系挖掘”核心方向，重点分析两篇论文在提取多个个体or群体的潜在关联的技术思路。

二、论文1：STMGF-Net_A_Spatiotemporal_Multi-Graph_Fusion_Network_for_Vessel_Trajectory_Forecasting_in_Intelligent_Maritime_Navigation

（一）核心关联：多维度船舶交互关系建模

论文针对智能海事导航中“船舶复杂交互建模难”的问题，提出多图协同的关系表征框架，直接对应“多船舶关系挖掘”的核心需求。

1. 船舶关系分类与规则化定义

论文将船舶关系按“交互维度”划分为3类，并通过数学规则量化关系强度，为“基于规则的关系挖掘”提供明确的指标体系：

• 运动交互关系：聚焦船舶轨迹相似性（固定/协同关系）
  规则逻辑：通过动态时间规整（DTW）距离计算两船轨迹相似度，距离越小，运动协同性越强；
  量化公式：邻接矩阵元素Aθsim,i,j∝1/dtwθi,jAθsim,i,j​∝1/dtwθi,j​（dtwθi,jdtwθi,j​为t时刻船舶i与j的DTW距离），可直接用于挖掘“固定航线伴航”“船队编队”等固定关系。
• 风险交互关系：聚焦临时碰撞风险（时变关系）
  规则逻辑：结合“空间距离”与“动态风险指标”，识别临时避让、近距离会遇等时变关系，包含两个子规则：
  • 社会交互规则：基于欧氏距离dθi,j=∣∣pθi−pθj∣∣2dθi,j​=∣∣pθi​−pθj​∣∣2​，距离≤5海里判定为“近距离交互关系”；
  • 碰撞风险规则：通过海事标准指标DCPA（最近会遇距离）、TCPA（最近会遇时间）量化风险，DCPAθi,j≤2DCPAθi,j​≤2海里且TCPAθi,j≤30TCPAθi,j​≤30分钟，判定为“高风险避让关系”，公式如下：
    DCPAθi,j=dθi,j∣sin⁡(φθR−δθi−π)∣DCPAθi,j​=dθi,j​∣sin(φθR​−δθi​−π)∣
    TCPAθi,j=dθi,jcos⁡(φθR−δθi−π)/VθRTCPAθi,j​=dθi,j​cos(φθR​−δθi​−π)/VθR​
• 属性交互关系：聚焦船舶静态特征关联（固定关系增强）
  规则逻辑：通过船舶属性相似度强化固定关系判定，避免“轨迹相似但属性无关”的误判；
  量化公式：基于长宽余弦相似度sim(si,sj)=(li,wi)⋅(lj,wj)li2+wi2×lj2+wj2sim(si​,sj​)=li2​+wi2​​×lj2​+wj2​​(li​,wi​)⋅(lj​,wj​)​，相似度≥0.7且船型一致，可确认“同类型船舶固定协作关系”。

2. 关系挖掘的技术支撑：多图构建与融合

论文通过时空图构建模块（STGCM） 将上述规则转化为结构化图数据，再通过多模态融合模块（MMFM） 实现关系特征的整合，关键流程可复用至“基于规则的关系挖掘”：

• 多图构建：为3类关系分别构建交互图（运动图、风险图、属性图），每个图的邻接矩阵直接对应关系强度规则，实现“规则→图结构”的转化；
• 特征融合：通过注意力机制聚合相似关系特征（如风险图中的社会交互与碰撞风险特征），再动态融合跨维度特征，解决“单一规则片面性”问题，提升关系挖掘的全面性。

3. 对调研方向的价值

• 提供可直接复用的关系量化规则：DTW轨迹相似度、DCPA/TCPA风险指标、属性余弦相似度，可作为“固定/时变船舶关系”挖掘的核心规则；
• 验证多维度规则协同的有效性：实验显示，移除属性图或风险图会导致关系建模误差上升40%+，证明多规则融合比单一规则更精准。

三、论文2：GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning

论文虽面向通用多智能体（如行人、篮球运动员），但其群体交互挖掘、时变关系动态推断的思路，可迁移至“多船舶群体关系挖掘”（主要是利用多尺度超图，感觉类似于图神经网络。）

1. 群体船舶关系的规则化挖掘

论文提出多尺度超图建模群体关系，可转化为船舶群体关系的挖掘规则：

• 群体划分规则：基于“轨迹相关性”构建 affinity 矩阵，通过高密度子块检测识别群体；
  规则逻辑：计算船舶轨迹嵌入的余弦相似度（Ai,j=qiTqjAi,j​=qiT​qj​，qiqi​为船舶i的轨迹特征向量），若某子块（含K艘船）的元素和≥0.8×K²（归一化后），则判定为“船舶群体”；
  尺度适配：针对不同水域（如港口、开阔海域）设置多尺度群体大小（K=3~11），匹配“小型船队”“大型编队”等不同群体关系。
• 群体内关系表征规则：通过三元素交互格式量化群体内关系，可直接用于船舶群体关系强度与类型判定：
  • 关系强度（riri​）：基于群体整体嵌入zi=∑vj∈eiwjvjzi​=∑vj​∈ei​​wj​vj​（wjwj​为船舶j的贡献权重），通过sigmoid函数输出强度值（0~1）；
  • 关系类型（cici​）：通过Gumbel-Softmax分类，将群体关系划分为“协同避障”“编队航行”“临时会集”等类型，无需人工标注（无监督推断）。

2. 时变关系的动态更新机制

论文通过“滑动时间窗口+超图拓扑动态调整”捕捉关系的时变特性，适配船舶关系的动态性：

• 窗口设置：采用5分钟滑动窗口，实时更新 affinity 矩阵与群体划分结果；
• 拓扑调整：若某船舶与群体的相似度连续3个窗口＜0.5，则判定为“脱离群体”，从超图中移除该节点，实现关系“生成-演变-消亡”的动态跟踪。

3. 对调研方向的价值

• 填补“群体船舶关系挖掘”的方法空白：提供从“船舶对关系”到“群体关系”的规则扩展思路，可用于挖掘“多船联合避障”“船队协同作业”等复杂关系；
• 提供时变关系动态推断的无监督方案：无需人工标注关系类型，通过三元素表征自动推断关系强度与类别，降低大规模船舶数据的标注成本。

GroupNet结合先验规则挖掘船舶潜在关系的核心逻辑

先验规则嵌入+数据驱动优化

核心目标：用亲和度矩阵量化船舶关系基础

亲和度矩阵（A∈RN×NA∈RN×N）是船舶关系挖掘的核心载体，其中Ai,jAi,j​表示船舶ii与jj的关联强度（值越大，关系越紧密）。GroupNet通过“先验规则定义关联维度+数据驱动学习权重”，让矩阵既能体现船舶领域特性，又能捕捉数据中的动态规律，最终支撑固定关系（如船队编队）和时变关系（如临时避障）的识别。

第一步：明确船舶关系的先验规则维度（锚定关联基础）

基于船舶航行领域知识，定义影响船舶关系的核心先验规则，每个规则对应一个关联维度，作为亲和度计算的基础输入：

1. 轨迹相似性规则（固定关系核心）
   • 先验逻辑：同一船队、固定航线的船舶，轨迹相似度高（经纬度、航速、航向的时间序列一致性强）；
   • 量化方式：采用动态时间规整（DTW）距离计算轨迹相似度，距离越小，关联度越高，公式为simtraj(i,j)=1/DTW(Xi,Xj)simtraj​(i,j)=1/DTW(Xi​,Xj​)（XiXi​为船舶ii的轨迹序列）。
2. 空间交互规则（时变关系核心）
   • 先验逻辑：船舶间距离越近、碰撞风险越高（DCPA/TCPA指标越临界），临时交互关系越强；
   • 量化方式：
     • 空间距离项：simdist(i,j)=1/∣∣pi−pj∣∣2simdist​(i,j)=1/∣∣pi​−pj​∣∣2​（pipi​为船舶ii的实时位置，距离≤5海里时生效，避免远距离船舶无意义关联）；
     • 碰撞风险项：simrisk(i,j)=1/(DCPAi,j+ϵ)simrisk​(i,j)=1/(DCPAi,j​+ϵ)（ϵϵ为平滑系数，DCPA≤2海里时权重翻倍，强化高风险时变关系）。
3. 属性匹配规则（固定关系增强）
   • 先验逻辑：同类型、同公司的船舶，固定协作关系概率高（如同一航运公司的货轮编队）；
   • 量化方式：采用余弦相似度计算属性匹配度，simattr(i,j)=(li,wi,typei)⋅(lj,wj,typej)li2+wi2+typei2×lj2+wj2+typej2simattr​(i,j)=li2​+wi2​+typei2​​×lj2​+wj2​+typej2​​(li​,wi​,typei​)⋅(lj​,wj​,typej​)​（l/wl/w为船舶长宽，typetype为船型编码，如货轮=1、快艇=2）。
4. 群体协同规则（群体关系基础）
   • 先验逻辑：多艘船舶航向偏差≤15°、速度差异≤2节时，可能存在群体协同行为（如联合避障、编队航行）；
   • 量化方式：simgroup(i,j)=1−∣θi−θj∣/15°×1−∣vi−vj∣/2simgroup​(i,j)=1−∣θi​−θj​∣/15°×1−∣vi​−vj​∣/2（θθ为航向，vv为航速，两项均满足时生效）。

第二步：先验规则加权融合，生成初始亲和度矩阵

将上述4类先验规则的量化结果，通过加权求和生成初始亲和度矩阵，实现“领域先验”的直接嵌入：
Ai,j(init)=α⋅simtraj(i,j)+β⋅[simdist(i,j)+γ⋅simrisk(i,j)]+δ⋅simattr(i,j)+ϵ⋅simgroup(i,j)Ai,j(init)​=α⋅simtraj​(i,j)+β⋅[simdist​(i,j)+γ⋅simrisk​(i,j)]+δ⋅simattr​(i,j)+ϵ⋅simgroup​(i,j)

• 权重设置依据先验重要性：αα（固定关系）和ββ（时变关系）设为主要权重（如α=0.3α=0.3，β=0.4β=0.4），γγ（风险增强）、δδ（属性辅助）、ϵϵ（群体协同）设为辅助权重（如γ=0.2γ=0.2，δ=0.1δ=0.1，ϵ=0.1ϵ=0.1）；
• 物理意义：初始矩阵已体现“固定关系看轨迹+属性，时变关系看距离+风险”的领域逻辑，例如：
  • 固定关系（编队）：simtrajsimtraj​和simattrsimattr​贡献主导，Ai,j(init)Ai,j(init)​持续偏高；
  • 时变关系（临时避障）：simdistsimdist​和simrisksimrisk​突然升高，Ai,j(init)Ai,j(init)​短期显著增大。