论文部分内容阅读
海洋运输已经成为国际间商品交换中最重要的方式之一,货运总量占比约为全部国际运输量的80%并仍在快速增加。在这种情况下,海上交通路线异常纷杂,如果交通事故频发将带来巨大的经济损失和人员安全隐患。对于远洋航向的船舶来说,轨迹预测的意义在于能够有效控制油耗实现更大盈利和避免进入危险水域而影响货运时效;对于近海船舶来说,轨迹预测的意义在于能够为船主提供避碰和路线规划决策的技术支持。近年来针对船舶轨迹数据的分析与预测研究越来越受到学者们的重视。目前,已有的方法大部是基于传统机器学习方法或船舶运动学方程的方法,也有少数基于深度学习的模型的方法但预测时间较短,这些模型已经很难适应日益复杂的海上交通状况。如今,几乎所有的船舶都配备有船舶自动识别系统(Automatic Identification System,AIS)设备,该设备可以无间断的对外广播船舶的动静态信息,相对于传统的船舶交通服务(Vessel Traffic Service,VTS)数据和雷达数据,AIS数据更加容易获得。本文基于大量的历史AIS数据并在不破坏其数据结构的基础上进行轨迹提取,针对提取的数据集,基于深度学习模型建立了具有相对长期预测和多维预测能力的船舶轨迹预测模型。本文的研究内容为以下几个方面:(1)时间特征是轨迹数据的重要特征,为避免各种插补方法对AIS数据造成结构上的破坏,本文使用了一种新的轨迹划分方法,该方法分为两步:第一步计算出相邻两点时间增量,第二步对时间增量的分布进行分析,确定时间增量轨迹划分阈值对轨迹进行划分。经划分得到的轨迹仍比较复杂,不能直接作为数据集使用,需要进行子轨迹提取操作。为更合理地对轨迹建模,最终数据集中应包含一定量的弯航轨迹且这些轨迹不能太复杂,这就需要设置合理的子轨迹提取长度,所以本文进行了子轨迹提取长度确定实验。(2)为避免不同位置下相同轨迹形状出现带来的影响,本文使用每个点相对于前一点的经度增量和纬度增量来替换原有的经度信息和纬度信息。使用的轨时间增量,经度增量,纬度增量,对地航速和对地航向五个特征进行预测以达到多维预测的目的。(3)深入研究了长短期记忆(Long Short-Term Memory,LSTM)的原理及其相对于循环神经网络(Recurrent Neural Network,RNN)优点。详细分析了粒子群算法(Partical Swarm Optimization,PSO)的参数对其性能的影响及改进策略,建立了基于改进的粒子群算法的PSO-LSTM船舶轨迹预测模型。实验表明,PSO-LSTM模型的预测能力优于纯LSTM模型。(4)为进一步提高模型的相对长期预测能力,建立了基于变分LSTM(Variational LSTM,VLSTM)的船舶轨迹预测模型。实验表明基于VLSTM的预测模型在相对长期预测和弯航轨迹预测上展现出了更好能力。