论文部分内容阅读
现阶段,海事部门对海上交通监控的主要方式仍以人工监控为主,不仅费时费力,还缺乏针对性,尤其在一些繁忙港口仅仅依靠人工监控无法满足港口安全需求。为了对船舶航行行为实现实时跟踪并做出有效的预测,本文提出了一种基于宽度学习的拟合算法,用于建立AIS航迹的拟合模型,为航迹预测提供理论参考,而航迹预测作为航海技术的重要组成部分,对于提高船舶航行安全具有重要的实际意义。本文以船舶AIS数据为数据基础,从航迹拟合的角度出发,开展了相关研究,主要研究工作可以概括为以下四个方面。(1)本文针对72GB的AIS原始数据开展了导入数据库处理,在数据库中提取出大连港水域内的AIS数据,并对其进行数据清洗、数据转换等预处理,确定了本文的研究对象,为后续的研究奠定了数据基础。然后基于一阶向后差分和微分一阶向后差分的概念,介绍了时间序列预测数据的构造方法,为后续的航迹拟合实验奠定基础。(2)详细介绍了宽度学习算法及其模型结构,阐述了宽度学习算法具体的数学推导过程,并给出了基于宽度学习的航迹拟合方法。(3)在一次AIS航迹拟合的情况下,与线性模型(Linear model,LM)相比较,在复杂度方面,BLS(Broad learning system,BLS)模型可以一次性得到经度和纬度的拟合值;在拟合精度方面,BLS的经度和纬度RMSE值均小于LM模型,说明BLS的拟合精度更高;在运行时间方面,BLS模型的运行时间比LM模型更快。(4)为了进一步改进一次AIS航迹拟合中拟合精度,提出了基于K-means聚类的分段拟合法。在K-means聚类的航迹拟合中,主要从经度、纬度和经纬度三个方面进行展开对比实验。针对每一个方面,基于原始数据,利用时间序列构造方法得到一阶向后差分数据和微分一阶向后差分数据,基于LM模型和BLS模型,进行分别开展实验,以簇内方差、RMSE和运行时间为评价指标,以并得出了以下结论。在簇内方差方面,随着聚类次数的增加,基于原始数据、一阶向后差分数据和微分一阶向后差分数据的标准差的值不断减小,说明引入K-means聚类算法后,AIS数据的簇内离散程度更低,使得AIS簇内数据之间的紧密性更高了,改进了原始数据离散程度较高的不足。在RMSE方面,随着聚类次数的增加,LM模型和BLS模型的RMSE值不断减小,说明拟合的精度越来越高。同时,我们也可以看到BLS模型的RMSE值始终都小于LM模型,说明BLS模型的拟合精度比LM模型更高。此外,基于原始数据、一阶向后差分数据和微分一阶向后差分数据的实验结果进行两两对比,可以看到基于一阶向后差分数据和微分一阶向后差分数据进行航迹拟合的效果比原始数据要更好一些,其中基于微分一阶向后差分数据进行航迹拟合效果最佳,改进了原始数据在拟合精度上不足的缺点。在运行时间方面,呈现的整体规律是当聚类次数为1的时候,LM模型的运行时间比BLS模型要长。当聚类次数大于1或者2的时候,BLS模型的运行时间比LM模型要长,从整体来看,两种方法的运行时间基本一致,但是BLS模型更为平稳一些。综上所述,本文提出了一种基于宽度学习的航迹拟合算法,该算法与传统拟合方法相比,在拟合精度上有较大提高,为后期建立AIS航迹的预测模型奠定了理论基础。同时,这为海事部门实现对海上交通监控提供了一种新的预测思路,具有一定的应用价值,对提高船舶航行安全具有重要的实际意义。