论文部分内容阅读
近年来,随着经济的快速发展,海上交通规模不断扩大,出入港口的船舶越来越多,很容易造成港口附近海域交通拥堵,甚至是事故发生。准确的船舶流量预测是海上智能交通系统的重要组成部分,可为海上监管提供有效依据,对海上运输的效率和安全起着至关重要的作用。
现有的船舶流量预测方法多是基于AIS数据实现的,但是这些方法只考虑船舶流量的时间相关性,忽略了船舶流量的空间相关性,从而导致预测性能降低。为解决上述问题,本文采用深度学习方法实现船舶流量短期预测,并设计一款船舶流量预测软件。具体研究工作如下:
首先,本文针对船舶流量时间、空间相关性的特点,设计了一种基于ConvLSTM的船舶流量预测模型。本文通过网格划分的方法对预测区域内的AIS数据进行筛选统计,得到船舶流量数据;再利用ConvLSTM网络有效提取船舶流量的时空特征,实现了对船舶流量的多步预测。实验结果显示,基于ConvLSTM的预测模型取得了较好的预测性能。
其次,为了进一步提高预测性能,在ConvLSTM预测模型的基础上,本文提出了一种基于注意力机制的ACLSTM模型。通过注意力机制求得不同时间步长下的权重,解决了输入序列较长所导致的预测性能下降问题;同时,通过调整参数优化了模型。实验结果表明,提出的基于注意力机制的ACLSTM模型与基于ConvLSTM的预测模型相比,具有更好的预测性能,其评价指标RMSE和MAE分别达到了1.4605和0.9303,验证了该模型中注意力模块的有效性;并且与现有预测方法相比,本文提出的ACLSTM模型具有更高的预测精度。
最后,根据实际需求,设计并实现了船舶流量预测软件。软件采用Django框架实现后端,MySQL作为数据库,Bootstrap框架开发网页界面,可为用户提供船舶流量预测、历史流量查询、用户管理等功能。此外,经过测试验证了该软件的有效性。
本文采用深度学习技术实现的船舶流量预测方法,预测精度高,设计的船舶流量预测软件有助于提高海上交通管理效率和安全保障。
现有的船舶流量预测方法多是基于AIS数据实现的,但是这些方法只考虑船舶流量的时间相关性,忽略了船舶流量的空间相关性,从而导致预测性能降低。为解决上述问题,本文采用深度学习方法实现船舶流量短期预测,并设计一款船舶流量预测软件。具体研究工作如下:
首先,本文针对船舶流量时间、空间相关性的特点,设计了一种基于ConvLSTM的船舶流量预测模型。本文通过网格划分的方法对预测区域内的AIS数据进行筛选统计,得到船舶流量数据;再利用ConvLSTM网络有效提取船舶流量的时空特征,实现了对船舶流量的多步预测。实验结果显示,基于ConvLSTM的预测模型取得了较好的预测性能。
其次,为了进一步提高预测性能,在ConvLSTM预测模型的基础上,本文提出了一种基于注意力机制的ACLSTM模型。通过注意力机制求得不同时间步长下的权重,解决了输入序列较长所导致的预测性能下降问题;同时,通过调整参数优化了模型。实验结果表明,提出的基于注意力机制的ACLSTM模型与基于ConvLSTM的预测模型相比,具有更好的预测性能,其评价指标RMSE和MAE分别达到了1.4605和0.9303,验证了该模型中注意力模块的有效性;并且与现有预测方法相比,本文提出的ACLSTM模型具有更高的预测精度。
最后,根据实际需求,设计并实现了船舶流量预测软件。软件采用Django框架实现后端,MySQL作为数据库,Bootstrap框架开发网页界面,可为用户提供船舶流量预测、历史流量查询、用户管理等功能。此外,经过测试验证了该软件的有效性。
本文采用深度学习技术实现的船舶流量预测方法,预测精度高,设计的船舶流量预测软件有助于提高海上交通管理效率和安全保障。