楊 帆 何正偉 何 帆

(武漢理工大學(xué)航運(yùn)學(xué)院1) 武漢 430063) (內(nèi)河航運(yùn)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室2) 武漢 430063) (國(guó)家水運(yùn)安全工程技術(shù)研究中心3) 武漢 430063)

0 引 言

在水路運(yùn)輸中實(shí)際航道水深難以準(zhǔn)確獲得，從電子海圖、航道區(qū)域圖等途徑中獲得的航道水深數(shù)據(jù)實(shí)時(shí)性不強(qiáng)，難以代表當(dāng)前航道的準(zhǔn)確水深.

目前國(guó)內(nèi)外有關(guān)水深預(yù)測(cè)的研究主要有： Su等[1]提出的一種基于多光譜衛(wèi)星圖像的方法對(duì)水域的水深進(jìn)行預(yù)測(cè)的方法.該方法使用了RK(regression kriging)方法對(duì)水深進(jìn)行預(yù)測(cè)，相比傳統(tǒng)的邏輯回歸方法，該方法具有更高的預(yù)測(cè)準(zhǔn)確性，然而由于RK方法的局限性，對(duì)于多變量的情況無(wú)法更好地預(yù)測(cè)水深.Shiri[2]提出的一種基于小波和模糊神經(jīng)的方法對(duì)地下水深度進(jìn)行預(yù)測(cè).通過(guò)組合離散小波變換和神經(jīng)模糊模型兩種方法，改進(jìn)了小波神經(jīng)模糊模型.通過(guò)比較結(jié)果表明，小波神經(jīng)模糊模型優(yōu)于傳統(tǒng)的神經(jīng)模糊模型，更好地對(duì)短時(shí)地下水深度進(jìn)行準(zhǔn)確地預(yù)測(cè).Wang[3]提出的一種轉(zhuǎn)換瑞利法進(jìn)行計(jì)算浪高.在所提出的變換瑞利方法中，轉(zhuǎn)換模型被選擇為單調(diào)指數(shù)函數(shù)，使得變換模型的前三個(gè)時(shí)刻匹配真實(shí)過(guò)程的時(shí)刻.所提出的新方法已經(jīng)應(yīng)用于用海神平臺(tái)測(cè)量的地面高程數(shù)據(jù)來(lái)計(jì)算海況波高超概率.在這種情況下證明，所提出的新方法可以比通過(guò)使用常規(guī)瑞利波高度分布模型提供更好的預(yù)測(cè).Younis等[4]提出的一種粗糙復(fù)合航道中的漸進(jìn)水深預(yù)測(cè)方法.通過(guò)對(duì)一維的預(yù)測(cè)方法進(jìn)行分析，得到了一種錯(cuò)誤率較低的預(yù)測(cè)方法.實(shí)驗(yàn)結(jié)果表明，該預(yù)測(cè)方法具有較高的準(zhǔn)確率，然而，該方法是否一定優(yōu)于其他方法還需要后續(xù)研究進(jìn)行證明.

文中通過(guò)船舶交通流和AIS(automatic identification system)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型和決策樹-深度神經(jīng)網(wǎng)絡(luò)結(jié)合的模型，從而對(duì)航道水深進(jìn)行預(yù)測(cè)，提高水深數(shù)據(jù)的準(zhǔn)確度和及時(shí)性，為船舶安全導(dǎo)航提供參考.

1 研究方法

1.1 研究思路

通過(guò)深度神經(jīng)網(wǎng)絡(luò)及決策樹模型，進(jìn)行AIS數(shù)據(jù)挖掘，并對(duì)各模型進(jìn)行模型評(píng)判和驗(yàn)證，最終對(duì)不同的水深預(yù)測(cè)模型進(jìn)行實(shí)際預(yù)測(cè)，比較各模型在航道水深預(yù)測(cè)領(lǐng)域的效果.研究方法圖見圖1.

圖1 研究方法圖

1.2 水深數(shù)據(jù)獲取

航道水深數(shù)據(jù)可以通過(guò)相關(guān)航道的電子海圖和泊位水深圖中獲取.首先通過(guò)電子海圖和最新的泊位水深圖讀取航道內(nèi)已知點(diǎn)的經(jīng)度數(shù)據(jù)、緯度數(shù)據(jù)和對(duì)應(yīng)的水深數(shù)據(jù)，其中經(jīng)度數(shù)據(jù)為lon1，lon2，…，lonn，緯度數(shù)據(jù)為lat1，lat2，…latn，水深數(shù)據(jù)為d1，d2，…，dn.

本設(shè)計(jì)通過(guò)三維插值方法，根據(jù)電子海圖中的已知水深數(shù)據(jù)對(duì)航道內(nèi)的未知水深數(shù)據(jù)進(jìn)行三維插值，采用Spline插值方法對(duì)船舶軌跡進(jìn)行插值.設(shè)已知待插值的數(shù)據(jù)點(diǎn)的經(jīng)緯度分別為a≤lon1

通過(guò)三次樣條插值的方法可以得到航道內(nèi)不同的經(jīng)度、緯度點(diǎn)對(duì)應(yīng)的水深數(shù)據(jù)，將得到的水深數(shù)據(jù)按照經(jīng)度、緯度值和航道的AIS數(shù)據(jù)進(jìn)行整合，從而將水深數(shù)據(jù)和AIS數(shù)據(jù)的動(dòng)態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)相結(jié)合.

1.3 AIS數(shù)據(jù)預(yù)處理

本設(shè)計(jì)通過(guò)小波分析對(duì)水AIS數(shù)據(jù)的異常數(shù)據(jù)進(jìn)行分析和檢測(cè).通過(guò)小波變換將AIS中的數(shù)據(jù)進(jìn)行多層分解，能夠?qū)Ω哳l和低頻部分進(jìn)行分別處理.在AIS數(shù)據(jù)中，由于信號(hào)傳輸過(guò)程受到干擾，或者信號(hào)中夾雜著噪聲等因素導(dǎo)致傳輸數(shù)據(jù)出現(xiàn)異常，這些異常數(shù)據(jù)一般存在于信號(hào)分解后的高頻部分，因此，異常檢測(cè)過(guò)程就是通過(guò)小波分析的方法，對(duì)高頻數(shù)據(jù)進(jìn)行處理，處理后的高頻數(shù)據(jù)和低頻數(shù)據(jù)進(jìn)行重構(gòu)，最終判斷異常數(shù)據(jù)出現(xiàn)的位置以及異常數(shù)據(jù)的個(gè)數(shù)，并且對(duì)異常數(shù)據(jù)根據(jù)不同情況采取數(shù)據(jù)清除或數(shù)據(jù)矯正，從而完成異常數(shù)據(jù)的檢測(cè)功能.

1.4 深度神經(jīng)網(wǎng)絡(luò)模型

輸入層進(jìn)行不同特征數(shù)據(jù)的輸入，隱含層的層數(shù)不定，根據(jù)不同的深度神經(jīng)網(wǎng)絡(luò)會(huì)采用不同層數(shù)的隱含層，輸出層進(jìn)行整個(gè)模型數(shù)據(jù)的輸出.每一層網(wǎng)絡(luò)之間通過(guò)節(jié)點(diǎn)進(jìn)行相互連接，不同的節(jié)點(diǎn)具有對(duì)應(yīng)的權(quán)重，用來(lái)表示節(jié)點(diǎn)與節(jié)點(diǎn)之間的關(guān)系.對(duì)于每層網(wǎng)絡(luò)來(lái)說(shuō)，激活函數(shù)用來(lái)進(jìn)行輸入數(shù)據(jù)的加權(quán)求和，目前常用的激活函數(shù)包括relu、sigmoid、tanh等[5].對(duì)于不同的輸入AIS數(shù)據(jù)x=(x1,x2,…,xn)來(lái)說(shuō)，深度神經(jīng)網(wǎng)絡(luò)的主要任務(wù)是要確定激活函數(shù)以及隱含層的層數(shù)，這對(duì)于網(wǎng)絡(luò)的性能提升具有重要的作用.

(1)

式中：fw,b為每一層網(wǎng)絡(luò)中的激活函數(shù)，可以表示該層網(wǎng)絡(luò)之前的所有加權(quán)求和的過(guò)程.對(duì)于l層網(wǎng)絡(luò)來(lái)說(shuō)，該過(guò)程可以表示為

(2)

式中：Nl為第l層網(wǎng)絡(luò)的節(jié)點(diǎn)個(gè)數(shù)；wl∈RNl×Nl-1和b∈R分別為通過(guò)學(xué)習(xí)得到的網(wǎng)絡(luò)權(quán)重和偏置.

構(gòu)建深度神經(jīng)網(wǎng)絡(luò)之前，首先要確定輸入AIS數(shù)據(jù)的參數(shù).Pearson相關(guān)系數(shù)是一種反應(yīng)變量之間相關(guān)程度的統(tǒng)計(jì)量，計(jì)算公式為

(3)

式中：r為相關(guān)系數(shù)；n為樣本個(gè)數(shù)；xi和yi為變量對(duì)應(yīng)的樣本值.

通過(guò)設(shè)置yi作為不同點(diǎn)的水深數(shù)據(jù)，分別選擇不同的輸入?yún)?shù)xi并計(jì)算得到相關(guān)系數(shù)ri，將ri進(jìn)行從大到小順序進(jìn)行排序，選擇前n個(gè)ri對(duì)應(yīng)的輸入?yún)?shù)xi作為深度神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，水深數(shù)據(jù)Di作為深度神經(jīng)網(wǎng)絡(luò)的輸出參數(shù).

以船舶吃水為例，通過(guò)計(jì)算相關(guān)系數(shù)ri，得到船舶吃水和航道水深的相關(guān)性見表1.

通過(guò)對(duì)所有的AIS數(shù)據(jù)特征屬性和航道水深之間進(jìn)行相關(guān)性分析，得到不同屬性的相關(guān)性系數(shù)ri，從而為深度神經(jīng)網(wǎng)絡(luò)提供合適的輸入特征參數(shù).

表1 船舶吃水和航道水深的相關(guān)性

注：在置信度(雙測(cè))為 0.01 時(shí)，相關(guān)性是顯著的.

設(shè)置深度神經(jīng)網(wǎng)絡(luò)的初試化結(jié)構(gòu)參數(shù)，通過(guò)迭代來(lái)不斷調(diào)整深度神經(jīng)網(wǎng)絡(luò)的權(quán)值wi和偏置θi，達(dá)到預(yù)測(cè)準(zhǔn)確率最大，此時(shí)的深度神經(jīng)網(wǎng)絡(luò)為最優(yōu).圖2為深度神經(jīng)網(wǎng)絡(luò)模型流程圖.

圖2 深度神經(jīng)網(wǎng)絡(luò)模型流程圖

(4)

對(duì)于整個(gè)區(qū)域的水深預(yù)測(cè)數(shù)據(jù)來(lái)說(shuō)，預(yù)測(cè)模型模型為

(5)

在該預(yù)測(cè)模型表達(dá)式中，n為不同的地理位置對(duì)應(yīng)的點(diǎn)，(a，b)為對(duì)應(yīng)的經(jīng)度和緯度.整個(gè)模型對(duì)于水深數(shù)據(jù)預(yù)測(cè)時(shí)，需要找到合適的稀疏矩陣作為網(wǎng)絡(luò)的自回歸模型.

在對(duì)大量的AIS數(shù)據(jù)進(jìn)行預(yù)處理和分析后，對(duì)于深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力最重要的就是找到最優(yōu)參數(shù)使得整個(gè)網(wǎng)絡(luò)的預(yù)測(cè)性能達(dá)到最佳.隨機(jī)梯度下降算法可以用來(lái)尋找最優(yōu)網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)的性能達(dá)到最優(yōu)水平.通過(guò)對(duì)AIS數(shù)據(jù)進(jìn)行訓(xùn)練后，網(wǎng)絡(luò)的各種參數(shù)范圍為

f∈{tanh(x),sigmoid(x),max(x,0)}

λ∈{10-4,10-2}

n∈{1,15}

Nl∈{1,200}n

(6)

整個(gè)深度神經(jīng)網(wǎng)絡(luò)模型將通過(guò)對(duì)大量的已知水深數(shù)據(jù)進(jìn)行學(xué)習(xí)，尋找最優(yōu)參數(shù)，構(gòu)建最終的水深預(yù)測(cè)模型.

1.5 DT-NN組合模型

預(yù)測(cè)水深的另一種方法是通過(guò)決策樹和深度神經(jīng)網(wǎng)絡(luò)組合模型對(duì)AIS數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過(guò)水深數(shù)據(jù)作為標(biāo)簽，劃定AIS數(shù)據(jù)分類標(biāo)準(zhǔn)，為水深數(shù)據(jù)預(yù)測(cè)建立模型.圖3為DT-NN組合模型結(jié)構(gòu)圖.其中決策樹上的每一個(gè)非葉子節(jié)點(diǎn)表示一個(gè)AIS數(shù)據(jù)特征屬性上的判斷，用來(lái)判斷葉子結(jié)點(diǎn)是否屬于某一范圍[6-7]，并對(duì)每個(gè)非葉子結(jié)點(diǎn)進(jìn)行>0的判斷.每個(gè)分支代表這個(gè)特征屬性在某個(gè)值域上的輸出，用來(lái)表示對(duì)應(yīng)判斷下的輸出值.通過(guò)對(duì)AIS數(shù)據(jù)中船舶靜態(tài)特征和動(dòng)態(tài)特征集合進(jìn)行決策樹判斷后，可以確定不同的特征對(duì)應(yīng)的信息增益，從而評(píng)判不同特征和預(yù)測(cè)變量之間的相關(guān)性.

圖3 DT-NN組合模型結(jié)構(gòu)

使用決策樹對(duì)AIS數(shù)據(jù)進(jìn)行最優(yōu)特征選擇的過(guò)程就是從決策樹的根節(jié)點(diǎn)開始，測(cè)試待分類項(xiàng)中相應(yīng)AIS數(shù)據(jù)對(duì)應(yīng)的特征屬性，并按照其值選擇輸出分支，直到到達(dá)葉子節(jié)點(diǎn)，將葉子節(jié)點(diǎn)存放的類別作為決策結(jié)果.使用決策樹模型對(duì)AIS數(shù)據(jù)進(jìn)行分類和預(yù)測(cè)時(shí)，根據(jù)輸入?yún)?shù)依次在各個(gè)判斷節(jié)點(diǎn)進(jìn)行相關(guān)特征屬性的判斷和移動(dòng)，最后到達(dá)葉子節(jié)點(diǎn)并建立本次決策樹的水深預(yù)測(cè)模型，從而為AIS數(shù)據(jù)和航道水深之間建立預(yù)測(cè)模型.

DT-NN決策樹-深度神經(jīng)網(wǎng)絡(luò)組合模型主要由兩部分組成.決策樹部分負(fù)責(zé)對(duì)AIS數(shù)據(jù)中靜態(tài)數(shù)據(jù)和動(dòng)態(tài)數(shù)據(jù)的不同特征進(jìn)行選擇，選取最優(yōu)特征.深度神經(jīng)網(wǎng)絡(luò)部分負(fù)責(zé)對(duì)最優(yōu)特征進(jìn)行處理，生成水深預(yù)測(cè)數(shù)據(jù).該模型的流程見圖4.

圖4 DT-NN組合結(jié)構(gòu)流程

對(duì)于整個(gè)AIS數(shù)據(jù)集的水深分類可以利用決策樹中的ID3算法，首先計(jì)算整個(gè)AIS數(shù)據(jù)訓(xùn)練集的信息熵，然后計(jì)算訓(xùn)練集按照不同的屬性進(jìn)行劃分的期望信息，當(dāng)期望信息最小的時(shí)候的信息增益最大，也就是說(shuō)決策樹的節(jié)點(diǎn)是以該屬性進(jìn)行分裂的，然后依次類推即可構(gòu)造特征選擇的決策樹.

計(jì)算每個(gè)特征的信息增益之后，可以選擇信息增益最大的前k個(gè)特征組成的集合(X1,X2,…,Xk)作為DT-NN模型選擇的最優(yōu)特征集合.經(jīng)過(guò)預(yù)處理后的AIS的特征包含了船舶靜態(tài)特征(a1,a2,…,an)和船舶動(dòng)態(tài)特征(b1,b2,…,bn).其中，船舶靜態(tài)特征包含的主要是船舶的靜態(tài)信息，如船舶吃水、船長(zhǎng)、船寬等數(shù)據(jù)，船舶動(dòng)態(tài)特征包含船舶運(yùn)動(dòng)過(guò)程中時(shí)刻變化的數(shù)據(jù)，如船舶對(duì)地航速、轉(zhuǎn)向率等數(shù)據(jù).通過(guò)對(duì)船舶靜態(tài)特征和動(dòng)態(tài)特征進(jìn)行信息增益的計(jì)算后，設(shè)置最優(yōu)特征參數(shù)個(gè)數(shù)為看，此時(shí)對(duì)船舶的靜態(tài)特征和動(dòng)態(tài)特征信息增益進(jìn)行從大到小的排序，選擇前k個(gè)船舶特征(c1,c2,…,ck)構(gòu)成最優(yōu)特征組合.選取最優(yōu)特征之后，通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型對(duì)水深進(jìn)行預(yù)測(cè)輸出.

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)中選擇中國(guó)南通港和防城港兩個(gè)航道的AIS數(shù)據(jù)進(jìn)行水深預(yù)測(cè)，通過(guò)水深數(shù)據(jù)獲取和AIS數(shù)據(jù)整合，得到兩個(gè)航道的水深和AIS數(shù)據(jù)結(jié)合的數(shù)據(jù)作為本次實(shí)驗(yàn)的數(shù)據(jù)來(lái)源， AIS大數(shù)據(jù)總量為105萬(wàn)條，70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，30%的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集.

2.2 實(shí)驗(yàn)結(jié)果

通過(guò)Spark Mllib的機(jī)器學(xué)習(xí)庫(kù)對(duì)兩個(gè)航道的AIS數(shù)據(jù)構(gòu)造深度神經(jīng)網(wǎng)絡(luò)模型，其中，輸入?yún)?shù)為AIS數(shù)據(jù)中的動(dòng)態(tài)數(shù)據(jù)部分的6個(gè)船舶屬性，包括船長(zhǎng)、船寬、航速、吃水、轉(zhuǎn)向率、船首向六個(gè)參數(shù).通過(guò)深度神經(jīng)網(wǎng)絡(luò)設(shè)置輸入?yún)?shù)和輸出參數(shù)，對(duì)深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行調(diào)整，分別記錄在不同的結(jié)構(gòu)參數(shù)下水深數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確性.表2為不同的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)下，深度神經(jīng)網(wǎng)絡(luò)模型對(duì)水深數(shù)據(jù)預(yù)測(cè)實(shí)驗(yàn)結(jié)果.

表2 深度神經(jīng)網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果

通過(guò)Spark Mllib的機(jī)器學(xué)習(xí)庫(kù)對(duì)兩個(gè)水域的數(shù)據(jù)構(gòu)造DT-NN模型，借助決策樹分類算法對(duì)水域水深數(shù)據(jù)進(jìn)行分類.因此，在實(shí)驗(yàn)之前需要對(duì)水域的水深數(shù)據(jù)進(jìn)行人為劃分，表3為水深數(shù)據(jù)分類表，將水域內(nèi)的水深數(shù)據(jù)共分為15類.在對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練之前，將訓(xùn)練的標(biāo)簽數(shù)據(jù)進(jìn)行標(biāo)號(hào).表4表示對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練后的預(yù)測(cè)結(jié)果.

表3 水深分類

表4 DT-NN模型實(shí)驗(yàn)結(jié)果

2.3 殘差分析

為了進(jìn)一步驗(yàn)證DT-NN組合模型的預(yù)測(cè)準(zhǔn)確性和模型的預(yù)測(cè)能力，通過(guò)對(duì)預(yù)測(cè)時(shí)和實(shí)際值進(jìn)行計(jì)算得到不同模型的殘差值.殘差值越小，說(shuō)明模型的預(yù)測(cè)能力越強(qiáng)，模型對(duì)于整個(gè)訓(xùn)練的數(shù)據(jù)進(jìn)行了充分的挖掘.通過(guò)兩個(gè)模型殘差值得到殘差分析圖，圖5為殘差分布圖和殘差統(tǒng)計(jì)直方圖.

圖5 DT-NN組合模型模型殘差分析圖

由圖5可知，殘差范圍整體上在0附近波動(dòng)，殘差統(tǒng)計(jì)直方圖基本符合正態(tài)分布，組合模型DT-NN模型的殘差在合理的范圍內(nèi).

2.4 模型性能分析

分別對(duì)深度神經(jīng)網(wǎng)絡(luò)模型和決策樹模型進(jìn)行比較分析，之后對(duì)模型進(jìn)行性能評(píng)判，選擇MSE作為衡量預(yù)測(cè)值和實(shí)際值偏差的指標(biāo)，反映模型的預(yù)測(cè)能力.選擇R2衡量模型對(duì)水深數(shù)據(jù)的預(yù)測(cè)和實(shí)際水深數(shù)據(jù)擬合程度.表5為兩個(gè)模型的性能比較分析.

表5 模型性能比較

由表5可知，模型的MSE值中，深度神經(jīng)網(wǎng)絡(luò)比組合模型DT-NN模型要高，深度網(wǎng)絡(luò)的R2值比DT-NN模型要低.因此，組合模型DT-NN模型比深度神經(jīng)網(wǎng)絡(luò)模型性能高.

2.5 預(yù)測(cè)結(jié)果分析

通過(guò)DT-NN組合模型對(duì)南通港水深進(jìn)行預(yù)測(cè)后，得到水深預(yù)測(cè)結(jié)果.南通港預(yù)測(cè)水深和實(shí)際水深的對(duì)比結(jié)果見圖6.

圖6 南通港水深預(yù)測(cè)對(duì)比圖

由圖6可知，組合模型的預(yù)測(cè)效果較好，除了個(gè)別淺灘等位置的水深數(shù)據(jù)存在誤差，總體上預(yù)測(cè)的準(zhǔn)確度較高，能夠比較準(zhǔn)確地反映出南通港的水深分布情況.

防城港水深預(yù)測(cè)和實(shí)際水深的對(duì)比結(jié)果見圖7.由圖7可知，經(jīng)過(guò)訓(xùn)練后的DT-NN組合模型在防城港段的水深預(yù)測(cè)結(jié)果具有較好的準(zhǔn)確性，預(yù)測(cè)水深和實(shí)際水深基本吻合，表明經(jīng)過(guò)訓(xùn)練的模型對(duì)于水深預(yù)測(cè)的準(zhǔn)確度較高，模型的預(yù)測(cè)基本沒(méi)有出現(xiàn)過(guò)擬合的狀態(tài)，能夠較好地完成未知航道的水深預(yù)測(cè).

圖7 防城港水深預(yù)測(cè)對(duì)比圖

2.6 討論

經(jīng)過(guò)兩種機(jī)器學(xué)習(xí)的模型對(duì)AIS數(shù)據(jù)進(jìn)行處理后，通過(guò)水深預(yù)測(cè)結(jié)果和預(yù)測(cè)性能進(jìn)行分析后可知，深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率和網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)關(guān)系較大，其中，當(dāng)深度神經(jīng)網(wǎng)絡(luò)層數(shù)為7，epoch為600時(shí)預(yù)測(cè)準(zhǔn)確率達(dá)到最大，此時(shí)網(wǎng)絡(luò)性能達(dá)到最佳，此時(shí)深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率為90.84%，在整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的范圍內(nèi)，深度神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率隨著網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整具有較大的提升空間.

DT-NN模型對(duì)水深數(shù)據(jù)進(jìn)行預(yù)測(cè)是基于劃分好的水深數(shù)據(jù)范圍，通過(guò)對(duì)AIS數(shù)據(jù)進(jìn)行處理后，生成最優(yōu)特征參數(shù)后結(jié)合深度神經(jīng)網(wǎng)絡(luò)對(duì)航道水深進(jìn)行預(yù)測(cè).通過(guò)水深區(qū)域的預(yù)測(cè)實(shí)驗(yàn)結(jié)果能夠得出，DT-NN對(duì)于水深預(yù)測(cè)的準(zhǔn)確率最高為91.15%，相比深度神經(jīng)網(wǎng)絡(luò)進(jìn)行相關(guān)性分析后選擇最優(yōu)特征，DT-NN通過(guò)和決策樹相結(jié)合，通過(guò)設(shè)置的k值選出最優(yōu)的特征組合，在一定程度上提高了水深預(yù)測(cè)的準(zhǔn)確率.

通過(guò)決策樹和深度神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對(duì)水深的預(yù)測(cè)能夠充分挖掘?qū)崟r(shí)的AIS信息，快速構(gòu)建水深預(yù)測(cè)模型.相比傳感器獲取水深數(shù)據(jù)的方法，DT-NN組合模型的方法更加實(shí)時(shí)，水深獲取范圍更廣，在船舶航行密集的區(qū)域采集到的AIS數(shù)據(jù)更多，水深預(yù)測(cè)模型更加準(zhǔn)確.

3 結(jié) 束 語(yǔ)

通過(guò)電子海圖中的水深數(shù)據(jù)和AIS數(shù)據(jù)結(jié)合，通過(guò)深度神經(jīng)網(wǎng)絡(luò)算法、DT-NN決策樹和深度神經(jīng)網(wǎng)絡(luò)組合模型算法對(duì)航道水深數(shù)據(jù)進(jìn)行預(yù)測(cè)，通過(guò)對(duì)兩種機(jī)器學(xué)習(xí)算法進(jìn)行分析后，可以得出，DT-NN組合模型對(duì)于水深預(yù)測(cè)的準(zhǔn)確率更高，能夠更高效地完成航道水深預(yù)測(cè).

然而，目前通過(guò)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行水深預(yù)測(cè)仍然存在參數(shù)過(guò)多的缺點(diǎn)，并且網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)對(duì)于深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力具有較大的影響，深度神經(jīng)網(wǎng)絡(luò)對(duì)于水深的預(yù)測(cè)方法仍然有很大的優(yōu)化空間，未來(lái)的研究中，將會(huì)擴(kuò)大水深數(shù)據(jù)源，優(yōu)化預(yù)測(cè)方法，可以考慮深度神經(jīng)網(wǎng)絡(luò)和結(jié)合大規(guī)模流數(shù)據(jù)進(jìn)行處理，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，并且引入可視化模塊，將預(yù)測(cè)到的水深數(shù)據(jù)進(jìn)行實(shí)時(shí)顯示，提高水上交通的安全性，為船舶航行提供參考.