劉成勇， 喬文杰， 陳蜀喆， 萬 一

(1.武漢理工大學(xué) 航運(yùn)學(xué)院， 武漢 430063； 2.湖北省內(nèi)河航運(yùn)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 武漢 430063)

隨著航運(yùn)業(yè)的迅速發(fā)展，內(nèi)河通航水域中持續(xù)面臨著如船舶交通密度增大、危險(xiǎn)貨物載量增加、水上交通管理難度增大等嚴(yán)峻挑戰(zhàn)，這些挑戰(zhàn)使得水域通航環(huán)境愈發(fā)復(fù)雜，是內(nèi)河航運(yùn)業(yè)保持可持續(xù)發(fā)展的潛在阻礙和難題。而安全可靠的船舶航跡預(yù)測(cè)能為內(nèi)河水上交通安全管理和船舶航行提供重要依據(jù)[1]，如Dejun提出基于船舶航跡預(yù)測(cè)的船舶碰撞避免方法[2]，即首先將目標(biāo)船和本船的實(shí)時(shí)數(shù)據(jù)進(jìn)行航跡預(yù)測(cè)，然后將預(yù)測(cè)結(jié)果應(yīng)用到船舶避碰中，以提前識(shí)別出船舶的危險(xiǎn)情況。內(nèi)河水上交通管理部門也能通過獲取船舶準(zhǔn)確有效的航跡預(yù)測(cè)數(shù)據(jù)，及時(shí)發(fā)現(xiàn)并處理船舶航行異常和不規(guī)范的問題，同時(shí)采取相應(yīng)的策略來提高內(nèi)河船舶通行的效率和安全?；贏IS數(shù)據(jù)的船舶航跡預(yù)測(cè)研究也是當(dāng)前內(nèi)河船舶交通流研究中的熱點(diǎn)，傳統(tǒng)統(tǒng)計(jì)理論研究方法的有如姜佰辰等提出了在傳統(tǒng)卡爾曼濾波理論的基礎(chǔ)上構(gòu)建多項(xiàng)式卡爾曼濾波器擬合非線性系統(tǒng)[3]，補(bǔ)償航跡定位數(shù)據(jù)信息缺失、更新較慢等問題，并基于經(jīng)緯度信息預(yù)測(cè)船舶運(yùn)動(dòng)軌跡，但此類模型對(duì)數(shù)據(jù)的質(zhì)量要求較高，且預(yù)測(cè)精度一般。隨著神經(jīng)網(wǎng)絡(luò)的廣泛使用，出現(xiàn)了如徐婷婷等使用經(jīng)度差、緯度差、船速和航向四個(gè)特征設(shè)計(jì)了基于三層BP神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)模型[4]，該模型訓(xùn)練預(yù)測(cè)后結(jié)果表明該算法預(yù)測(cè)精度高、算法耗時(shí)短、計(jì)算參數(shù)少，符合VTS對(duì)航跡預(yù)測(cè)的準(zhǔn)確、實(shí)時(shí)、通用性的要求，但此類模型隱藏層單元較少且較為直接，模型表達(dá)能力有限。而當(dāng)前大數(shù)據(jù)時(shí)代的到來和深度學(xué)習(xí)在各個(gè)領(lǐng)域的應(yīng)用，利用深度學(xué)習(xí)挖掘AIS數(shù)據(jù)的豐富交通特征信息來解決船舶航跡預(yù)測(cè)問題也取得了一定進(jìn)展，如權(quán)波等針對(duì)船舶航行軌跡多維度的特點(diǎn)以及對(duì)船舶軌跡預(yù)測(cè)的精確度和實(shí)時(shí)性的需求，基于AIS數(shù)據(jù)的航行軌跡特征，提出了循環(huán)神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶(RNN-LSTM)模型[5]，實(shí)驗(yàn)表明利用RNN-LSTM模型的預(yù)測(cè)方法具有精確度高、易實(shí)現(xiàn)的特點(diǎn)，并且與傳統(tǒng)處理方法相比，其在處理序列數(shù)據(jù)方面更具優(yōu)越性。

目前在船舶航跡預(yù)測(cè)問題上應(yīng)用效果相對(duì)較好的方法還是結(jié)合AIS數(shù)據(jù)的深度學(xué)習(xí)方法，但是依然存在一些精度和可靠性不足的問題，主要原因在于大多數(shù)模型挖掘船舶AIS數(shù)據(jù)信息的過程都較為孤立，并沒有考慮如自身船舶航行模式和其他船舶的交互影響等方面。

1 LSTM網(wǎng)絡(luò)及其傳播原理

1.1 LSTM網(wǎng)絡(luò)概述

在深度學(xué)習(xí)的典型模型中，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN)具有對(duì)大量離散時(shí)間序列數(shù)據(jù)處理的優(yōu)越性和獨(dú)特的上下時(shí)刻記憶功能，AIS數(shù)據(jù)及其包含的航跡特征也屬于上下時(shí)刻息息相關(guān)的離散時(shí)間序列。使用RNN神經(jīng)網(wǎng)絡(luò)結(jié)合航跡數(shù)據(jù)的關(guān)聯(lián)特性能充分挖掘數(shù)據(jù)內(nèi)部蘊(yùn)藏的信息，且將RNN的隱藏層替換為L(zhǎng)STM網(wǎng)絡(luò)單元后的航跡預(yù)測(cè)模型在實(shí)際運(yùn)用中也取到了較好的效果[5]。

常見的RNN展開后的結(jié)構(gòu)如圖1所示，由于循環(huán)神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中存在固有的梯度消失和梯度爆炸的問題[6-7]，一般將循環(huán)神經(jīng)網(wǎng)絡(luò)單元替換成LSTM網(wǎng)絡(luò)單元來解決上述問題，LSTM網(wǎng)絡(luò)展開傳遞過程如圖2所示，其主要解決方案是增加了單元狀態(tài)(Cell State)和各種門結(jié)構(gòu)來讓網(wǎng)絡(luò)在傳遞的過程中具備選擇性保留或遺忘某些信息的能力[8]。單元狀態(tài)相當(dāng)于傳輸相關(guān)信息的通路，讓信息在序列鏈中傳遞下去，這部分可看作是網(wǎng)絡(luò)的記憶。理論上，在序列處理過程中，單元狀態(tài)能一直攜帶著相關(guān)信息。因此，在較早時(shí)間步中獲得的信息也能傳輸?shù)捷^后時(shí)間步的單元中，這樣能減弱短期記憶的影響。而門結(jié)構(gòu)則是在網(wǎng)絡(luò)訓(xùn)練的過程中，決定是否存儲(chǔ)、刪除或更新某些信息，這取決于它賦予信息的重要性，而重要性的分配發(fā)生在算法學(xué)習(xí)到的權(quán)重上。

圖1 RNN展開后的結(jié)構(gòu)圖

如圖2所示，每個(gè)基本模塊具有兩條傳遞的主線，ct代表t時(shí)刻的單元狀態(tài)，ht代表t時(shí)刻的隱藏層輸出。在網(wǎng)絡(luò)傳遞的過程中，前一時(shí)刻單元狀態(tài)ct-1、隱藏層輸出ht-1和當(dāng)前時(shí)刻的輸入xt共同作為當(dāng)前時(shí)刻的輸入，然后輸出新的單元狀態(tài)ct和隱藏層輸出ht，如此反復(fù)遞歸下去。

圖2 LSTM網(wǎng)絡(luò)展開傳遞示意圖

1.2 LSTM傳播原理

1.2.1前向傳播過程

長(zhǎng)短期記憶網(wǎng)絡(luò)使用了三種門結(jié)構(gòu)實(shí)現(xiàn)了對(duì)單元狀態(tài)和隱藏層輸出的控制，達(dá)到對(duì)記憶信息的保存和新單元狀態(tài)和輸出的更新效果。這三種門分別是遺忘門(Forget gate)，輸入門(Input gate)和輸出門(Output gate)，共同對(duì)網(wǎng)絡(luò)的記憶信息和新的輸入信息起到了綜合調(diào)控的作用，其具體的網(wǎng)絡(luò)單元結(jié)構(gòu)如圖3所示。

圖3 LSTM具體網(wǎng)絡(luò)結(jié)構(gòu)單元圖

如圖3所示，其中ft、it、ot分別對(duì)應(yīng)遺忘門、輸入門和輸出門的結(jié)果，?、⊕分別表示連接部分相乘和相加。那么根據(jù)文獻(xiàn)[8]可知三個(gè)門結(jié)構(gòu)、更新后單元狀態(tài)和隱藏層值的計(jì)算分別如下：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

(3)

(4)

ot=σ(Wo·[ht-1,xt]+bo)

(5)

ht=ot⊙tanh(ct)

(6)

1.2.2反向傳播過程

(7)

(1-ot)](ht-1)T

(8)

2 基于LSTM的Encoder-Decoder模型框架

2.1 總體模型框架

本文的船舶航跡預(yù)測(cè)問題選取的輸入主要包括AIS報(bào)文信息里五個(gè)航跡相關(guān)參數(shù)，即輸入變量為船舶經(jīng)度(longitude，度)、緯度(latitude，度)、對(duì)地航速(SOG，節(jié)/小時(shí))、船首向(Head direction，度)和對(duì)地航向(COG，度)的多個(gè)時(shí)刻觀測(cè)序列值，預(yù)測(cè)輸出為船舶后續(xù)時(shí)刻位置的經(jīng)緯度序列。這可以看成一個(gè)典型的從序列到序列(seq2seq)的預(yù)測(cè)問題，在深度學(xué)習(xí)中現(xiàn)有的基于LSTM模塊單元的Encoder-Decoder模型常用于處理此類問題。如朱墨儒等[12]針對(duì)云計(jì)算的負(fù)載變化兼有短期動(dòng)態(tài)不確定性與長(zhǎng)期統(tǒng)計(jì)規(guī)律的穩(wěn)定性，利用經(jīng)過改進(jìn)的Seq2seq模型并通過采集一段時(shí)間內(nèi)的歷史負(fù)載信息，對(duì)負(fù)載時(shí)間序列數(shù)據(jù)進(jìn)行建模后實(shí)現(xiàn)了較為準(zhǔn)確的未來一段時(shí)間的負(fù)載預(yù)測(cè)。那么結(jié)合本文的實(shí)際研究，將該模型應(yīng)用到航跡預(yù)測(cè)問題可得到基于LSTM的編碼-解碼航跡預(yù)測(cè)模型基本框架，如圖4所示。

圖4 基于LSTM編碼-解碼模型的船舶航跡預(yù)測(cè)基本框架

2.2 LSTM編碼過程

在LSTM編碼器部分，每個(gè)LSTM模塊接受上一時(shí)刻船舶航跡的隱藏層表示和當(dāng)前時(shí)刻輸入的該船舶的航跡參數(shù)，根據(jù)這兩部分的輸入通過非線性變換再計(jì)算出當(dāng)前時(shí)刻該船舶航跡序列的隱藏層表示，如式(9)所示：

ht=σ(ht-1,xt)

(9)

其中σ為非線性變換函數(shù)，在通過所有的輸入循環(huán)單元后，獲得了所有輸入時(shí)刻的隱藏層表示，將每個(gè)隱藏層的信息匯聚生成了最后的上下文向量C，其中q為某種非線性函數(shù)，由圖4可知，此時(shí)的C即為輸入層最后一層的隱藏層輸出ht，整個(gè)的編碼過程可以總結(jié)如式(10)：

C=LSTM(x1,x2,…,xτ)

(10)

輸入的航跡序列經(jīng)過編碼器映射成上下文向量C，這個(gè)固定長(zhǎng)度的上下文向量可以看作是編碼器到解碼器的信息媒介，避免了序列數(shù)據(jù)的長(zhǎng)度限制。通過編碼器對(duì)船舶的航跡序列數(shù)據(jù)進(jìn)行特征提取，學(xué)習(xí)了航跡數(shù)據(jù)里蘊(yùn)藏的船舶潛在運(yùn)動(dòng)模式，為解碼器預(yù)測(cè)船舶后續(xù)時(shí)刻的位置提供了有效的信息。

2.3 LSTM解碼過程

在LSTM解碼器部分，解碼器在每個(gè)輸出時(shí)刻也接收兩個(gè)輸入，分別是通過編碼器生成的上下文向量C和已經(jīng)生成的輸出序列，這兩部分經(jīng)過非線性變換后輸出船舶的下一個(gè)可能的位置，預(yù)測(cè)輸出過程表示為如式(11)所示：

(11)

f為解碼器的LSTM循環(huán)單元，解碼器的生成序列實(shí)際上就是把聯(lián)合概率分解為按順序生成的條件概率，由于解碼器每一時(shí)刻的相互連接，解碼器每一時(shí)刻的輸出具體可以表示為由隱藏層和上下文向量C表示，如式(12)所示:

(12)

其中g(shù)為輸出概率的非線性變換函數(shù)，st-1為解碼器t-1時(shí)刻的隱藏層表示。

解碼器每次預(yù)測(cè)船舶后續(xù)時(shí)刻的位置時(shí)，能夠利用上一時(shí)刻的預(yù)測(cè)信息和基于編碼器對(duì)輸入航跡序列信息提取后得到的上下文向量C，通過LSTM前向和反向傳播的學(xué)習(xí)能力，模型能夠?qū)W習(xí)到目標(biāo)輸出與這兩種信息之間的非線性映射關(guān)系，并將映射關(guān)系的結(jié)果解碼得到后續(xù)時(shí)刻船舶的位置信息輸出，即為基于LSTM編碼-解碼的船舶航跡預(yù)測(cè)過程。

3 Atten-LSTM船舶航跡預(yù)測(cè)模型構(gòu)建

在解決seq2seq問題的Encoder-Decoder模型時(shí)，往往將模型預(yù)測(cè)輸出和深度學(xué)習(xí)中的注意力機(jī)制結(jié)合起來。大量研究工作表明，注意力機(jī)制的引入確實(shí)能較大程度上提高seq2seq模型預(yù)測(cè)輸出的準(zhǔn)確率[13]。與人的注意力機(jī)制類似，深度學(xué)習(xí)的注意力機(jī)制的本質(zhì)上是一種對(duì)信息的加權(quán)方案，根據(jù)任務(wù)的需求讓神經(jīng)網(wǎng)絡(luò)選擇特定的輸入，依據(jù)輸入對(duì)結(jié)果的重要程度分配不同的權(quán)重，讓神經(jīng)網(wǎng)絡(luò)在做出預(yù)測(cè)時(shí)更加合理的運(yùn)用信息的來源，基于此本文主要從船舶航行模式的時(shí)間和空間兩個(gè)維度對(duì)注意力機(jī)制進(jìn)行模型構(gòu)建。

3.1 時(shí)間注意力機(jī)制

在基于LSTM的編碼-解碼航跡預(yù)測(cè)模型中使用的是由輸入生成的固定的上下文向量C，由于向量長(zhǎng)度有限，難以概括整個(gè)航跡序列的信息，且在LSTM中先輸入的信息會(huì)被后輸入的內(nèi)容稀釋掉，于是隨著輸入序列的變長(zhǎng)，這種固定的上下文向量C越來越不能體現(xiàn)航跡數(shù)據(jù)中的真實(shí)信息。另外真實(shí)場(chǎng)景下船舶的航行模式也是隨時(shí)間動(dòng)態(tài)變化的，僅依靠固定的上下文向量C無法區(qū)分輸出序列和輸入序列的隱藏層之間跨時(shí)間步的相關(guān)性程度。因此，在基礎(chǔ)的編碼-解碼船舶航跡預(yù)測(cè)模型中需要引入每艘船舶對(duì)自身歷史航跡的時(shí)間注意力機(jī)制，自動(dòng)學(xué)習(xí)出其解碼器與編碼器產(chǎn)生的各隱藏向量的相關(guān)性。這里以第i艘船為例，使用時(shí)間注意力機(jī)制計(jì)算生成船舶航的位置序列的迭代過程則如式(13)所示：

(13)

(14)

圖5 模擬船舶自身航行模式的注意力機(jī)制示意圖

3.2 空間注意力機(jī)制

除了引入對(duì)自身航跡的時(shí)間注意力機(jī)制外，還要考慮船舶航行環(huán)境中船與船的交互作用對(duì)船舶航跡的影響。考慮到在預(yù)測(cè)自身船舶的航跡時(shí)也需要對(duì)其他周圍船舶的航行模式做出觀察和判斷，模型就需要利用其他周圍船舶航跡數(shù)據(jù)的上下文向量所攜帶的信息，并能夠與該上下文向量之間建立聯(lián)系。另外，每艘船舶的航行狀態(tài)會(huì)隨著時(shí)間不斷發(fā)生變化，對(duì)任意一艘自身船舶而言，其他的船舶的航行狀態(tài)都會(huì)對(duì)其未來時(shí)刻航跡產(chǎn)生不同的影響。因此，模型需要計(jì)算出船舶對(duì)周圍其他船舶的關(guān)注程度，即航行過程中的空間注意力機(jī)制調(diào)整。

(15)

圖6 模擬船舶交互作用的注意力機(jī)制示意圖

實(shí)現(xiàn)了基于LSTM的編碼-解碼航跡預(yù)測(cè)模型中的注意力機(jī)制后，對(duì)于模型輸出采取如下方式：即本船i在預(yù)測(cè)時(shí)刻t出現(xiàn)在某個(gè)位置的概率服從二維高斯分布，再根據(jù)極大似然估計(jì)，可得到模型的總體損失函數(shù)則為船舶真實(shí)位置概率密度值的交叉熵?fù)p失函數(shù)，這樣模型訓(xùn)練的過程中便可以通過誤差隨時(shí)間的反向傳播和梯度下降可以學(xué)習(xí)到所有的參數(shù)值，總體的Atten-LSTM模型構(gòu)建完成。

4 模型驗(yàn)證及結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境和評(píng)價(jià)指標(biāo)

本文的主要開發(fā)語言為python3.7版本，實(shí)驗(yàn)平臺(tái)使用基于tensorflow1.8版本的上層框架Keras。實(shí)驗(yàn)研究數(shù)據(jù)主要來源于海事管理機(jī)構(gòu)，主要選取了長(zhǎng)江干線武漢段船舶正常航行的航跡數(shù)據(jù)，每條船舶選取約400條航跡數(shù)據(jù)，每條數(shù)據(jù)采樣間隔為2分鐘。首先對(duì)原始數(shù)據(jù)中的錯(cuò)誤數(shù)據(jù)進(jìn)行剔除和缺失數(shù)據(jù)進(jìn)行同類均值插補(bǔ)，再對(duì)船舶經(jīng)度、維度、航速、航首相和對(duì)地航向五個(gè)維度進(jìn)行min-max歸一化處理，之后對(duì)航跡數(shù)據(jù)進(jìn)行訓(xùn)練集和測(cè)試集的劃分，其中30%作為測(cè)試集，70%的數(shù)據(jù)作為訓(xùn)練集，將訓(xùn)練集分為十等份，輪流將其中九份作為訓(xùn)練，一份用來測(cè)試評(píng)估，即采用十折交叉驗(yàn)證的策略訓(xùn)練模式。模型的評(píng)價(jià)指標(biāo)選取常用的絕對(duì)值平均誤差(MAE)和均方根誤差(RMSE)兩個(gè)標(biāo)準(zhǔn)，其值越小代表模型準(zhǔn)確度越高。兩者基本的計(jì)算方法如式(16)和(17)所示：

(16)

(17)

4.2 模型參數(shù)設(shè)置

對(duì)于本文的Atten-LSTM預(yù)測(cè)模型參數(shù)設(shè)置，其嵌入層維度為64，隱藏層維度設(shè)為128，訓(xùn)練中的優(yōu)化器選用Adam優(yōu)化器，訓(xùn)練周期(epoch)設(shè)為200，如果損失經(jīng)過400個(gè)批次都沒有減少，就可以減少訓(xùn)練的epoch[17]。網(wǎng)絡(luò)學(xué)習(xí)率初始值設(shè)為0.002，每一個(gè)訓(xùn)練周期的學(xué)習(xí)率自適應(yīng)降低，學(xué)習(xí)率的逐步降低有利于網(wǎng)絡(luò)收斂于更優(yōu)的結(jié)果。為防止網(wǎng)絡(luò)模型出現(xiàn)梯度爆炸的現(xiàn)象，模型采用梯度修剪(Gradient clipping)將誤差反向傳播的梯度控制在5和-5之間。同時(shí)考慮預(yù)測(cè)值的實(shí)際應(yīng)用與參考價(jià)值，將輸出定為未來5個(gè)時(shí)刻的經(jīng)緯度值，即輸出steps為5。對(duì)于輸入層的時(shí)刻數(shù)，對(duì)多個(gè)不同輸入steps進(jìn)行實(shí)驗(yàn)對(duì)比分析誤差進(jìn)行選取。以MMSI編號(hào)413963521的貨船的航跡數(shù)據(jù)為本船，通過坐標(biāo)距離計(jì)算獲取周圍6海里的他船，確定船舶后帶入Atten-LSTM模型中對(duì)本船進(jìn)行訓(xùn)練后得到后續(xù)時(shí)刻的預(yù)測(cè)，則實(shí)驗(yàn)過程中不同輸入steps帶入模型對(duì)應(yīng)的MAE和RMSE得分見圖7所示。

圖7 輸入層不同steps對(duì)應(yīng)的RMSE和MAE值

由圖7可以看出，不同的輸入層steps對(duì)網(wǎng)絡(luò)模型精度有著一定影響，模型網(wǎng)絡(luò)在輸入層steps為6的時(shí)候達(dá)到最小，因此本文的Atten-LSTM模型的輸入層steps確定為6，輸入數(shù)據(jù)的維度為6×5的矩陣。

4.3 實(shí)驗(yàn)結(jié)果分析

對(duì)實(shí)驗(yàn)環(huán)境和網(wǎng)絡(luò)參數(shù)的設(shè)定后，使用船舶安全航行條件下的完整數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練擬合，并根據(jù)指定的優(yōu)化算法和損失函數(shù)進(jìn)行網(wǎng)絡(luò)優(yōu)化。訓(xùn)練結(jié)束后使用測(cè)試集模型進(jìn)行遞歸預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差分析和精準(zhǔn)度比較，航跡預(yù)測(cè)結(jié)果以三維航跡預(yù)測(cè)圖和經(jīng)緯度二維軌跡圖進(jìn)行顯示。以MMSI為413963521的航跡較為平穩(wěn)的貨船為例，圖中橫坐標(biāo)為數(shù)據(jù)的時(shí)間點(diǎn)，每個(gè)時(shí)間點(diǎn)間隔2分鐘，縱坐標(biāo)為經(jīng)緯度值。

如圖8和圖9所示，該貨船在Atten-LSTM模型的訓(xùn)練集和測(cè)試集上的預(yù)測(cè)結(jié)果良好，航跡經(jīng)緯度的預(yù)測(cè)結(jié)果也相對(duì)準(zhǔn)確，一方面說明網(wǎng)絡(luò)模型未出現(xiàn)過擬合的狀況，也說明該模型能較好的處理航跡預(yù)測(cè)的問題。此外，為更好的量化評(píng)定模型預(yù)測(cè)結(jié)果的準(zhǔn)確性，本文選擇幾種不同類型的船舶進(jìn)行統(tǒng)計(jì)分析，計(jì)算出對(duì)應(yīng)船舶預(yù)測(cè)結(jié)果的RMSE和MAE及其平均值，如表1所示。

圖8 MMSI為413963521的貨船航跡預(yù)測(cè)圖

圖9 MMSI為413963521的經(jīng)緯度預(yù)測(cè)圖

為進(jìn)一步驗(yàn)證該模型相對(duì)于其他模型在航跡預(yù)測(cè)精準(zhǔn)度上的優(yōu)勢(shì)，選取在航跡預(yù)測(cè)方面取得不錯(cuò)應(yīng)用效果的GA-BP和LSTM兩個(gè)預(yù)測(cè)模型與Atten-LSTM模型進(jìn)行預(yù)測(cè)精準(zhǔn)度比較，以MMSI為413963521的貨船為例，其預(yù)測(cè)效果對(duì)比如圖10和圖11所示。

表1 不同類型船舶對(duì)應(yīng)的預(yù)測(cè)誤差值

圖10 三種模型的航跡預(yù)測(cè)結(jié)果對(duì)比圖

由上圖10和圖11可以看出，Atten-LSTM模型和原始航跡的擬合的最為貼近，即船舶安全航行情況下其預(yù)測(cè)航跡的精準(zhǔn)度最高，其次是LSTM模型也取得不錯(cuò)的預(yù)測(cè)效果，GA-BP的預(yù)測(cè)方法在三者中誤差最高。下面同樣以RMSE和MAE作為預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)，列出三種模型在相同數(shù)據(jù)條件下的預(yù)測(cè)誤差量化統(tǒng)計(jì)表，如表2所示。

表2 三種不同預(yù)測(cè)模型的誤差值

如表2所示，Atten-LSTM模型的誤差得分相對(duì)于其他兩種模型確實(shí)最低，體現(xiàn)出該模型在船舶的預(yù)測(cè)航跡相對(duì)其他模型具有更高的準(zhǔn)確度。

5 結(jié)束語

本文從內(nèi)河水域船舶航跡預(yù)測(cè)的角度出發(fā)，以蘊(yùn)含船舶航行信息的AIS數(shù)據(jù)為切入點(diǎn)，分析了從輸入船舶航跡相關(guān)的特征維度序列到預(yù)測(cè)輸出為經(jīng)緯度位置序列的seq2seq問題，提出了一種基于LSTM與注意力機(jī)制的Atten-LSTM航跡預(yù)測(cè)模型。該模型以基于LSTM的Encoder-Decoder的航跡預(yù)測(cè)模型為基本框架，應(yīng)用注意力機(jī)制模擬了船舶在航行過程船舶自身航行模式和船舶交互影響對(duì)航跡預(yù)測(cè)的影響。相關(guān)實(shí)驗(yàn)表明了Atten-LSTM模型在安全航行條件下具有較高的預(yù)測(cè)精度，該模型在航跡預(yù)測(cè)問題上體現(xiàn)出較好的適用性和可靠性。由于船舶航跡預(yù)測(cè)問題的復(fù)雜性，下一步需考慮船舶航跡異常時(shí)該模型的表現(xiàn)，而Atten-LSTM模型中的注意力機(jī)制在一定層面上就是對(duì)船員注意力機(jī)制在數(shù)據(jù)層次上的體現(xiàn)，可進(jìn)一步研究該模型是否對(duì)船舶異常航跡起到糾正和規(guī)避船舶碰撞等潛在作用。