王珊珊 梁同樂

（1、廣東輕工職業(yè)技術學院 信息技術學院，廣東 廣州510300 2、廣東郵電職業(yè)技術學院 計算機學院，廣東 廣州510630）

為了研究性能更好的船舶航跡智能預測方法，傳統(tǒng)方法一以參考文獻[1]的研究內容，提出一個基于接收信號強度指示的測量定位技術。該方法利用神經網絡GRNN 快速訓練稀疏數據集，然后利用卡爾曼濾波KF 修正預測目標[1]。傳統(tǒng)方法二則以文獻[2]提出的觀點為創(chuàng)新，將信息序列值作為神經網絡輸入向量，采用一種中心導航濾波器，集中處理所有通道的預測信息，實現對船舶航跡的自動化預測[2]。此次研究在上述兩種傳統(tǒng)方法的基礎上，提出基于大數據的船舶航跡智能預測研究方法。

1 基于大數據的船舶航跡智能預測方法

1.1 船舶運動和水動力分析

將船舶的航行運動看成一個剛體運動，不考慮橫縱搖和垂蕩運動，計算方程式為：

公式中：g 表示船舶的質量；gx、gy表示船舶在x 軸和y 軸方向的附加質量；α 表示船舶縱蕩速度；β 表示船舶橫蕩速度；γ 表示船舶艏搖角速度；X1、Y1分別表示x 軸和y 軸方向的推力；Ni表示推力矩；X2、Y2分別表示不同方向的水動力；N2表示水動力矩；X3、Y3表示不同方向的環(huán)境干擾力；N3表示環(huán)境干擾力矩；K1、K2分別表示橫搖附加慣性矩和附加慣性矩。根據上述計算過程，實現對船舶運動和水動力的分析。

1.2 基于大數據構建船舶航跡智能跟蹤模型

根據大數據體量大、類型多等基本特征，構建船舶航跡智能跟蹤模型。已知長短期記憶人工神經網絡LSTM是基于時間序列數據的，因此利用解析后特征數據里的時間間隔，表示輸入序列中軌跡點之間的時間間隔，保證船舶軌跡時刻的對應性，下列公式為t 時刻下軌跡特征的表達式：

同樣采用離差標準化方法，對船舶航跡特征大數據進行歸一化預處理，使得到的數據符合實際范圍和意義。此次構建的模型神經網絡，加入了時序的概念，擴充了處理單位。因此通過該模型將神經網絡的橫向操作，視為已發(fā)生的事。在訓練過程中，LSTM模型的記憶模塊，實現對艦船航跡的智能跟蹤[3]。因此采用經驗公式確定估值，并將其作為初始值進行試湊，選擇識別誤差最小的值作為長短期記憶人工神經網絡LSTM模型的節(jié)點數，至此在大數據特征下，實現對船舶航跡智能跟蹤模型的構建。

1.3 自適應預測算法獲取船舶航跡

利用構建的模型跟蹤目標數據時，需要鑒定某一時刻測量數據集與其他時刻測量數據集之間的關系，同時分析這兩個數據集合，是否屬于同一目標的確認結果。因此采用改進后的自適應預測算法，獲取船舶航跡。該算法首先利用殘差分析模型跟蹤結果和實際值之間的融合度；然后利用協方差匹配技術修正跟蹤參數，解決噪聲干擾問題；最后在一個預測周期內，加入模型的極限約束條件，預測模型追蹤下，預測船舶的下一時刻運動區(qū)域，至此實現基于大數據的船舶航跡智能預測方法。

2 實驗

實驗模擬某一地區(qū)的海域特征，根據某一船舶的基本結構參數和動力參數，搭建仿真實驗測試環(huán)境，將此次提出的預測方法作為實驗A 組，將兩組傳統(tǒng)預測方法，分別作為實驗B 組和實驗C 組，通過仿真測試環(huán)境構建的仿真場景，對比三組預測方法的性能。

表1 最優(yōu)經度估計誤差統(tǒng)計結果（°/×10-5）

表2 最優(yōu)緯度估計誤差統(tǒng)計結果（°/×10-5）

保證實驗測試條件一致，分別利用三個測試組對該航行軌跡進行預測，表1 與表2 中的數據，分別為不同方法應用下，最優(yōu)經度估計誤差和最優(yōu)緯度估計誤差的統(tǒng)計結果。

根據表1 和表2 中的統(tǒng)計結果可知，實驗A 組的預測精度更高一些，這是因為改進的自適應算法在預測船舶航跡時，對存在噪聲干擾的信號進行了修正，使基于大數據的跟蹤模型，能夠反饋更加真實的跟蹤數據，從而使自適應算法獲得更為精準的預測結果。證明了此次提出的船舶航跡智能預測方法，更加適用于艦船航行軌跡預測。

綜合上述測試結果來看，此次提出的預測方法，有更好的航跡預測效果。

結束語

此次提出的智能預測方法，對船舶航行過程中的特征進行了詳細分析，結合大數據自身的特征，實現了對船舶航跡的智能預測，同時根據實驗測試結果，論證了此次研究預測方法的性能更佳。但此次進行的實驗測試次數還不夠，將該方法應用到實際測試環(huán)境中時，發(fā)現該方法預測航跡時的連續(xù)性不足，當航行環(huán)境極為復雜時，會出現無預測結果和預測時間過長的現象。因此在今后的工作中，可以對預測質量和響應時間進行調整，進一步優(yōu)化此次研究的預測方法。