李 永，成夢(mèng)雅

(北京工業(yè)大學(xué) 信息學(xué)部，北京 100124)

0 引 言

互聯(lián)網(wǎng)時(shí)代的飛速發(fā)展，海洋中的船舶越來越多，但是在某些港口或者海域，部分航道面臨著堵塞困難。船舶在海上航行，精準(zhǔn)的定位不僅決定了船舶航行的工作效率，還關(guān)乎船舶行駛的安全。為了解決此問題，對(duì)船舶航跡進(jìn)行預(yù)測(cè)是十分必要的。航跡預(yù)測(cè)，簡(jiǎn)單來說，就是推算將來時(shí)刻的船舶所在的位置。船舶行駛的距離與所花費(fèi)的實(shí)際時(shí)間在船舶速度一定的情況下是成正比的，因此位置預(yù)測(cè)可分為長(zhǎng)距離預(yù)測(cè)與短距離預(yù)測(cè)，或者稱為長(zhǎng)時(shí)預(yù)測(cè)與短時(shí)預(yù)測(cè)[1]。船舶在遠(yuǎn)洋時(shí)，它需要很長(zhǎng)的時(shí)間才能達(dá)到目的地并保持穩(wěn)定的運(yùn)動(dòng)，所以比較適合于長(zhǎng)時(shí)預(yù)測(cè)。短時(shí)船舶預(yù)測(cè)更容易達(dá)到實(shí)際應(yīng)用所需的精度，因?yàn)轭A(yù)測(cè)時(shí)間短，并且可以始終根據(jù)目標(biāo)位置報(bào)文和雷達(dá)監(jiān)視數(shù)據(jù)校正預(yù)測(cè)結(jié)果[2]。

航跡預(yù)測(cè)是人們給出的一種預(yù)測(cè)概念，用于判斷未來的交通流量。軌跡預(yù)測(cè)可根據(jù)基本功能分為時(shí)間預(yù)測(cè)和位置預(yù)測(cè)。時(shí)間預(yù)測(cè)顧名思義就是在能確保船舶穩(wěn)定運(yùn)動(dòng)并且知道軌跡點(diǎn)的情況下，可以根據(jù)行駛時(shí)間長(zhǎng)度預(yù)測(cè)出到達(dá)的位置數(shù)據(jù)。該算法的基本原理可以利用動(dòng)能定理解決，例如飛機(jī)、火車和輪船的預(yù)計(jì)到達(dá)時(shí)間等。位置預(yù)測(cè)是指經(jīng)過一定距離或一定時(shí)間后，求出抵達(dá)點(diǎn)的位置數(shù)據(jù)。不需要通過實(shí)物參與就能通過純理論推算達(dá)到預(yù)測(cè)的目的，因此實(shí)驗(yàn)成本大大節(jié)約了。

同時(shí)預(yù)測(cè)還是一種防范行為，當(dāng)預(yù)測(cè)結(jié)果不在意料中時(shí)，放棄該結(jié)果，防止預(yù)測(cè)結(jié)果的發(fā)生。例如車輛擁堵的預(yù)測(cè)等[3]。但是在預(yù)測(cè)的過程中也會(huì)出現(xiàn)許多問題，船舶數(shù)據(jù)量越來越大，對(duì)數(shù)據(jù)管理和應(yīng)用提出了新的挑戰(zhàn)[4-6]。同時(shí)具有時(shí)空性的數(shù)據(jù)，為了實(shí)現(xiàn)更為準(zhǔn)確的分析在數(shù)據(jù)查詢和正確處理方面增加了難度。數(shù)據(jù)的稀疏性，航跡數(shù)據(jù)具有一定的規(guī)模，數(shù)據(jù)的稀疏性仍不可避免，一些船舶在其他海域的數(shù)據(jù)較少，在某個(gè)海域比較多，對(duì)于船舶軌跡來說，如果采樣率較低，相距較遠(yuǎn)的兩個(gè)軌跡點(diǎn)也會(huì)增加軌跡數(shù)據(jù)的不確定性[7]。船舶的航行勢(shì)必會(huì)受風(fēng)向、氣流、海浪等外界不可控因素的影響。除了船舶本身，外力在船舶的作用力的大小以及怎么作用，第三方很難知曉[8]。總之，航跡預(yù)測(cè)是難點(diǎn)也是熱點(diǎn)。

根據(jù)對(duì)船舶領(lǐng)域當(dāng)前軌跡的預(yù)測(cè)，文獻(xiàn)[9]使用卡爾曼濾波算法，通過最小二乘方法估計(jì)自動(dòng)檢測(cè)網(wǎng)絡(luò)系統(tǒng)的觀測(cè)數(shù)據(jù)。獲得船舶的平滑運(yùn)動(dòng)路徑。文獻(xiàn)[10]將改進(jìn)的卡爾曼濾波算法應(yīng)用于船舶的運(yùn)動(dòng)軌跡中。2015年，徐婷婷等人提出了一個(gè)基于三層BP神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)模型，實(shí)現(xiàn)了船舶航跡預(yù)測(cè)[11]。除了BP神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波之類的算法外，還有使用機(jī)器學(xué)習(xí)的軌跡預(yù)測(cè)方法，例如聚類方法、函數(shù)回歸方法和徑向基的神經(jīng)網(wǎng)絡(luò)等[12-14]。研究者高陽在其碩士論文中給出利用聚類的方法做飛機(jī)的航跡預(yù)測(cè)[15]。

文獻(xiàn)[16]運(yùn)用支持向量機(jī)模型對(duì)橋區(qū)河流失控的船的航跡展開預(yù)測(cè)。通過建立運(yùn)動(dòng)目標(biāo)的數(shù)學(xué)模型[17]，考慮運(yùn)動(dòng)目標(biāo)的方向和速度，然后調(diào)整運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方程來實(shí)現(xiàn)對(duì)船舶位置的預(yù)測(cè)。文獻(xiàn)[18]針對(duì)歷史軌跡數(shù)量有限時(shí)導(dǎo)致傳統(tǒng)軌跡預(yù)測(cè)方法精度較低的問題，提出了一種改進(jìn)的貝葉斯推理(MBI)方法。MBI為了獲得更準(zhǔn)確的馬爾可夫模型結(jié)合對(duì)歷史軌跡進(jìn)行分解而構(gòu)造了一個(gè)馬爾可夫模型來量化相鄰位置。然后提出了TPMO軌跡算法。由于該算法的訓(xùn)練過程為了對(duì)軌跡進(jìn)行聚類，不僅需要使用熱點(diǎn)區(qū)域挖掘算法，而且需要建立具有連續(xù)軌跡時(shí)間的貝葉斯網(wǎng)絡(luò)，這是非常消耗時(shí)間成本的[19]。

近些年來，在很多領(lǐng)域深度學(xué)習(xí)被廣泛應(yīng)用，神經(jīng)網(wǎng)絡(luò)的特征是使用一組已知的訓(xùn)練樣本集來構(gòu)建從輸入到輸出的映射。它主要是根據(jù)時(shí)間序列數(shù)據(jù)將歷史行駛軌跡坐標(biāo)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，映射出歷史軌跡點(diǎn)與預(yù)測(cè)軌跡點(diǎn)之間的關(guān)系，然后通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)船舶運(yùn)動(dòng)規(guī)律。

深度學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)也被稱為誤差逆向傳播算法，是至今神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中較為成功的。它幾乎可以逼近任意非線性模型[11-12]。但是BP神經(jīng)網(wǎng)絡(luò)的問題就是信息內(nèi)容傳遞是單向的即從輸入到輸出這個(gè)方向。這樣的網(wǎng)絡(luò)模型具有便于訓(xùn)練和簡(jiǎn)單的優(yōu)點(diǎn)，但是它的缺點(diǎn)是不能考慮時(shí)間前后的輸入或輸出對(duì)結(jié)果造成的影響。所以考慮到BP神經(jīng)網(wǎng)絡(luò)不能記憶的問題，于是科學(xué)家提出了循環(huán)神經(jīng)網(wǎng)絡(luò)，此時(shí)的輸入和上一時(shí)刻的輸出信息都要考慮作為輸入，從而形成一個(gè)環(huán)路神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)來說，它們的每一個(gè)隱藏層的神經(jīng)元中不但包括上一個(gè)時(shí)刻殘留的信息，同時(shí)也包括當(dāng)前的輸入信息的內(nèi)容，對(duì)于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)具備較大的優(yōu)勢(shì)，然而循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)間隔太遠(yuǎn)的歷史信息很不容易記憶，一般在訓(xùn)練過程中超過幾步就有可能產(chǎn)生梯度消失的現(xiàn)象。

為解決此問題，LSTM被提出，它的記憶方式很特殊，不會(huì)只是將以前梯度較大的記憶抹除，因而解決了梯度消失的問題。LSTM的隱藏層除記憶單元也多了三個(gè)控制門：輸入門、遺忘門、輸出門。分別完成對(duì)時(shí)間序列數(shù)據(jù)的載入、讀取以及重置操作。遺忘門負(fù)責(zé)從細(xì)胞單元狀態(tài)中忘記信息，這可以優(yōu)化長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)的性能。輸入門負(fù)責(zé)添加信息到單元狀態(tài)，它可以控制重要而不冗余的輸入信息。負(fù)責(zé)單元狀態(tài)的輸出則由輸出門控制。通過這些“門”的結(jié)構(gòu)，LSTM可以解決長(zhǎng)期記憶的問題，有效地增加記憶的長(zhǎng)度，并適合于處理長(zhǎng)序列問題[20-21]。文中研究將船舶特有的軌跡特征與時(shí)間序列相結(jié)合，使用基于深度學(xué)習(xí)的LSTM模型，觀察LSTM模型學(xué)習(xí)時(shí)間序列數(shù)據(jù)帶來的隱含船舶運(yùn)動(dòng)規(guī)律。

1 模型結(jié)構(gòu)

隨著深度學(xué)習(xí)的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)在處理時(shí)間序列問題方面已顯示出良好的性能。而軌跡是具有時(shí)空信息的序列，并且可以通過使用循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)軌跡的特性來預(yù)測(cè)下一軌跡位置。長(zhǎng)短期記憶(long short term memory，LSTM)是一種經(jīng)過改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，它解決了由于神經(jīng)網(wǎng)絡(luò)層數(shù)增加而導(dǎo)致的梯度消失或爆炸的問題。

詳細(xì)說明如下。

1.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

文中使用LSTM模型作為主體，通過學(xué)習(xí)輸入軌跡訓(xùn)練的特征與下一個(gè)位置的關(guān)系，從而預(yù)測(cè)將來可能到達(dá)的位置。LSTM模型具有獨(dú)特的記憶模塊，該模塊的作用是減緩信息丟失速度，比較適合深度神經(jīng)網(wǎng)絡(luò)計(jì)算。LSTM是一種適合時(shí)間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)，它的下一個(gè)時(shí)間周期的輸入是上一個(gè)時(shí)間周期的輸出，LSTM單元除了包括輸入門和輸出門還有遺忘門、輸入節(jié)點(diǎn)等。根據(jù)時(shí)間展開的循環(huán)神經(jīng)網(wǎng)絡(luò)模型如圖1所示。LSTM的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖1 LSTM網(wǎng)絡(luò)縮略圖

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本模型中記憶模塊的工作原理大致如下：

圖2中，在RNN中隨時(shí)間傳遞的只有單元狀態(tài)C，LSTM有狀態(tài)鏈h(隱藏層狀態(tài))和C(單元狀態(tài))是隨時(shí)間傳遞的，ht-1是傳入到當(dāng)前時(shí)刻的上一時(shí)刻隱藏層的值，xt是當(dāng)前時(shí)刻的輸入值，ct-1是上一時(shí)刻LSTM記憶單元的狀態(tài)值，ct是當(dāng)前時(shí)刻的LSTM記憶單元的狀態(tài)值。ht-1和xt在經(jīng)過遺忘門時(shí)，通過計(jì)算得出需要丟棄的信息。由計(jì)算得到輸出到單元狀態(tài)的值在0和1之間。0表示全部忘記，1表示全部保留。見公式(1):

ft=σ(wf·[ht-1,xt]+bf)

(1)

其中，ft是遺忘門的輸出，遺忘門里的權(quán)重矩陣和偏置向量分別是wf和bf，激活函數(shù)Sigmoid是一種將變量映射到[0,1]之間的S型生長(zhǎng)的函數(shù)，由σ表示。具體公式為:

(2)

更新到單元的新信息中，先是經(jīng)過有Sigmoid函數(shù)的輸入門計(jì)算出需要更新的信息(見公式(3))，再由tanh層創(chuàng)建一個(gè)新的值kt加入到單元狀態(tài)中(見公式(4))：

it=σ(wi·[ht-1,xt]+bi)

(3)

kt=tanh(wk·[ht-1,xt]+bk)

(4)

公式(3)中，it是輸入門的輸出，wi是輸入門的權(quán)重矩陣，bi是偏置，[ht-1,xt]表示將兩個(gè)向量拼成一個(gè)向量。式(3)和式(4)得出的結(jié)果相乘再與上一時(shí)刻單元狀態(tài)值經(jīng)遺忘門得出的結(jié)果累加得到了當(dāng)前時(shí)刻單元狀態(tài)值，如下：

ct=ft*ct-1+it*kt

(5)

當(dāng)前時(shí)刻的單元狀態(tài)ct由公式(5)表示，它是由兩個(gè)乘積累加產(chǎn)生的，包括遺忘門層的輸出按照位乘以上一時(shí)刻的單元狀態(tài)和輸入門輸出按位乘以輸入的單元狀態(tài)。單元狀態(tài)決定最終輸出結(jié)果。由Sigmoid對(duì)輸出結(jié)果進(jìn)行分類選擇需要輸出的數(shù)據(jù)，再用tanh函數(shù)處理單元狀態(tài)，得到經(jīng)隱藏層傳遞給下一時(shí)刻的狀態(tài)值ht，ht經(jīng)過Sigmoid處理后可得到當(dāng)前時(shí)刻預(yù)輸出值y，見式(6)～式(8)，最終的輸出是由輸出門和細(xì)胞狀態(tài)共同決定的。

ot=σ(wo·[ht-1,xt]+bo)

(6)

ht=ot*tanh(ct)

(7)

y=σ(wtht)

(8)

1.2 基于LSTM的船舶航跡預(yù)測(cè)模型

如今，各種海上交通管理系統(tǒng)獲取的船舶導(dǎo)航數(shù)據(jù)的重要來源是AIS數(shù)據(jù)，其中包括如MMSI(maritime mobile service identity)、經(jīng)度、緯度、速度和航向等基本信息。為了深入探索船舶的歷史航跡數(shù)據(jù)，建立實(shí)時(shí)軌跡預(yù)測(cè)模型，船舶位置最相關(guān)的航行信息也要充分使用，將船舶的經(jīng)度、緯度、航速和航向作為輸入，具體模型的結(jié)構(gòu)如圖3所示。

圖3 航跡預(yù)測(cè)模型結(jié)構(gòu)示意圖

船舶軌跡預(yù)測(cè)實(shí)質(zhì)上是運(yùn)用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的回歸問題將船舶的歷史軌跡特征以及當(dāng)前的軌跡特征作為模型輸入，將未來某個(gè)時(shí)間的船舶軌跡特征數(shù)據(jù)作為輸出，然后與實(shí)際值進(jìn)行比較，以建立船舶歷史軌跡與船舶未來軌跡特征數(shù)據(jù)之間的映射關(guān)系。進(jìn)行船舶未來航向特性的計(jì)算和預(yù)測(cè)。對(duì)于一艘船舶來說，其在t時(shí)刻的軌跡特征Y(t)表示為：

Y(t)={lat,lon,v,c}

(9)

其中，lat,lon,v,c分別為船舶在t時(shí)刻的4項(xiàng)特性：緯度、經(jīng)度、速度、航向。

為了建立船舶軌跡的預(yù)測(cè)模型，將連續(xù)n個(gè)時(shí)刻的船舶航行軌跡特征數(shù)據(jù)Y(t-n+1)，…，Y(t-1)和Y(t)作為模型的輸入，將t+1時(shí)刻的航行軌跡數(shù)據(jù)Y(t+1)作為輸出，其中n對(duì)應(yīng)著輸入層的step大小。那么，船舶航跡預(yù)測(cè)模型的表達(dá)式為：

Y(t+1)=f({Y(t-n+1),…,Y(t-1),Y(t)})

(10)

1.3 對(duì)LSTM的船舶航跡預(yù)測(cè)模型進(jìn)行優(yōu)化

深度學(xué)習(xí)訓(xùn)練目的就是找到神經(jīng)網(wǎng)絡(luò)的最小損失函數(shù)點(diǎn)，往往引入優(yōu)化算法幫助更新與計(jì)算影響模型訓(xùn)練和模型輸出的網(wǎng)絡(luò)參數(shù)，逼近或達(dá)到最優(yōu)值，尋找最小損失函數(shù)點(diǎn)，提高模型精確度。文中采用了Adam算法優(yōu)化了LSTM網(wǎng)絡(luò)，Adam既可以對(duì)學(xué)習(xí)率進(jìn)行自適應(yīng)調(diào)節(jié)，又可以利用歷史動(dòng)量加快收斂速度。Adam算法在計(jì)算時(shí)，需要的內(nèi)存更少，收斂速度快。Adam方法的更新規(guī)則[22]如下：

Et(g)=βtEt-1(g)+(1-β1)g(ωt)

(11)

Et(g2)=β2Et-1(g2)+(1-β2)g(ωt)⊙g(ωt)

(12)

(13)

更新后的權(quán)值：

ωt+1=ωt+△ωt=

(14)

其中，β1，β2是[0,1]之間的可變參數(shù)，梯度向量g的一階矩為Et(g)，二階矩為Et(g2)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

本次仿真實(shí)驗(yàn)使用的是公開AIS數(shù)據(jù)下載，The Marinecadastre website(https://marinecadastre.gov/ais/)。該數(shù)據(jù)集包含了從2009年到2019年10年時(shí)間里的歷史軌跡信息。這些數(shù)據(jù)含有軌跡量大，時(shí)間跨度大，適合作為文中軌跡預(yù)測(cè)的數(shù)據(jù)集。每條軌跡由一系列軌跡點(diǎn)組成，每個(gè)軌跡點(diǎn)數(shù)據(jù)包含經(jīng)度(LON)、緯度(LAT)、時(shí)間(BaseDateTime)、SOG對(duì)地航速(speed over ground)、COG對(duì)地航向(course over ground)、Heading航艏向等信息，同時(shí)將船舶的海上移動(dòng)業(yè)務(wù)識(shí)別碼(maritime mobile service identity，MMSI)也放入船舶基本數(shù)據(jù)中，作為唯一標(biāo)識(shí)，去區(qū)分不同船舶的航行行為。軌跡部分?jǐn)?shù)據(jù)示例如表1所示。

表1 數(shù)據(jù)集基本信息

2.2 數(shù)據(jù)集劃分

在實(shí)驗(yàn)中將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，所占比重分別為80%、10%、10%。其中，驗(yàn)證集主要是用來調(diào)整超參數(shù)，在測(cè)試集上對(duì)模型進(jìn)行均方誤差的檢驗(yàn)。

首先創(chuàng)建模型，通過擬合訓(xùn)練集去找模型的初始參數(shù)值。之后再利用驗(yàn)證集對(duì)模型的超參數(shù)進(jìn)行調(diào)整，查看模型的性能。再通過測(cè)試集數(shù)據(jù)評(píng)估最終模型的泛化能力。將最后的預(yù)測(cè)結(jié)果記錄下來。由LSTM該模型的訓(xùn)練效果(參見圖4)顯示，隨著訓(xùn)練次數(shù)的增加，誤差曲線逐漸趨于穩(wěn)定，訓(xùn)練效果較好。

圖4 航跡預(yù)測(cè)模型訓(xùn)練驗(yàn)證誤差圖

2.3 評(píng)價(jià)指標(biāo)

在此次實(shí)驗(yàn)中，均方誤差MSE作為評(píng)估船舶軌跡預(yù)測(cè)模型的方法。均方誤差是用來衡量預(yù)測(cè)結(jié)果的誤差情況，MSE的數(shù)學(xué)表達(dá)如式(15)所示，該值越小則表示模型的性能越好。

(15)

2.4 不同模型對(duì)比

為了驗(yàn)證模型的有效性，分析LSTM方法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。網(wǎng)絡(luò)輸入同樣使用經(jīng)度、緯度、船舶速度和船舶方向，輸出使用經(jīng)緯度，圖5為L(zhǎng)STM和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的均方誤差。

圖5 在相同數(shù)據(jù)集下不同模型的結(jié)果對(duì)比(MSE)

從圖5可以看出LSTM預(yù)測(cè)模型有著更高的預(yù)測(cè)精度，原因是LSTM具有較好的預(yù)測(cè)能力，并且能推斷航跡變化趨勢(shì)，它擁有較強(qiáng)的記憶能力來記憶歷史時(shí)刻航跡位置。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)于存在依賴關(guān)系的歷史信息采用一個(gè)特定的記憶細(xì)胞存儲(chǔ)信息。LSTM通過引入輸入門，輸出門和遺忘門，使得長(zhǎng)期依賴性的時(shí)間序列數(shù)據(jù)的學(xué)習(xí)和分析能力顯著提高。適合處理長(zhǎng)序列問題。

2.5 模型預(yù)測(cè)精度與真實(shí)值對(duì)比

為了驗(yàn)證模型預(yù)測(cè)值與真實(shí)值之間的誤差，在模型訓(xùn)練、預(yù)測(cè)過程中輸入相應(yīng)的參數(shù)，發(fā)現(xiàn)不同的參數(shù)對(duì)模型的訓(xùn)練和預(yù)測(cè)結(jié)果產(chǎn)生了不同的影響。文中通過仿真實(shí)驗(yàn)對(duì)模型的性能進(jìn)行了評(píng)估，利用測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證，來檢驗(yàn)所選模型的最終的預(yù)測(cè)能力。圖6、圖7為L(zhǎng)STM模型的預(yù)測(cè)結(jié)果，從圖中可以看到，預(yù)測(cè)的緯度和經(jīng)度非常接近緯度和經(jīng)度的實(shí)際變化。這非常接近預(yù)期結(jié)果。這也表明基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的船舶預(yù)測(cè)模型達(dá)到了實(shí)驗(yàn)?zāi)康摹榱烁庇^地看到預(yù)測(cè)值和真實(shí)值的差別，在地圖上進(jìn)行可視化展示，如圖8所示。由圖可以看出，預(yù)測(cè)值與真實(shí)值相對(duì)吻合，具有一定的研究意義。

圖6 緯度預(yù)測(cè)結(jié)果

圖7 經(jīng)度預(yù)測(cè)結(jié)果

圖8 預(yù)測(cè)值與真實(shí)值可視化展示

3 結(jié)束語

文中提出了基于神經(jīng)網(wǎng)絡(luò)的船舶航跡預(yù)測(cè)方法，充分探索船舶時(shí)間序列數(shù)據(jù)背后的運(yùn)動(dòng)規(guī)律，進(jìn)而實(shí)現(xiàn)航跡預(yù)測(cè)。結(jié)合AIS信息和LSTM模型對(duì)船舶航跡進(jìn)行了預(yù)測(cè)。通過訓(xùn)練好的LSTM模型對(duì)預(yù)測(cè)目標(biāo)海域中的船舶進(jìn)行實(shí)驗(yàn)。通過比較和分析預(yù)測(cè)值與實(shí)際數(shù)據(jù)之間的偏差，發(fā)現(xiàn)隨時(shí)間的變化，LSTM可以有效地學(xué)習(xí)和識(shí)別船舶軌跡的特征值，例如經(jīng)度、緯度、速度和航行方向，然后準(zhǔn)確地預(yù)測(cè)船舶未來時(shí)刻的位置。文中基于預(yù)測(cè)船舶軌跡的目標(biāo)，作為初步探索，仍然存在許多不足之處，例如，在理想的仿真環(huán)境中的大多數(shù)算法的噪聲是人為確定并保持不變的，而系統(tǒng)狀態(tài)下的噪聲是不確定和未知的，不管是適用性方面還是在通用性方面都不是很強(qiáng)。在今后的工作中將考慮船舶在航行時(shí)，受到風(fēng)、流、浪等外界環(huán)境的影響，以及船舶航行時(shí)遇到障礙物等等，進(jìn)而對(duì)預(yù)測(cè)準(zhǔn)確性進(jìn)行提升。