原文传递
基于深度学习CNN-LSTM的船舶轨迹预测研究
| 论文题名： | 基于深度学习CNN-LSTM的船舶轨迹预测研究 |
| 关键词： | 海上交通管理;船舶轨迹预测;深度学习;卷积神经网络;长短时记忆 |
| 摘要： | 随着世界航运的迅速发展，航道水域内的活动船舶数量增加，航道时常出现拥塞现象，这使得我国海上交通管理面临着巨大的考验。所以，海上交通管理部门必须积极采取对应的措施，提前做好安全隐患防治工作以保证船舶能够正常通航，使得港口能够正常进行生产工作。而在此过程，如何及时准确的获取船舶信息，能够根据船舶历史轨迹来分析预测未来航行的并且动态也就显得极其重要。 目前，大多船舶轨迹预测模型还是基于某些特定的运动学方程或者一般的传统神经网络模型。这些模型不仅受到的限制较大，而且也很难应对当今海上交通复杂的变化。本文针对上述船舶轨迹预测存在的问题，引入深度学习中的卷积神经网络（Convolutional Neural Network，CNN）以及长短时记忆模型(Long Short-Term Memory,LSTM)，提出了基于深度学习CNN-LSTM的船舶轨迹预测模型，主要开展了以下研究： （1）AIS数据采集及数据预处理研究。通过对AIS各种类型的信息进行分析总结，在此基础上对数据进行处理，以解决缺失数据与异常数据的干扰，获取清洁可用的预测所需数据。 （2）以获取更深层次的船舶轨迹特征为目标，针对多维度的船舶轨迹特点，开展基于CNN的船舶轨迹预测模型研究。采用python3.6.8以及Keras深度学习框架构建了基于深度学习CNN的船舶轨迹预测模型，通过改变网络结构以及参数，确立最终预测模型，并与传统三层BP神经网络进行了对比分析. （3）利用深度学习CNN模型和LSTM模型的特性，开展了基于深度学习CNN-LSTM的船舶轨迹预测模型研究。在CNN模型获取更深层次特征的前提下，考虑LSTM模型在时间序列预测的优越性，建立基于深度学习CNN-LSTM船舶轨迹预测模型，分析了CNN模块和LSTM模块网络结构及参数对模型的影响，然后确立模型并与BP神经网络、LSTM模型、CNN模型进行了对比分析。 仿真结果表明：CNN模型的预测精度基本满足船舶轨迹预测的要求，且在预测性能上与传统BP神经网络相比较为精确，与LSTM进行结合后的组合模型CNN-LSTM优化了CNN模型在时间序列预测上的不足，为解决船舶轨迹预测预测提供了一条新的途径，具有一定的理论和实践价值。 |
| 作者： | 孙建秋 |
| 专业： | 船舶与海洋工程 |
| 导师： | 周江华;陈有利 |
| 授予学位： | 硕士 |
| 授予学位单位： | 宁波大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
