详情

原文传递基于深度学习的船舶航行轨迹预测方法研究

论文题名：	基于深度学习的船舶航行轨迹预测方法研究
关键词：	船舶航行;轨迹预测;深度学习;长短期记忆网络;斥力模型
摘要：	随着船舶自动识别系统（Automatic Identification Systems,AIS）的强制配备和广泛使用，海量AIS数据的获取促进了船舶轨迹数据挖掘和水上交通态势感知等领域的快速发展。针对通航环境的复杂性、航行船舶的独特性和航行态势的不确定性，准确预测船舶航行轨迹已成为海事智能监管和船舶自主航行的热点和难点问题。随着深度学习技术的迅猛发展，在分析船舶行为特征和AIS大数据的基础上，构建基于深度循环神经网络的船舶航行轨迹预测模型，对于海上交通安全和智能化发展具有重要的研究意义。本文在深入分析基于深度学习的轨迹预测理论的基础上，通过引入社会力模型和船舶领域等概念，构建了基于长短期记忆网络（Long Short-Term Memory,LSTM）的船舶航行轨迹预测模型，并利用不同水域的真实AIS数据验证了其有效性和稳定性。本文主要研究内容及创新性成果包括：　　（1）针对传统LSTM难以高精度预测船舶航行轨迹的问题，本文提出了基于无冲突LSTM的轨迹预测模型。该模型将每艘船舶视为一个LSTM单元，通过融合其它船舶的位置信息，实现两船之间位置信息的交互。同时，引入社会力模型中的斥力模型，计算两船之间的虚拟斥力，对避让信息进行建模，实现两船之间避让信息的交互。最后在损失函数中引入误差偏移角来提高轨迹预测的精度和稳定性。　　（2）针对无冲突LSTM模型在计算两船间最小安全间距时未考虑船舶航速的问题，本文将提出融合四元船舶领域（Quaternion Ship Domain,QSD）和LSTM的船舶航行轨迹预测模型，即QSD-LSTM。该模型通过引入QSD概念来确定本船在不同运动状态下的船舶领域，同时考虑船舶航行中的航速信息，计算他船与本船船舶领域所构建的不规则椭圆相切时的临界值，进一步优化两船间最小安全距离的计算结果，以提升不同通航环境下的船舶航行轨迹预测精度。　　（3）为验证两个模型的有效性，本文将在采集曹妃甸、成山角及舟山群岛水域真实AIS数据的基础上，利用平均偏移误差、终点偏移误差及平均非线性位置偏移误差等指标来综合评价船舶航行轨迹预测结果。实验结果表明，本文提出的无冲突LSTM相较于传统LSTM能够实现两船之间位置及避让信息的交互，可获取更高精度的船舶航行轨迹预测结果；为实现两船之间交互过程的动态建模，进一步在无冲突LSTM中引入QSD概念，得到的QSD-LSTM相比无冲突LSTM和传统LSTM有着稳定性更强、精度更高的预测结果。　　针对原始LSTM对船舶航行轨迹预测能力不足的问题，本文构建了无冲突LSTM预测模型，该模型实现了两船之间位置及避让信息的交互。为进一步优化无冲突LSTM模型，提出了QSD-LSTM预测模型，该模型在训练中实现了两船之间避让信息的动态交互。本文的相关研究成果能够实现不同通航环境下船舶航行轨迹的高精度预测，为海事智能监管和船舶自主航行等领域提供了技术支撑。
作者：	李岩
专业：	交通信息工程及控制
导师：	刘文
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021