详情

原文传递基于深度学习的船舶行为表征与预测研究

论文题名：	基于深度学习的船舶行为表征与预测研究
关键词：	船舶行为;自动识别;上下文自编码;表征学习;航行安全
摘要：	船舶行为是水上交通研究中的热点，船舶密集程度与交通流量的日益增长使得船舶行为变的更加复杂，船舶碰撞事故发生的几率显著增加，水上交通安全监管的压力日趋繁重。准确表征船舶行为并实现行为预测对掌握船舶航行规律，拓新船舶安全监管方法、提高船舶自主导航与决策能力具有重要意义。　　以长江口南槽交汇水域为研究对象，利用船舶自动识别系统（Automatic Identification System，AIS）提取船舶行为特征参量，考量船舶行为的时间演化特性建立了行为特征序列，提出基于上下文自编码的船舶行为语义表征模型；利用双向长短期记忆网络（Bi-directional Long Short-Term Memory，Bi-LSTM）建立Sequence-to-Sequence（Seq2Seq）框架，结合注意力机制提出了船舶行为预测模型；最后，考量一定距离内两艘船舶间的冲突概率，构建船舶行为冲突检测方法。具体研究工作与成果如下：　　（1）基于上下文自编码的船舶行为语义表征。对交汇水域的AIS数据进行解析、插值以及平滑等预处理方法，实现对船舶轨迹数据的补全；分析行为特征参量（经度、纬度、航速和航向）在船舶航行过程中的时间演化特性，构建了船舶的行为特征序列；借助连续词袋模型将行为特征序列划分为中心船舶行为和上下文船舶行为，利用深度自编码网络构建船舶上下文行为的语义表征模型，模型得到的中心船舶行为编码作为表征向量输出，随后通过聚类算法构建船舶行为词典；选取南槽交汇水域数据进行验证与分析，结果表明所提出的模型对不同行为特征参量的表征误差低于0.6，基于多种聚类评价指标构建船舶行为词典，实现了不同行为模式下船舶行为词组合关系的提取。　　（2）基于表征学习的船舶行为预测。利用核密度估计方法分析行为特征参量在船舶航行过程中的差异性，提取不同行为的行为特征序列，并根据交汇水域警戒区边界对行为特征序列进行切割；结合Seq2Seq框架与注意力机制构建船舶行为预测模型和算法，将交汇水域未进入警戒区的行为特征序列作为输入，将警戒区内行为特征序列作为输出，对船舶行为预测模型进行有监督训练，实现对警戒区内船舶行为的预测；对左转、直行、右转行为下的场景实例开展实验分析，结果表明所提出模型能够较好的预测警戒区内船舶行为的分布特性与变化趋势，与Bi-LSTM、门控循环单元（Gated Recurrent Unit，GRU）、循环神经网络（Recurrent Neural Network,RNN）三种模型进行对比，提出的模型具有更好的准确性。　　（3）交汇水域的船舶行为冲突检测。围绕会遇船舶设计安全隔离区域，计算两艘船舶之间的行为冲突概率，建立船舶行为冲突概率度量模型；利用船舶行为预测模型对船舶行为进行预测，并将预测值作为船舶行为冲突概率度量模型的输入，根据警戒区内行为特征序列计算任意时刻的行为冲突概率，设计船舶行为冲突检测流程；针对不同会遇场景实例进行实验分析，结果表明所提出模型可以利用船舶未进入警戒区的行为信息准确反映未来一段时间内行为冲突概率的变化趋势。　　研究成果可为研制水上交通安全管理系统、船舶助航服务系统与船舶避碰预警与决策系统提供理论方法指导和实验数据参考。
作者：	李文楷
专业：	导航与信息工程
导师：	马杰
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021