原文传递
基于AIS数据的船舶轨迹预测方法研究
| 论文题名： | 基于AIS数据的船舶轨迹预测方法研究 |
| 关键词： | 船舶轨迹预测;船舶自动识别系统;门控循环单元;三次样条插值;卷积神经网络 |
| 摘要： | 针对国际航运界关注的航运智能化系统研究，如何提高海上交通安全性一直是要解决的首要问题。在船舶航行的过程中，硬件故障、恶劣天气、海盗劫持等突发事故都会导致船舶的轨迹发生偏移或者完全脱离既定航线，同时非法捕捞和船舶走私等非法行为也会使得船舶出现异常的轨迹状态。因此，通过分析船舶轨迹，进行预测与识别，追踪和发现这些异常可以更好地提高海上安全性，为海事相关部门提供取证和监管的途径。 基于上述背景，本文以船舶自动识别系统的数据为基础，对船舶轨迹进行了相关研究，主要研究内容如下： （1）基于改进滑动窗口的船舶轨迹数据清洗方法与基于三次样条插值结合门控循环单元的船舶轨迹数据修复方法。在数据清洗方面，本文根据错误数据类别、错误数据识别方案以及实际海域特点，提出了一种基于改进滑动窗口的相似重复数据检测算法。该方法中的滑动窗口在检测过程中动态可变的，可以根据数据实际的重复情况扩大和缩小，在相似度计算时赋予不同字段不同权值，提高了检测效率和准确率；在数据修复方面，本文提出了一种将三次样条插值法与门控循环单元(GatedRecurrentUnit,GRU)网络相结合的数据修复方法，对缺失的轨迹点的位置信息和状态信息进行修复，在保证修复准确率的前提下，提高了修复效率。 （2）基于多任务学习的船舶轨迹预测与状态识别方法。本文根据多任务学习中相关任务的定义发现了轨迹预测与状态识别两个任务之间的相关性，两个任务基于同一数据源、相互关联、相互影响，本文提出的多任务学习模型能同时完成船舶轨迹预测与状态识别两项任务。该方法采用轨迹预测领域中典型的卷积神经网络(ConvolutionalNeuralNetwork,CNN)和双向长短时记忆网络(BidirectionalLongShort-termMemory,BiLSTM)提取特征，并加入注意力机制优化网络，更好地解决了因数据噪声造成的任务准确率低的问题，同时提高了任务效率。 （3）船舶轨迹预测模型的应用研究。本文将上述提出的船舶数据预处理方法、船舶轨迹预测与状态识别方法集成到了电子海图中，通过实验实现了在电子海图上的船舶轨迹数据实时显示、船舶状态监测、船舶航行危险预警、航线预测等功能，可以可视化船舶的航行轨迹、实时监测船舶航行动态并及时提供危险预警，进而达到辅助海事监管部门执法与海上交通管理及提高船舶海上航行安全的目的。 |
| 作者： | 韩鹏 |
| 专业： | 计算机技术 |
| 导师： | 杨红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
