原文传递
基于ARIMA和BIGRU的船舶航迹预测研究
| 论文题名： | 基于ARIMA和BIGRU的船舶航迹预测研究 |
| 关键词： | 海洋船舶;航迹预测;船舶自动识别系统;差分自回归移动平均模型;门控单元神经网络 |
| 摘要： | 随着航运产业的快速发展，各船舶公司综合运力的日益增大，贸易量与交通量都进入迅猛增长阶段，越来越多的货物通过海洋船舶进行运输。某些地区的水域内出现航道拥堵、碰撞事故频发等安全问题，严重影响着航运贸易经济的发展。以上问题，可以通过实现区域内宏观的船舶航迹预测来有效预防。航迹预测技术既可以有效的预防船舶碰撞、触损等安全事故的发生，又可以对船舶航行异常状态进行动态识别、提供路线决策支持，以便于海上交管。 由于船舶航迹预测对于时效性有严格的要求，而神经网络预测模型具有模型结构简单、预测迅速等优点。所以以往的研究大多选用传统的神经网络的预测模型进行预测，如BP神经网络算法、长短时记忆神经网络算法等。随着水域内交通环境日益复杂，单一预测模型的精度已经很难满足船舶航迹预测的要求。因此，本文对多种混合神经网络模型进行了深入的研究，提出了一种新型的混合预测模型。其在保持了预测时效性高的优点的同时，进一步提高了预测的精度。具体研究内容如下： 首先，针对船舶自动识别系统(AutomaticIdentificationSystem，AIS）数据数量大且噪点数据多的问题进行数据预处理。对于误差波动较大的数据进行数据清洗，设定阈值区间作为判断依据，避免误差数据对模型的影响。再对AIS内空缺数据应用拉格朗日插值法进行插值处理，降低插值与原始数据之间的误差，避免误差影响模型学习效果。最后，通过差分自回归移动平均模型（AutoregressiveIntegratedMovingAverage，ARIMA）对AIS原始数据进行一阶差分，减少不在阈值区间内的误差数据对预测模型的影响。 其次，针对时间序列训练容易出现梯度爆炸和消失的问题。选取了依托于门控神经单元对历史数据进行选择记忆及遗忘处理的门控单元神经网络。其在反向传播过程中筛选并遗忘非重要权重参数，同时保留重要权重参数。从而避免梯度爆炸和消失现象出现。门控单元神经网络（GateRecurrentUnit，GRU）是在长短期记忆网络（LongShort-TermMemory，LSTM）基础上优化的神经网络模型，其将LSTM神经单元结构中三个门控单元简化为两个，优化了模型结构、提高了预测时效性。所以本文选取了GRU作为船舶航迹预测的基础神经网络模型。 最后，本文引入了注意力机制对神经网络模型进行优化。通过注意力机制对各时刻状态建立权重系数，模型训练过程中依据权重系数对参数分主次学习，显著的提高了模型预测精度。 本文的组合预测方法与多种预测方法对比表明，引入注意力机制的ARIMA-BIGRU组合预测模型预测效果最优。 |
| 作者： | 于琛 |
| 专业： | 海上交通工程 |
| 导师： | 付玉慧 |
| 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
