原文传递
基于改进ELM的船舶航迹预测方法研究
| 论文题名： | 基于改进ELM的船舶航迹预测方法研究 |
| 关键词： | 船舶;航迹预测;轨迹聚类;极限学习机;AIS数据集 |
| 摘要： | 我国水域资源丰富，水上经济发达，在“双碳战略”的背景下，航运业发展更为迅速，如何保障安全、高效的水上运输是当前航海领域研究中的重要课题。船舶的航迹预测一直是航海领域研究的热点，其对保障船舶航行安全、提高交通管制效率有着重要作用。本文以提高航迹预测的精度与预测结果的时效性为研究目标，研究建立基于改进ELM的航迹预测模型。本文的研究工作主要有以下三个方面： （1）AIS数据的预处理。选定长江下游部分水域的AIS数据作为本文的实验数据。通过分析原始数据的分布情况并结合AIS数据的常见问题，提出解决本实验数据集具体问题的处理方法与流程。使用道格拉斯-普克算法对船舶原始轨迹进行有效压缩，在保留轨迹关键特征的前提下减少轨迹数据的冗余，以降低轨迹聚类的计算复杂度。 （2）基于改进的DTW距离与DBSCAN算法完成船舶轨迹聚类。为增加相似轨迹的数量，保证有足够的数据用于预测模型的训练，本文将船舶轨迹进行聚类，然后用聚类得到的不同簇类的轨迹数据分别训练预测模型并最终完成航迹预测实验。在对船舶轨迹进行聚类时采用经典的基于密度的DBSCAN算法，用改进的DTW距离完成轨迹间的相似性度量。针对于传统DTW距离理论在进行船舶轨迹间相似性度量时存在的两个问题，结合船舶轨迹的特点增加了代表轨迹点数据的特征数目，并调整了特定轨迹点在距离计算时的权重，使DTW距离能够考虑到船舶轨迹的局部变化趋势与起始和终止位置的异同。另外，在聚类参数选择方面，提出基于轨迹数据集的K-距离分布与逆高斯拟合的方法快速锁定DBSCAN算法的最佳参数组合范围，再根据实际聚类结果进行微小调整，以得到最理想的聚类效果。 （3）构建基于改进ELM的船舶航迹预测模型。本文提出一种双隐藏层极限学习机（ExtremeLearningMachine,ELM）航迹预测模型，在提高预测精度的同时极大地缩短了预测时间。通过与传统ELM模型以及被广泛应用的LSTM、GRU模型预测结果进行对比，验证了双层ELM模型在预测精度与速度上的优势。 本文提出了以AIS数据为基础，基于双层ELM预测模型的航迹预测方法。通过对比实验验证了所提出模型的优越性，实现了对船舶轨迹的高效预测。研究成果对于提高海事部门监管能力，保障船舶的通航安全具有应用价值与现实意义。 |
| 作者： | 王天玉 |
| 专业： | 交通运输工程 |
| 导师： | 赵丽宁 |
| 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
