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： | 船舶自动识别系统;轨迹预测;门控循环单元;生成对抗网络 |
| 摘要： | 随着世界经济的日益全球化，以经济和商业为目的的海上运输越来越普遍，这就会给海上交通运输带来一定的压力，例如交通量迅速增加，航道压力增大，船舶数量增多，关键水域和航道的船舶密度增加。在以上的情况下会频频发生海上事故，为保证海上航行安全、减少交通事故，关键的问题是探索船舶航行规律和航迹可靠性预测。因此，准确的轨迹预测对于减少海上交通事故、提高相关海事部门和船舶交通服务系统的决策水准具有重大的意义。 船舶自动识别系统（Automatic Identification System, AIS）设备是一种新型的助航系统及设备，几乎装配在所有的船舶上。相较于传统的船舶交通服务（Vessel Traffic Service, VTS）数据和雷达数据，AIS数据更加容易获取。为验证所提出的轨迹预测算法的性能，本文从数据驱动的角度出发，并结合神经网络相关算法，分别使用海上AIS数据和内河AIS数据来训练模型并预测与时序相关的船舶轨迹序列。 论文的主要工作内容如下： （1）AIS数据预处理。针对原始AIS数据量大且含噪声等情况，首先对数据进行清洗并提取轨迹。其次，进行了特征相关性与轨迹平稳性分析，选择出适合预测阶段的输入特征属性与为后续设计合理的预测模型提供参考。由于提取后的轨迹点序列时间间隔不连续，本文选择三次样条插值进行轨迹修复以保证最大程度上还原原始轨迹数据。 （2）提出了一种基于一维卷积网络与双向门控循环单元（1DCNN-BiGRU）的船舶轨迹预测方法研究。把长短时记忆模型（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）迁移到同属时间序列预测领域的船舶轨迹预测上，同时引用一维卷积网络（1D-CNN），设计了1DCNN-BiGRU模型整体结构。经实验验证得到预测的结果明显优于单一LSTM轨迹预测模型。 （3）提出了一种基于生成对抗网络的船舶轨迹预测方法研究。鉴于生成对抗网络（Generative Adversarial Network, GAN）不依赖于数据分布的优点，将对抗式学习的方法用在预测船舶轨迹上。生成器选择1D-CNN网络，判别器选择GRU结构。加入了梯度惩罚项（Gradient Penalty, GP），所设计的GRU-WGAN-GP模型整体结构能够有效预测船舶轨迹，提高模型的泛化力。 |
| 作者： | 雷雨 |
| 专业： | 工程(电子信息) |
| 导师： | 宋涛;李友如 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
