详情

原文传递基于改进TCN网络的船舶轨迹预测方法

论文题名：	基于改进TCN网络的船舶轨迹预测方法
关键词：	船舶轨迹预测;时域卷积网络;注意力机制;麻雀搜索算法;深度学习
摘要：	经济全球化促进了各个国家之间的经贸往来，海运在世界贸易中起着重要的作用。不计其数的船舶航行在各大港口之间，增加了海上的安全风险。为保障海上生命安全，减少船舶之间的碰撞事故，进一步提升航运智能化水平，加强船舶追踪与监测势在必行。轨迹预测，是船舶追踪与监测的重要组成部分，通过目标船舶的历史轨迹，预测未来某个时刻的位置，可以给海事监管部门提供技术支持，从而及时给相关船舶发送预警信息，提升监管效率。此外，自动驾驶船舶可能会是未来的发展方向，轨迹预测算法可以为无人船舶的安全航行提供算法基础。　　如今，几乎所有的船舶都搭载了船舶自动识别系统（AutomaticIdentificationSystem，AIS），该系统可自动广播船舶的航行数据并接收邻近船舶的相关信息。从2000年至今，AIS的发展使得获取海量船舶轨迹数据成为可能，为船舶轨迹数据挖掘提供了基础条件。为了帮助船舶在海上更加安全地航行，本文基于AIS所记录的航行数据，将一种较为新型的神经网络引入船舶轨迹预测领域并在其基础上加以改进，建立了两种轨迹预测模型。本文主要工作和成果如下：　　1.本文构建了一种基于改进TCN网络的船舶轨迹预测模型。时域卷积网络（TemporalConvolutionalNetwork，TCN）是一类较为新型的神经网络，近年来在时间序列问题上展现出了较好的性能，船舶轨迹序列属于时间序列范畴，因此将TCN网络引入船舶轨迹预测领域具有可行性。为了增强网络的泛化能力，本文在传统的TCN网络基础之上加以改进，提出分层时域卷积网络Tiered-TCN（TTCN），同时，为了提升模型预测效果，融合注意力机制模块和门控循环单元（GateRecurrentUnit，GRU）模块，最终提出TTCN-Attention-GRU（TTAG）轨迹预测模型。　　2.针对TTAG模型存在网络参数较多、无法提取轨迹的空间信息等问题，本文将卷积神经网络（ConvolutionalNeuralNetworks,CNN）与TTCN网络相结合，提出了一种多子网CNN-TTCN网络模型（Multi-Subnet-CNN-TTCN，MSCT）。相比GRU网络，CNN网络虽然没有时序性，但具有易于处理高维数据、参数更少等优点，同时，CNN网络可有效提取输入特征的空间信息。轨迹数据不仅有时间依赖性，同样具有空间依赖性，我们将CNN网络与TTCN网络相融合，可分别提取船舶轨迹的空间信息与时间信息从而实现一定的预测精度。在此基础上，为了进一步提高模型预测准确度，本文提出了一种改进的麻雀搜索算法（ImprovedSparrowSearchAlgorithm，ISSA），将ISSA用于优化MSCT模型的性能，最终构建出ISSA-MSCT轨迹预测模型。　　3.为了验证两个模型的有效性，本文采用公开数据集开展实验，利用均方误差、均方根误差等指标来综合评价船舶航行轨迹预测结果。长短期记忆网络（LongShort-TermMemory，LSTM）模型是目前轨迹预测领域最有效的方法之一，本文搭建了LSTM、GRU、双向LSTM、双向GRU等多个基础模型与本文所提出的两个模型进行对比。实验结果表明，相比基础模型，本文提出的TTAG模型的预测准确度提升较为明显，且随着预测时间的增加，误差增长速度也更缓慢；ISSA-MSCT模型充分利用了不同模块的优点，相比TTAG模型，具有更高的预测精度。本文最后分析了两种预测模型的优势与短板，以及各自的应用场景。
作者：	林足
专业：	应用统计
导师：	万健
授予学位：	硕士
授予学位单位：	浙江科技学院
学位年度：	2023