论文部分内容阅读
在世界经济全球化的大环境下,随着海上交通量的迅猛增长,这使得水域承载的负担增大,航道拥挤。这种情况下船舶本身存在的问题及人为因素引发的事故增多,造成了巨大的经济损失。相关海事部门和船舶交通服务系统提高决策水准势在必行,其中的一个关键问题就是实现船舶航迹预测并进行异常预警。目前,大多数船舶轨迹预测模型还停留在一般的机器学习方法和基于特定运动学方程的模型上,这种模型受限程度较高,已经很难应对当今繁杂的海上交通情形。高精度模型的训练需要丰富的数据支持。相对传统雷达设备等,AIS设备拥有受地形天气影响小,高定位精度等优点,且可以提供更丰富的船舶轨迹特征数据。本文基于AIS数据样本,结合神经网络和深度学习,研究适用于船舶轨迹预测的算法模型。基于解析后的AIS数据,设计并实现了船舶轨迹预测模型的训练仿真实验。最后对航迹预测模型在异常预警、航线规划等方面的应用进行了研究。本文主要研究工作如下:1.分析总结了AIS相关解码与处理技术。在介绍AIS消息类型的基础上,展示了AIS信息的数据结构,并对AIS信息进行解码和处理,由此获得数据源,为基于AIS数据的航迹预测提供了数据基础。2.深入研究了利用BP神经网络的浅层次船舶轨迹预测模型。针对船舶航行轨迹多维度的特点,在船舶预测问题上,基于遗传算法,对模型进行改进,并且分析了不同网络参数对效率和性能的影响。3.利用深度学习及时间序列的特性,提出基于循环神经网络-长短期记忆(Recurrent Neural Networks-Long Short-Term Memory,RNN-LSTM)模型,对模型进行训练,分析了参数的影响,并与基于神经网络的预测模型进行了比较,体现出LSTM模型更优越的处理序列数据的能力。4.将LSTM模型应用在轨迹检测,安防预警,航路规划等领域。模型可以结合电子海图实验平台,对船舶航迹进行预测,并提供异常航迹预警功能。结果表明,在满足准确性和性能的要求下,利用深度学习的RNN-LSTM船舶轨迹预测模型能取到很优秀的预测效果,为实现海上智能交通提供技术支持。