[發(fā)明專(zhuān)利]一種船舶航行行為在線預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811124538.8
• 申請(qǐng)日: 2018-09-26
• 公開(kāi)（公告）號(hào): CN109214107B
• 公開(kāi)（公告）日: 2020-05-05
• 發(fā)明（設(shè)計(jì)）人: 史國(guó)友;楊家軒;李偉峰;王慶武;馬麟;高邈
• 申請(qǐng)（專(zhuān)利權(quán)）人: 大連海事大學(xué)
• 主分類(lèi)號(hào): G06F30/20
• 分類(lèi)號(hào): G06F30/20;G06N3/04;G06N3/08
• 代理公司: 大連理工大學(xué)專(zhuān)利中心 21200
• 代理人: 梅洪玉

1.一種船舶航行行為在線預(yù)測(cè)方法，其特征在于，該方法包括訓(xùn)練學(xué)習(xí)階段和在線預(yù)測(cè)階段，具體步驟如下：

一、訓(xùn)練學(xué)習(xí)階段

(1.1)對(duì)歷史AIS大數(shù)據(jù)進(jìn)行整理和劃分

歷史AIS大數(shù)據(jù)中含有船舶狀態(tài)信息和船舶類(lèi)型信息；將在航機(jī)動(dòng)船、非漁船、非拖輪、非引航船的AIS大數(shù)據(jù)篩選出來(lái)，并進(jìn)行數(shù)據(jù)清洗；將AIS大數(shù)據(jù)按照第一排序索引為MMSI，第二排序索引為時(shí)間的原則，對(duì)AIS大數(shù)據(jù)進(jìn)行整理；

選定AIS大數(shù)據(jù)中的經(jīng)緯度位置信息、航向信息、對(duì)地速度信息以及時(shí)間信息作為代表船舶的航行行為信息；將選取的AIS數(shù)據(jù)平均等分6份，前五份作為訓(xùn)練樣本，第六份作為驗(yàn)證樣本；

(1.2)利用雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)截取的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)

訓(xùn)練樣本按照批次進(jìn)行，單一MMSI的船舶數(shù)據(jù)為一組，組內(nèi)又劃分成多個(gè)訓(xùn)練批次，隨機(jī)間隔4個(gè)點(diǎn)選定AIS數(shù)據(jù)，以打破由于單一船舶數(shù)據(jù)過(guò)長(zhǎng)導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)精力轉(zhuǎn)移的問(wèn)題；輸入層AIS數(shù)據(jù)格式為前三個(gè)點(diǎn)的經(jīng)度、緯度、船艏向、時(shí)間，以及第四個(gè)點(diǎn)的時(shí)間，一共13個(gè)數(shù)值，輸出層為第四個(gè)點(diǎn)的經(jīng)度、緯度以及船艏向，一共3個(gè)數(shù)值；

雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)是在標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)上，針對(duì)AIS時(shí)序數(shù)據(jù)特征，采用長(zhǎng)短時(shí)記憶單元LSTM替換原有的RNN網(wǎng)絡(luò)中的隱層單元；LSTM單元的關(guān)鍵是單元狀態(tài)通過(guò)“門(mén)”來(lái)控制是否丟棄以及增加信息，從而實(shí)現(xiàn)遺忘和記憶功能，對(duì)所學(xué)習(xí)的知識(shí)進(jìn)行選擇性的操作；LSTM擁有三個(gè)門(mén)結(jié)構(gòu)：輸入門(mén)、輸出門(mén)和遺忘門(mén)；網(wǎng)絡(luò)訓(xùn)練進(jìn)行自循環(huán)，權(quán)重實(shí)時(shí)更新，避免梯度消失以及梯度膨脹的問(wèn)題；

雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)還在標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)上引入雙向結(jié)構(gòu)，確保誤差能夠雙向傳播；最終基于工具Python構(gòu)建雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)BILSTM-RNN，BILSTM-RNN網(wǎng)絡(luò)結(jié)構(gòu)依次包括數(shù)據(jù)輸入層、兩層隱藏層、長(zhǎng)短時(shí)記憶單元前向傳播層、長(zhǎng)短時(shí)記憶單元后向傳播層、兩層隱藏層和輸出層；初始化的所有權(quán)值隨機(jī)生成，偏置初始值為0.1，并在輸入各層之前都經(jīng)過(guò)批次標(biāo)準(zhǔn)化處理，使得激活函數(shù)的作用發(fā)揮出來(lái)；

二、在線預(yù)測(cè)階段

(2.1)AIS接收機(jī)采集實(shí)時(shí)AIS數(shù)據(jù)；

(2.2)采用滑動(dòng)窗算法獲得船舶軌跡關(guān)鍵特征點(diǎn)

首先，依據(jù)步驟(2.1)采集的實(shí)時(shí)AIS數(shù)據(jù)，從驗(yàn)證樣本數(shù)據(jù)中篩選出當(dāng)前最具代表性的、最接近當(dāng)前時(shí)間點(diǎn)的三個(gè)船舶AIS軌跡點(diǎn)P₂、P₃、P₄，作為在線預(yù)測(cè)階段神經(jīng)網(wǎng)絡(luò)的輸入值，從輸入神經(jīng)網(wǎng)絡(luò)的輸入端開(kāi)始，提高預(yù)測(cè)輸入值的軌跡價(jià)值度，進(jìn)一步提高BILSTM-RNN的預(yù)測(cè)能力；

(2.3)將步驟(2.2)經(jīng)過(guò)篩選后P₂、P₃、P₄點(diǎn)輸入神經(jīng)網(wǎng)絡(luò)當(dāng)中，然后，連續(xù)預(yù)測(cè)等間距6個(gè)軌跡點(diǎn)P₅、P₆、P₇、P₈、P₉、P₁₀，預(yù)測(cè)精度呈梯度遞減，同時(shí)隨著新的船舶實(shí)時(shí)數(shù)據(jù)的產(chǎn)生，通過(guò)誤差函數(shù)的計(jì)算得出誤差值，將誤差值傳回兩個(gè)相互無(wú)連接的雙向LSTM單元進(jìn)行反饋，進(jìn)一步更新算法參數(shù)，做出實(shí)時(shí)調(diào)整，再重新預(yù)測(cè)未來(lái)連續(xù)6個(gè)船舶軌跡點(diǎn)；

(2.4)經(jīng)過(guò)步驟(2.3)多個(gè)批次連續(xù)預(yù)測(cè)之后，系統(tǒng)對(duì)于當(dāng)前船舶行為特征的理解能力得到提高，之后轉(zhuǎn)入穩(wěn)定預(yù)測(cè)階段，將預(yù)測(cè)的誤差控制在可接受的誤差范圍之內(nèi)，進(jìn)而利用雙向長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)所預(yù)測(cè)的連續(xù)6個(gè)未來(lái)的船舶軌跡點(diǎn)作為所預(yù)測(cè)的船舶的航行行為。