[發明專利]一種船舶航行行為在線預測方法

有效

• 申請號: 201811124538.8
• 申請日: 2018-09-26
• 公開（公告）號: CN109214107B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 史國友;楊家軒;李偉峰;王慶武;馬麟;高邈
• 申請（專利權）人: 大連海事大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉

本發明提供一種船舶航行行為在線預測方法，屬于船舶航行領域。該方法包括訓練學習階段和在線預測階段，訓練學習階段首先對歷史AIS大數據進行整理和劃分，然后利用雙向長短時記憶循環神經網絡對截取的數據進行訓練學習；在線預測階段，首先利用AIS接收機采集實時AIS數據，然后采用滑動窗算法獲得船舶軌跡關鍵特征點，之后預測未來連續6個船舶軌跡點，多次預測后利用最終預測的連續六個未來的船舶軌跡點作為所預測的船舶的航行行為。經過大數據訓練成熟的模型，適用范圍較廣，通用性較高，可在后期實際應用當中針對經常預測的船舶進一步提升預測能力，可用于船舶智能避碰輔助決策和船舶異常行為檢測，為水上交通管理部門提供服務。

技術領域

本發明屬于船舶航行領域，涉及一種船舶航行行為在線預測方法。

背景技術

在船舶智能避碰研究當中，為了生成更為可靠有效的避碰決策，信息源的種類不僅僅局限于當前時刻兩船的位置、航向、速度等因素，同樣還應考慮他船的航行意圖，接下來的船舶動向，未來他船可能到達的位置，使得整體的智能避碰系統具有先驗性，預見性，可以使得最后生成的避碰決策更加可靠，可以有效的降低碰撞風險，避免由于碰撞所引起的人身以及財產的損失。

同時在港口監管部門對所管理區域進行安全監控時，需要動態的去識別船舶的異常行為，發現有異常行為的船舶需要重點關注，這樣可以有效的降低監管人員的工作量，同時降低監控系統的誤報警率。

所以實時、高精度的預測船舶航行行為是需要進行深入研究的問題。船舶航行行為又稱為機動行為，它是船舶的運動過程。船舶軌跡中每3個點就構成一個運動過程，即每3個軌跡點包含1個船舶操縱行為事件。

應用船舶自動識別系統(Automatic Identification System,AIS)大數據作為學習樣本，在海事研究當中AIS數據獲取簡單，數據來源可靠精度高，船舶自動識別系統(AIS)已經被國際航行的300總噸以上的船舶和國內航行500噸以上的貨船和客船強制安裝，并且也逐漸在越來越多的漁船上安裝。適用范圍廣，可以說在非近岸海域的區域當中，AIS的覆蓋率極高，幾乎和實際船舶一一對應。同時也隨著各國AIS基站網絡的建立和星載AIS群的出現，AIS數據的收集也得到了解決，AIS已成為近乎實時的全球海上交通信息來源。AIS數據為多元多維數據，其中包含各種船舶信息，AIS軌跡數據可描述船舶的空間位置和屬性隨時間的變化。船舶AIS軌跡點由船舶采樣點位置(GPS位置)、采樣時間、海上移動識別碼(Maritime Mobile Service Identify，MMSI)、對地速度(SOG)、對地航向(COG)、航行狀態和轉向速率等構成。這些軌跡點數據信息根據時間采樣先后順序構成了軌跡點序列。

目前，國內外一些學者對船舶軌跡預測做了一定研究：

上海海事大學，商船學院的徐鐵在雜志《現代電子技術》當中，利用卡爾曼濾波對AIS數據進行適當修改，引入系統噪聲和測量噪聲，對系統狀態做最小二乘估計，對船舶運動軌跡進行平滑處理，并對不同時間段可靠性誤差進行分析，預測船舶軌跡。

上海海事大學，海洋科學與工程學院的茅晨昊在雜志《科技創新與應用》當中，提出基于高斯過程回歸的船舶軌跡預測模型，對船舶軌跡進行仿真模擬，連續迭代預測未來24分鐘船舶軌跡，預測精度逐漸降低。

圣保羅大學，圣卡洛斯工程學院的M.Berker在J.Brazilian Soc.Mech.Sci.Eng當中提出應用基于2D的障礙運動跟蹤模塊對運動障礙物追蹤算法，提高了用于導航目的的數據質量。

印度馬德拉斯理工學院的V.Vaidehi在Computers and Electrical Engineering發表的論文當中通過添加神經網絡單元進入普通的卡爾曼濾波器，用于跟蹤高度機動的多目標的輔助卡爾曼濾波方案。