[发明专利]一种基于改进图卷积神经网络的船舶交通流预测方法

说明书

本发明公开了一种基于改进图卷积神经网络的船舶交通流预测方法，包括航道网络与船舶流量提取方法和船舶交通流预测方法。所述航道网络与船舶流量提取方法首先采用DP压缩算法获取初始的船舶轨迹特征点，然后采用DBSCAN算法对初始的轨迹特征点进行聚类去噪，得到轨迹特征点簇。再对研究海域进行网格划分，并将提取的轨迹特征点投影至网格之中，含特征点的网格被作为航道网络中的节点，再按照船舶行驶轨迹依次连接各节点，建立航道网络。最后，依次统计不同时间段内经过各节点的船舶数量，得到不同时刻中每个图节点的船舶交通流量。所述船舶交通流预测方法是基于航道网络提取得到的船舶流量，采用多图卷积改进的GCN算法对各节点的船舶流量进行预测。

技术领域

本发明属于船舶交通流量预测技术领域，具体涉及一种基于改进图卷积神经网络的船舶交通流预测方法。

背景技术

近年来，我国海上交通发展规模不断扩大，船舶交通流量日益增多，导致海上交通拥堵等问题频繁发生，极大地影响海上通航效率以及船舶交通服务水平。同时，由于海上交通越来越繁忙，船舶交通流量快速增长，导致海上交通事故频繁发生，造成巨大的经济损失。船舶交通流量是船舶交通流的一个反映尺度,是指单位时间(年/月/日/小时)内通过水域中的某一地点的所有的船舶数量，船舶交通流量越大，该水域对应地点的交通规模就越大，也就越繁忙，并且在一定程度上船舶交通流量的大小能反映其所在水域交通的是否有序与拥堵状况。船舶交通流量是海上交通工程学中一个重要的基本量，也是衡量海上交通基础设施建设的一个重要指标，其预测结果能为相关主管部门制定科学航道管理规划和做好船舶通航管理等工作提供基础性依据，同时也可为相关主管部门制定科学航道管理规划和做好船舶通航管理等工作提供基础性依据。

船舶自动识别系统(AIS)的应用和发展，可以更便捷地挖掘实时的交通流量数据信息，对未来的交通流量进行准确的预测可以为船舶交通规划设计与调度管理提供实时的更准确有效的依据。因此，保障船舶交通流量预测的准确性和合理性对于改善航道基础设施建设与制定科学的航道管理策略等具有重要的意义。

目前，运用于船舶交通流量预测的方法主要有回归模型、灰色模型、时间序列分析、支持向量机以及神经网络等，或者是利用遗传算法来优化神经网络等。

如公开号为CN110111606A的中国专利公开了一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，包括步骤：利用单位根检验中的NP检验法检验船舶交通流数据的非平稳性；利用集合经验模态分解算法将船舶交通流数据这个非平稳时间序列分解为平稳信号；构建改进自适应遗传算法优化的3层BP神经网络作为训练模型；得到预测结果。该专利构建改进自适应遗传算法优化的3层BP神经网络作为训练模型，数据的非平稳部分对预测结果影响降低，提高了预测的准确度。

如公开号为CN110555560A的中国专利公开了一种内河船舶交通流预测方法，涉及内河航运管理技术领域。该专利包括利用灰色理论建立GM(1，N)预测模型、建立GM-BP预测模型、建立GM-BP-Markov模型对港口船舶交通流进行预测。该专利根据数据样本较小的特征，利用灰色理论建立GM(1，N)预测模型，在此基础上提出通过等维全息BP神经网络对GM(1，N)预测模型进行改进，建立GM-BP预测模型，并将预测值与实际值比较，针对该模型对波动性较大的数据预测效果不够准确的特点，建立GM-BP-Markov模型对波动性较大的节点预测效果明显改善，该组合预测模型可对具有“少样本、非线性、波动性”特征的数据进行较为准确的预测。

这些利用神经网络的研究为船舶交通流量预测提供了理论基础，极大地促进了港口规划的发展。但是影响港口船舶交通流量的因素繁多且复杂，包括自然环境等周期性的影响因素、所处的地理位置等非周期性且较稳定的影响因素以及港口施工、周边港口竞争等不确定性影响因素。因此如何综合考虑航道网络不同节点的流量之间的影响，基于AIS数据挖掘航道网络并进行流量预测成为一个重要方向。因此，本发明提出了一种航道网络提取方法和一种基于多图卷积融合改进的图卷积神经网络的船舶流量预测方法。

发明内容