[发明专利]一种船舶航行行为在线预测方法

摘要

本发明提供一种船舶航行行为在线预测方法，属于船舶航行领域。该方法包括训练学习阶段和在线预测阶段，训练学习阶段首先对历史AIS大数据进行整理和划分，然后利用双向长短时记忆循环神经网络对截取的数据进行训练学习；在线预测阶段，首先利用AIS接收机采集实时AIS数据，然后采用滑动窗算法获得船舶轨迹关键特征点，之后预测未来连续6个船舶轨迹点，多次预测后利用最终预测的连续六个未来的船舶轨迹点作为所预测的船舶的航行行为。经过大数据训练成熟的模型，适用范围较广，通用性较高，可在后期实际应用当中针对经常预测的船舶进一步提升预测能力，可用于船舶智能避碰辅助决策和船舶异常行为检测，为水上交通管理部门提供服务。

主权项

1.一种船舶航行行为在线预测方法，其特征在于，该方法包括训练学习阶段和在线预测阶段，具体步骤如下：一、训练学习阶段(1.1)对历史AIS大数据进行整理和划分历史AIS大数据中含有船舶状态信息和船舶类型信息；将在航机动船、非渔船、非拖轮、非引航船的AIS大数据筛选出来，并进行数据清洗；将AIS大数据按照第一排序索引为MMSI，第二排序索引为时间的原则，对AIS大数据进行整理；选定AIS大数据中的经纬度位置信息、航向信息、对地速度信息以及时间信息作为代表船舶的航行行为信息；将选取的AIS数据平均等分6份，前五份作为训练样本，第六份作为验证样本；(1.2)利用双向长短时记忆循环神经网络对截取的数据进行训练学习训练样本按照批次进行，单一MMSI的船舶数据为一组，组内又划分成多个训练批次，随机间隔4个点选定AIS数据，以打破由于单一船舶数据过长导致网络学习精力转移的问题；输入层AIS数据格式为前三个点的经度、纬度、船艏向、时间，以及第四个点的时间，一共13个数值，输出层为第四个点的经度、纬度以及船艏向，一共3个数值；双向长短时记忆循环神经网络是在标准循环神经网络上，针对AIS时序数据特征，采用长短时记忆单元LSTM替换原有的RNN网络中的隐层单元；LSTM单元的关键是单元状态通过“门”来控制是否丢弃以及增加信息，从而实现遗忘和记忆功能，对所学习的知识进行选择性的操作；LSTM拥有三个门结构：输入门、输出门和遗忘门；网络训练进行自循环，权重实时更新，避免梯度消失以及梯度膨胀的问题；双向长短时记忆循环神经网络还在标准循环神经网络上引入双向结构，确保误差能够双向传播；最终基于工具Python构建双向长短时记忆循环神经网络BILSTM‑RNN，BILSTM‑RNN网络结构依次包括数据输入层、两层隐藏层、长短时记忆单元前向传播层、长短时记忆单元后向传播层、两层隐藏层和输出层；初始化的所有权值随机生成，偏置初始值为0.1，并在输入各层之前都经过批次标准化处理，使得激活函数的作用发挥出来；二、在线预测阶段(2.1)AIS接收机采集实时AIS数据；(2.2)采用滑动窗算法获得船舶轨迹关键特征点首先，依据步骤(2.1)采集的实时AIS数据，从验证样本数据中筛选出当前最具代表性的、最接近当前时间点的三个船舶AIS轨迹点P2、P3、P4，作为在线预测阶段神经网络的输入值，从输入神经网络的输入端开始，提高预测输入值的轨迹价值度，进一步提高BILSTM‑RNN的预测能力；(2.3)将步骤(2.2)经过筛选后P2、P3、P4点输入神经网络当中，然后，连续预测等间距6个轨迹点P5、P6、P7、P8、P9、P10，预测精度呈梯度递减，同时随着新的船舶实时数据的产生，通过误差函数的计算得出误差值，将误差值传回两个相互无连接的双向LSTM单元进行反馈，进一步更新算法参数，做出实时调整，再重新预测未来连续6个船舶轨迹点；(2.4)经过步骤(2.3)多个批次连续预测之后，系统对于当前船舶行为特征的理解能力得到提高，之后转入稳定预测阶段，将预测的误差控制在可接受的误差范围之内，进而利用双向长短时记忆循环神经网络所预测的连续6个未来的船舶轨迹点作为所预测的船舶的航行行为。