首页 >  广东海洋大学学报 >  基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测

2022, 42(5): 102-109. doi: 10.3969/j.issn.1673-9159.2022.05.013

基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测

海南大学机电工程学院, 海南 海口 570228

收稿日期:2022-04-07
修回日期:2022-04-07

关键词: AIS信息 , 循环神经网络 , 双向长短时记忆网络 , 特征注意力机制 , 船舶轨迹预测

Ship Trajectory Prediction of RNN-Bi-LSTM Based on Characteristic Attention Mechanism

College of Mechanical and Electrical Engineering, Hainan University, Haikou 570228, China

Received Date:2022-04-07
Accepted Date:2022-04-07

Keywords: AIS data , recurrent neural network , bidirectional long/ short-term memory , characteristic attention mechanism , ship trajectory prediction

摘要

【目的】为更准确预测船舶轨迹,基于RNN、Bi-LSTM 和注意力机制,研究一种结合特征注意力机制的RNN-Bi-LSTM 的船舶轨迹预测模型。【方法】基于AIS 数据构建基于循环神经网络(RNN)与双向长短时记忆网络(Bi-LSTM)的混合神经网络模型,并在混合模型中加入特征注意力机制对数据特征进行权重分配,提升模型对船舶轨迹预测精度。【结果】使用实际运行的船舶AIS数据,对模型的有效性和实用性进行验证,测试集均方误差为2.751×10-5、均方根误差为5.245×10-3,在连续弯道预测中的均方误差为4.359×10-6、均方根误差为2.088×10-3。【结论】结合特征注意力机制的RNN-Bi-LSTM相较于传统的预测神经网络,船舶轨迹预测精度更高,尤其在弯道预测中也表现出较好的符合度。

【目的】为更准确预测船舶轨迹,基于RNN、Bi-LSTM 和注意力机制,研究一种结合特征注意力机制的RNN-Bi-LSTM 的船舶轨迹预测模型。【方法】基于AIS 数据构建基于循环神经网络(RNN)与双向长短时记忆网络(Bi-LSTM)的混合神经网络模型,并在混合模型中加入特征注意力机制对数据特征进行权重分配,提升模型对船舶轨迹预测精度。【结果】使用实际运行的船舶AIS数据,对模型的有效性和实用性进行验证,测试集均方误差为2.751×10-5、均方根误差为5.245×10-3,在连续弯道预测中的均方误差为4.359×10-6、均方根误差为2.088×10-3。【结论】结合特征注意力机制的RNN-Bi-LSTM相较于传统的预测神经网络,船舶轨迹预测精度更高,尤其在弯道预测中也表现出较好的符合度。

参考文献

[1] 姜佰辰,关键,周伟,等.基于多项式卡尔曼滤波的船舶轨迹预测算法[J].信号处理, 2019, 35(5):741-746.
[2] 周艳萍,曾宪群,蔡玲.改进灰色模型的船舶航行轨迹自动预测研究[J].舰船科学技术, 2021, 43(20):34-36.
[3] 何静.利用卡尔曼滤波预测船舶航行轨迹异常行为[J].舰船科学技术, 2017, 39(2):16-18.
[4] 李永,成梦雅.LSTM船舶航迹预测模型[J].计算机技术与发展, 2021, 31(9):149-154.
[5] 王研婷.基于CNN和LSTM的船舶航迹预测[D].大连:大连海事大学, 2020.
[6] ZHANG S, WANG L, ZHU M D, et al.A Bi-directional LSTM ship trajectory prediction method based on attention mechanism[C]//2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference.IEEE, 2021:1987-1993.
[7] 赵梁滨.基于AIS数据和循环神经网络的船舶轨迹异常检测[D].大连:大连海事大学, 2019.
[8] WANG C,FU Y H.Ship trajectory prediction based on attention in bidirectional recurrent neural networks[C]//2020 5th International Conference on Information Science, Computer Technology and Transportation, ISCTT, 2020:529-533.
[9] SUO Y F, CHEN W K, CLARAMUNT C, et al.A ship trajectory prediction framework based on a recurrent neural network[J].Sensors (Basel, Switzerland), 2020, 20(18):5133.
[10] 权波,杨博辰,胡可奇,等.基于LSTM的船舶航迹预测模型[J].计算机科学, 2018, 45(S2):126-131.
[11] 丁孟真.基于AIS数据的船舶轨迹预测方法研究[D].兰州:兰州大学, 2020.
[12] LUONG T, PHAM H, MANNING C D.Effective approaches to attention-based neural machine translation[C]//Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing.Stroudsburg, PA, USA:Association for Computational Linguistics, 2015:1412-1421.
[13] LI C K, HOU Y H, WANG P C, et al.Joint distance maps based action recognition with convolutional neural networks[J].IEEE Signal Processing Letters, 2017, 24(5):624-628.
[14] ZHANG Z Y, NI G X, XU Y G.Ship trajectory prediction based on LSTM neural network[C]//2020 IEEE 5th Information Technology and Mechatronics Engineering Conference.IEEE, 2020:1356-1364.
[15] 胡玉可.基于循环神经网络的船舶轨迹预测方法研究[D].合肥:合肥工业大学, 2020.
[16] 龚志猛,冷文浩,孟斌.潜航器轨迹跟踪与航向预测算法[J].船舶工程, 2019, 41(2):56-61.
[17] 黄妙芬,王江颖,邢旭峰,等.基于LSTM网络的海水石油污染含量遥感预测模型[J].广东海洋大学学报, 2021, 41(5):67-73.

相关文章

[1] 陈晶, 聂青, 刘妍. 《WHO基本药物示范目录》与我国《国家基本药物目录》动态调整程序比较与借鉴.水产学报,2015(3): 289-293.doi:10.3866/PKU.WHXB201503022
  • 导出引用
  • 下载XML
  • 收藏文章
计量
  • 文章下载量()
  • 文章访问量()

目录

基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测