2022, 42(5): 102-109. doi: 10.3969/j.issn.1673-9159.2022.05.013
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
Keywords： AIS data , recurrent neural network , bidirectional long/ short-term memory , characteristic attention mechanism , ship trajectory prediction
【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。
| [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. |
| [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 |
