基于改进Seq2Seq的短时AIS轨迹序列预测模型

发布时间：2021-02-11 19:10

　　采用深度学习进行船舶轨迹序列预测对于智能航运具有重要意义。船舶自动识别系统（Automatic Identification System,AIS）蕴藏着大量船舶轨迹特征,基于AIS数据预测船舶轨迹是近年智能航运研究的热点之一。文中提出了一种基于改进Seq2Seq的短时AIS轨迹序列预测模型,该模型使用门控循环单元网络将历史时空序列编码为一个上下文向量,用以保留轨迹空间点间的时序关系,同时缓解梯度下降的问题。通过使用门控循环单元网络作为解码器来预测船舶轨迹的时空序列。实验采用了大规模真实船舶AIS数据,选取两类典型河段（重庆弯曲河段和武汉顺直河段）为实验区域,以评估和验证模型的有效性和适用性。实验证明,该模型能够有效提高短时轨迹序列预测的准确性和效率,为智能航船碰撞预警提供了一种有效可行的方法。 

【文章来源】：计算机科学. 2020,47(09)北大核心

【文章页数】：6 页

【部分图文】：

空间网格

近年来,序列到序列模型(Seq2Seq)被广泛用于处理可变长度输入和输出序列的相关任务,包括语音识别和机器翻译等,其核心思想是使用循环神经网络将可变长度的输入序列映射到可变长度的输出序列。Cho等提出一种新的神经网络结构——RNN编码器解码器模型(RNN Encoder-Deco-der)[16],该模型由两个循环神经网络组成,模型结构如图2所示。随后,Google团队提出了与RNN Encoder-Decoder结构类似的Sequence to Sequence模型用于机器翻译[17]。上述研究提出了相似的解决思路,Seq2Seq模型也由此产生。如图2所示,Seq2Seq模型由编码器和解码器两个部分组成。编码器是一个循环神经网络,它按顺序读入输入序列{x1,x2,x3,…,xt}的每个符号,在读入每个符号时,隐藏状态也会相应变化,最后形成语义向量c作为解码器的输入。解码器也是一个循环神经网络,该循环神经网络在给定隐藏状态的条件下,通过预测下一个符号来生成输出序列{y1,y2,…,yt′},不同于传统RNN中隐藏状态的计算,解码器中的隐藏状态计算还要考虑语义向量c,其计算式如下:

改进Seq2Seq轨迹序列预测模型结合了时空序列数据和Seq2Seq模型的特点,如图3所示,基于Seq2Seq的船舶AIS轨迹即时预测模型主要由两个RNNs模块组成。该模型可以看作对历史船舶AIS轨迹输入数据编码并获取轨迹特征之后对特征解码,以助于预测未来的船舶AIS轨迹。该模型的目标在于估算条件概率p(y1,…,ym|x1,…,xn),其中x1,…,xn表示输入的历史轨迹序列,y1,…,ym表示输出的预测轨迹序列。以武汉顺直河段的AIS轨迹数据为例,具体分析模型中各个模块的作用及处理数据时各模块之间的关联性。3.2.1 编码器

【参考文献】：
期刊论文
[1]基于LSTM的船舶航迹预测模型[J]. 权波,杨博辰,胡可奇,郭晨萱,李巧勤.  计算机科学. 2018(S2)



本文编号：3029568