基于机器学习的船舶AIS轨迹预测方法研究
发布时间：2021-11-25 06:34
在世界经济全球化的环境下,航运成为国际贸易最主要的运输形式之一,国际航运业承担着约90%的世界贸易量。随着世界经济的飞速发展,航运业呈现出巨大变化,船舶的数量、种类不断增长,新的航线不断涌现,应运产生了许多热点水域。船舶数量及航运线路的增多虽然使航运贸易越来越繁荣,但同样会使热点水域的航道拥挤,负载增大。相应由于船舶自身问题以及人为因素也会导致事故增多,严重威胁着船舶人员的生命和财产安全。因此,通过历史船舶的航行轨迹数据来预测未来的船舶轨迹,成为确保水域内船舶安全航行的关键。随着AIS（Automatic Identification System）系统的推广与普及,船舶AIS轨迹数据可获得性提高,可采集到的AIS数据更加丰富,为船舶轨迹预测提供了条件基础。本文分析总结了船舶AIS轨迹数据的相关特点与结构,使用机器学习的相关方法,建立了船舶轨迹预测模型,对船舶未来轨迹进行了预测。本文主要研究工作包括:（1）数据补全及异常处理方法研究。以AIS原始数据为基础,进行数据补全与异常数据处理工作。（2）船舶轨迹预测的聚类再回归方法研究。结合分类思想,通过对轨迹样本使用k-medoids方法聚类...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
不同算法的聚类质量对比图
4基于聚类再回归的轨迹预测38图4.7MAE与RMSE随聚类数目变化趋势图实验二的目的是确定输入不同滞后时间步数作为观测值对模型预测精度的影响。实验设置：将聚类数目设置为7，滞后时间步数分别设置为2,3,4,5，选取对应的观测值作为输入进行实验，分别计算不同滞后步数的MAE和RMSE。实验结果如表4.6所示，可以看出滞后时间步数对于模型的预测精度影响很小，当滞后时间步数为3时，MAE与RMSE的值相较于其他滞后时间步数更低，预测效果更好。表4.6不同滞后步数的预测误差滞后时间步数2345MAE0.025300.019150.022360.02477RMSE0.035250.025630.028940.03356实验三的目的是对比分析直接回归、聚类再回归以及改进后的聚类再回归的预测效果。实验设置：将轨迹聚类数目设置为7，使用XGBoost模型进行预测实验，以前三个时刻的轨迹信息作为模型输入，分别计算三种方法的MAE与RMSE。选取MMSI码为414032000的船舶中的部分轨迹分别使用三种方法进行预测，将预测结果绘制成图，为了方便观察，分别使用经度与纬度的轨迹图进行展示。实验结果如表4.7和图4.8所示，从表中可以看出，两种聚类再回归算法的MAE与RMSE均明显低于直接回归算法，其中改进后的聚类再回归算法的MAE和RMSE最低，预测效果最好。在对MMSI码为414032000的船舶轨迹预测中，
4基于聚类再回归的轨迹预测39蓝色表示原始轨迹，橘色表示直接回归算法预测的轨迹，绿色表示聚类再回归算法预测的轨迹，红色表示改进后的聚类再回归算法预测的轨迹。从图中可以看出，改进后的聚类再回归算法相较于其他两种算法拟合程度更高，预测效果更好。表4.7三种算法的预测误差模型MAERMSE直接回归0.026060.03514聚类再回归0.021020.02716改进后的聚类再回归0.019150.02545图4.8三种方法预测结果对比图实验四的目的是对不同模型的改进后的聚类再回归算法进行比较。实验设置：分别使用XGBoost、LightGBM、LSTM模型进行实验，聚类数目选择为7，滞后时间步数选择为3，计算各模型的MAE。实验结果如表4.8所示，从表中可以看出三个模型使用聚类再回归方法后预测准确度均有所提升，其中XGBoost与LightGBM模型提升效果最为明显，LSTM网络也有小幅度提升。在三个模型中，LSTM网络效果最好，XGBoost与LightGBM模型效果接近。因此，面对不同的预测模型，聚类再回归方法同样可以有效提高预测精度。表4.8不同模型的预测误差模型直接回归MAE聚类再回归MAEXGBoost0.026060.01915LightGBM0.036890.02490LSTM0.019940.01665
【参考文献】：
期刊论文
[1]基于SMOTE和KNN的石油数据缺失填充算法[J]. 李董,迟家俊,相博,王梅. 数学的实践与认识. 2019(17)
[2]船舶AIS轨迹聚类方法研究进展综述[J]. 徐良坤,任律珍,周世波. 广州航海学院学报. 2019(02)
[3]关于构建VHF海事数字集群通讯系统的研究[J]. 李茹琨,张在嘉. 珠江水运. 2019(11)
[4]基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 姜佰辰,关键,周伟,陈小龙. 信号处理. 2019(05)
[5]基于卡尔曼滤波的航迹预测探析[J]. 冯志轩. 甘肃科技纵横. 2019(03)
[6]时空轨迹相似性度量方法综述[J]. 周星星,吉根林,张书亮. 地理信息世界. 2018(04)
[7]基于GPS技术的船舶定位导航和航迹预测研究[J]. 李兴海. 舰船科学技术. 2018(12)
[8]基于高斯过程回归的船舶航行轨迹预测[J]. 茅晨昊,潘晨,尹波,卢忆宁,许循齐. 科技创新与应用. 2017(31)
[9]异常轨迹数据预警与预测关键技术综述[J]. 仇功达,何明,杨杰,曹玉婷,孙继红. 系统仿真学报. 2017(11)
[10]数据缺失及其处理方法综述[J]. 晔沙. 电子测试. 2017(18)
硕士论文
[1]基于AIS的船舶轨迹分析的研究与应用[D]. 杨博辰.电子科技大学 2018
[2]时间序列分析方法在机场噪声预测中的应用研究[D]. 夏利.南京航空航天大学 2012
[3]基于卡尔曼滤波的船舶航行轨迹异常行为预测算法研究[D]. 邱洪生.河北工业大学 2012
本文编号：3517596
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
不同算法的聚类质量对比图
4基于聚类再回归的轨迹预测38图4.7MAE与RMSE随聚类数目变化趋势图实验二的目的是确定输入不同滞后时间步数作为观测值对模型预测精度的影响。实验设置：将聚类数目设置为7，滞后时间步数分别设置为2,3,4,5，选取对应的观测值作为输入进行实验，分别计算不同滞后步数的MAE和RMSE。实验结果如表4.6所示，可以看出滞后时间步数对于模型的预测精度影响很小，当滞后时间步数为3时，MAE与RMSE的值相较于其他滞后时间步数更低，预测效果更好。表4.6不同滞后步数的预测误差滞后时间步数2345MAE0.025300.019150.022360.02477RMSE0.035250.025630.028940.03356实验三的目的是对比分析直接回归、聚类再回归以及改进后的聚类再回归的预测效果。实验设置：将轨迹聚类数目设置为7，使用XGBoost模型进行预测实验，以前三个时刻的轨迹信息作为模型输入，分别计算三种方法的MAE与RMSE。选取MMSI码为414032000的船舶中的部分轨迹分别使用三种方法进行预测，将预测结果绘制成图，为了方便观察，分别使用经度与纬度的轨迹图进行展示。实验结果如表4.7和图4.8所示，从表中可以看出，两种聚类再回归算法的MAE与RMSE均明显低于直接回归算法，其中改进后的聚类再回归算法的MAE和RMSE最低，预测效果最好。在对MMSI码为414032000的船舶轨迹预测中，
4基于聚类再回归的轨迹预测39蓝色表示原始轨迹，橘色表示直接回归算法预测的轨迹，绿色表示聚类再回归算法预测的轨迹，红色表示改进后的聚类再回归算法预测的轨迹。从图中可以看出，改进后的聚类再回归算法相较于其他两种算法拟合程度更高，预测效果更好。表4.7三种算法的预测误差模型MAERMSE直接回归0.026060.03514聚类再回归0.021020.02716改进后的聚类再回归0.019150.02545图4.8三种方法预测结果对比图实验四的目的是对不同模型的改进后的聚类再回归算法进行比较。实验设置：分别使用XGBoost、LightGBM、LSTM模型进行实验，聚类数目选择为7，滞后时间步数选择为3，计算各模型的MAE。实验结果如表4.8所示，从表中可以看出三个模型使用聚类再回归方法后预测准确度均有所提升，其中XGBoost与LightGBM模型提升效果最为明显，LSTM网络也有小幅度提升。在三个模型中，LSTM网络效果最好，XGBoost与LightGBM模型效果接近。因此，面对不同的预测模型，聚类再回归方法同样可以有效提高预测精度。表4.8不同模型的预测误差模型直接回归MAE聚类再回归MAEXGBoost0.026060.01915LightGBM0.036890.02490LSTM0.019940.01665
【参考文献】：
期刊论文
[1]基于SMOTE和KNN的石油数据缺失填充算法[J]. 李董,迟家俊,相博,王梅. 数学的实践与认识. 2019(17)
[2]船舶AIS轨迹聚类方法研究进展综述[J]. 徐良坤,任律珍,周世波. 广州航海学院学报. 2019(02)
[3]关于构建VHF海事数字集群通讯系统的研究[J]. 李茹琨,张在嘉. 珠江水运. 2019(11)
[4]基于多项式卡尔曼滤波的船舶轨迹预测算法[J]. 姜佰辰,关键,周伟,陈小龙. 信号处理. 2019(05)
[5]基于卡尔曼滤波的航迹预测探析[J]. 冯志轩. 甘肃科技纵横. 2019(03)
[6]时空轨迹相似性度量方法综述[J]. 周星星,吉根林,张书亮. 地理信息世界. 2018(04)
[7]基于GPS技术的船舶定位导航和航迹预测研究[J]. 李兴海. 舰船科学技术. 2018(12)
[8]基于高斯过程回归的船舶航行轨迹预测[J]. 茅晨昊,潘晨,尹波,卢忆宁,许循齐. 科技创新与应用. 2017(31)
[9]异常轨迹数据预警与预测关键技术综述[J]. 仇功达,何明,杨杰,曹玉婷,孙继红. 系统仿真学报. 2017(11)
[10]数据缺失及其处理方法综述[J]. 晔沙. 电子测试. 2017(18)
硕士论文
[1]基于AIS的船舶轨迹分析的研究与应用[D]. 杨博辰.电子科技大学 2018
[2]时间序列分析方法在机场噪声预测中的应用研究[D]. 夏利.南京航空航天大学 2012
[3]基于卡尔曼滤波的船舶航行轨迹异常行为预测算法研究[D]. 邱洪生.河北工业大学 2012
本文编号：3517596
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3517596.html
