基于Stacking模型融合的船舶航行状态预测
发布时间：2021-03-11 04:58
随着国际贸易规模的扩大,海上交通运输量快速增长,在交通流较大及态势复杂的海域,易发生水上交通事故,造成人员伤亡和经济损失。基于船舶交通服务系统提供的AIS数据,提高船舶航行过程中的安全决策水平,能有效对船舶航行进行实时的监控、评估,及时发现船舶异常行为,降低水上交通事故的风险。本文基于AIS数据样本,利用数据挖掘和机器学习理论,研究适用于船舶航行状态预测的算法模型,构建基于Stacking模型融合的船舶航行状态预测模型。我们利用船舶航行历史数据来训练模型,预测船舶未来时刻的航行状态,并对实验结果进行了分析与研究。本文主要研究的工作如下:1.我们简要地介绍了基于AIS数据的船舶航行安全评估问题的研究背景和研究现况,以及本文研究的主要内容。同时,我们系统讨论了AIS数据结构和数据预处理的方法,以及Stacking融合算法和基分类器的原理。2.我们对AIS数据进行了分析及预处理,为基于AIS数据的船舶航行状态预测模型准备实验数据,并构建基于Stacking模型融合的船舶航行状态预测模型,介绍了双层模型中分类器的选择与实验过程,优化了模型参数。3.我们通过比较Stacking模型与基分类器的学...
【文章来源】：广西民族大学广西壮族自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图1.1分类算法框架图
152)()())(()(1)(kkUnnknkkCVCVxfyUMSEfMSE(2.4)K的取值会影响交叉验证中的误差评估结果，我们可以通过改变K的取值来减少误差。本文将选用5折交叉验证，下面给出训练过程示意图：图2.15折交叉验证2.3集成算法集成算法属于机器学习中的监督学习，利用集成算法可以将多个弱分类器按一定的集成原理融合成为一个强分类器[36]。在机器学习中，我们经常使用到的集成算法有Stacking、Bagging、Boosting、Blending，且有些基分类器也是集成算法。其中，根据集成算法的结构，我们可以分为单层集成算法和双层集成算法。Stacking属于双层融合算法，模型是多个分类器的非线性组合，相对于Bagging、Boosting算法来说，分类精确度上有一定的提升[37]。而Boosting、Bagging算法是单层融合算法，这类算法利用每个基学习器对数据集进行训练，然后通过投票法对每个基学习器的分类结果进行投票表决，最后输出最终的预测结果。集成学习将不同模型或基本模型的预测结合起来，与最佳个体模型或基本模型提供的误差相比，可以提高预测误差和泛化能力。下面将介绍三种集成算法[38]。
162.3.1Stacking集成算法Stacking是堆叠泛化（Stackinggeneralization）的缩写，被用于回归分析和分类[39]。Stacking集成算法是将基分类器一个一个堆叠起来形成第一层模型，然后在第一层模型的基础上，利用强分类器搭建第二层模型，以此类推，搭建成多层的训练模型。其中，强分类器的作用是集成学习上一层模型中基分类器的预测结果。Stacking集成算法的一般思想是：一、第一阶段，利用K折交叉验证将训练集划分为K个部分，分别利用第一层（Baselearner）K个基分类器（Base-classifiers）进行学习和预测。二、将K个基分类器预测得到的结果进行整合作为第二层（Metalearner）分类器（Mate-classifiers）的输入。三、第二阶段，训练第二层强分类器，得到最终的模型。把测试数据集输入最终的模型，得到最终的预测结果。Stacking集成算法框架图如下所示：图2.2Stacking集成算法2.3.2Boosting集成算法Boosting集成算法是可以将分类精确度较低的基分类器提升为精确度更高的组合分类器的一类算法[40]，其算法一般思想是：一、利用初始训练集来训练得到一个基分类器kG；二、把基分类器kG中被识别错误的训练样本挑选出来，根据基分类器kG训
【参考文献】：
期刊论文
[1]船舶交通管理系统（VTS）概况及进展[J]. 陈珺,常德化. 中国水运(下半月). 2019(09)
[2]基于极限学习机的船舶航行行为预测![J]. 谢新连,陈紫薇,魏照坤,赵瑞嘉. 重庆交通大学学报(自然科学版). 2019(08)
[3]基于模糊证据推理的内河船舶航行安全状态评价[J]. 张笛,姚厚杰,万程鹏,梁峥,张明阳. 安全与环境学报. 2018(04)
[4]基于AIS信息和BP神经网络的船舶航行行为预测[J]. 甄荣,金永兴,胡勤友,施朝健,王胜正. 中国航海. 2017(02)
[5]基于高斯混合模型的轨迹模仿学习表征参数优化[J]. 于建均,郑逸加,阮晓钢,赵少琼. 北京工业大学学报. 2017(05)
[6]基于大数据的数据挖掘技术与应用[J]. 张爱国. 现代工业经济和信息化. 2017(03)
[7]船舶自动识别系统在物联网及VTS中应用的关键技术研究[J]. 张剑锋,陈慕君. 舰船科学技术. 2016(14)
[8]基于AIS数据的船舶运动模式识别与应用[J]. 魏照坤,周康,魏明,史国友. 上海海事大学学报. 2016(02)
[9]基于熵权云模型的LNG码头安全评价[J]. 周品江,江福才,马全党. 安全与环境学报. 2016(02)
[10]基于AIS信息的船舶轨迹聚类模型及应用[J]. 肖潇,邵哲平,潘家财,纪贤标. 中国航海. 2015(02)
本文编号：3075898
【文章来源】：广西民族大学广西壮族自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图1.1分类算法框架图
152)()())(()(1)(kkUnnknkkCVCVxfyUMSEfMSE(2.4)K的取值会影响交叉验证中的误差评估结果，我们可以通过改变K的取值来减少误差。本文将选用5折交叉验证，下面给出训练过程示意图：图2.15折交叉验证2.3集成算法集成算法属于机器学习中的监督学习，利用集成算法可以将多个弱分类器按一定的集成原理融合成为一个强分类器[36]。在机器学习中，我们经常使用到的集成算法有Stacking、Bagging、Boosting、Blending，且有些基分类器也是集成算法。其中，根据集成算法的结构，我们可以分为单层集成算法和双层集成算法。Stacking属于双层融合算法，模型是多个分类器的非线性组合，相对于Bagging、Boosting算法来说，分类精确度上有一定的提升[37]。而Boosting、Bagging算法是单层融合算法，这类算法利用每个基学习器对数据集进行训练，然后通过投票法对每个基学习器的分类结果进行投票表决，最后输出最终的预测结果。集成学习将不同模型或基本模型的预测结合起来，与最佳个体模型或基本模型提供的误差相比，可以提高预测误差和泛化能力。下面将介绍三种集成算法[38]。
162.3.1Stacking集成算法Stacking是堆叠泛化（Stackinggeneralization）的缩写，被用于回归分析和分类[39]。Stacking集成算法是将基分类器一个一个堆叠起来形成第一层模型，然后在第一层模型的基础上，利用强分类器搭建第二层模型，以此类推，搭建成多层的训练模型。其中，强分类器的作用是集成学习上一层模型中基分类器的预测结果。Stacking集成算法的一般思想是：一、第一阶段，利用K折交叉验证将训练集划分为K个部分，分别利用第一层（Baselearner）K个基分类器（Base-classifiers）进行学习和预测。二、将K个基分类器预测得到的结果进行整合作为第二层（Metalearner）分类器（Mate-classifiers）的输入。三、第二阶段，训练第二层强分类器，得到最终的模型。把测试数据集输入最终的模型，得到最终的预测结果。Stacking集成算法框架图如下所示：图2.2Stacking集成算法2.3.2Boosting集成算法Boosting集成算法是可以将分类精确度较低的基分类器提升为精确度更高的组合分类器的一类算法[40]，其算法一般思想是：一、利用初始训练集来训练得到一个基分类器kG；二、把基分类器kG中被识别错误的训练样本挑选出来，根据基分类器kG训
【参考文献】：
期刊论文
[1]船舶交通管理系统（VTS）概况及进展[J]. 陈珺,常德化. 中国水运(下半月). 2019(09)
[2]基于极限学习机的船舶航行行为预测![J]. 谢新连,陈紫薇,魏照坤,赵瑞嘉. 重庆交通大学学报(自然科学版). 2019(08)
[3]基于模糊证据推理的内河船舶航行安全状态评价[J]. 张笛,姚厚杰,万程鹏,梁峥,张明阳. 安全与环境学报. 2018(04)
[4]基于AIS信息和BP神经网络的船舶航行行为预测[J]. 甄荣,金永兴,胡勤友,施朝健,王胜正. 中国航海. 2017(02)
[5]基于高斯混合模型的轨迹模仿学习表征参数优化[J]. 于建均,郑逸加,阮晓钢,赵少琼. 北京工业大学学报. 2017(05)
[6]基于大数据的数据挖掘技术与应用[J]. 张爱国. 现代工业经济和信息化. 2017(03)
[7]船舶自动识别系统在物联网及VTS中应用的关键技术研究[J]. 张剑锋,陈慕君. 舰船科学技术. 2016(14)
[8]基于AIS数据的船舶运动模式识别与应用[J]. 魏照坤,周康,魏明,史国友. 上海海事大学学报. 2016(02)
[9]基于熵权云模型的LNG码头安全评价[J]. 周品江,江福才,马全党. 安全与环境学报. 2016(02)
[10]基于AIS信息的船舶轨迹聚类模型及应用[J]. 肖潇,邵哲平,潘家财,纪贤标. 中国航海. 2015(02)
本文编号：3075898
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3075898.html
