基于機器學習的船舶AIS軌跡預測方法研究
發(fā)布時間:2021-11-25 06:34
在世界經(jīng)濟全球化的環(huán)境下,航運成為國際貿(mào)易最主要的運輸形式之一,國際航運業(yè)承擔著約90%的世界貿(mào)易量。隨著世界經(jīng)濟的飛速發(fā)展,航運業(yè)呈現(xiàn)出巨大變化,船舶的數(shù)量、種類不斷增長,新的航線不斷涌現(xiàn),應運產(chǎn)生了許多熱點水域。船舶數(shù)量及航運線路的增多雖然使航運貿(mào)易越來越繁榮,但同樣會使熱點水域的航道擁擠,負載增大。相應由于船舶自身問題以及人為因素也會導致事故增多,嚴重威脅著船舶人員的生命和財產(chǎn)安全。因此,通過歷史船舶的航行軌跡數(shù)據(jù)來預測未來的船舶軌跡,成為確保水域內(nèi)船舶安全航行的關鍵。隨著AIS(Automatic Identification System)系統(tǒng)的推廣與普及,船舶AIS軌跡數(shù)據(jù)可獲得性提高,可采集到的AIS數(shù)據(jù)更加豐富,為船舶軌跡預測提供了條件基礎。本文分析總結了船舶AIS軌跡數(shù)據(jù)的相關特點與結構,使用機器學習的相關方法,建立了船舶軌跡預測模型,對船舶未來軌跡進行了預測。本文主要研究工作包括:(1)數(shù)據(jù)補全及異常處理方法研究。以AIS原始數(shù)據(jù)為基礎,進行數(shù)據(jù)補全與異常數(shù)據(jù)處理工作。(2)船舶軌跡預測的聚類再回歸方法研究。結合分類思想,通過對軌跡樣本使用k-medoids方法聚類...
【文章來源】:鄭州大學河南省 211工程院校
【文章頁數(shù)】:80 頁
【學位級別】:碩士
【部分圖文】:
不同算法的聚類質量對比圖
4基于聚類再回歸的軌跡預測38圖4.7MAE與RMSE隨聚類數(shù)目變化趨勢圖實驗二的目的是確定輸入不同滯后時間步數(shù)作為觀測值對模型預測精度的影響。實驗設置:將聚類數(shù)目設置為7,滯后時間步數(shù)分別設置為2,3,4,5,選取對應的觀測值作為輸入進行實驗,分別計算不同滯后步數(shù)的MAE和RMSE。實驗結果如表4.6所示,可以看出滯后時間步數(shù)對于模型的預測精度影響很小,當滯后時間步數(shù)為3時,MAE與RMSE的值相較于其他滯后時間步數(shù)更低,預測效果更好。表4.6不同滯后步數(shù)的預測誤差滯后時間步數(shù)2345MAE0.025300.019150.022360.02477RMSE0.035250.025630.028940.03356實驗三的目的是對比分析直接回歸、聚類再回歸以及改進后的聚類再回歸的預測效果。實驗設置:將軌跡聚類數(shù)目設置為7,使用XGBoost模型進行預測實驗,以前三個時刻的軌跡信息作為模型輸入,分別計算三種方法的MAE與RMSE。選取MMSI碼為414032000的船舶中的部分軌跡分別使用三種方法進行預測,將預測結果繪制成圖,為了方便觀察,分別使用經(jīng)度與緯度的軌跡圖進行展示。實驗結果如表4.7和圖4.8所示,從表中可以看出,兩種聚類再回歸算法的MAE與RMSE均明顯低于直接回歸算法,其中改進后的聚類再回歸算法的MAE和RMSE最低,預測效果最好。在對MMSI碼為414032000的船舶軌跡預測中,
4基于聚類再回歸的軌跡預測39藍色表示原始軌跡,橘色表示直接回歸算法預測的軌跡,綠色表示聚類再回歸算法預測的軌跡,紅色表示改進后的聚類再回歸算法預測的軌跡。從圖中可以看出,改進后的聚類再回歸算法相較于其他兩種算法擬合程度更高,預測效果更好。表4.7三種算法的預測誤差模型MAERMSE直接回歸0.026060.03514聚類再回歸0.021020.02716改進后的聚類再回歸0.019150.02545圖4.8三種方法預測結果對比圖實驗四的目的是對不同模型的改進后的聚類再回歸算法進行比較。實驗設置:分別使用XGBoost、LightGBM、LSTM模型進行實驗,聚類數(shù)目選擇為7,滯后時間步數(shù)選擇為3,計算各模型的MAE。實驗結果如表4.8所示,從表中可以看出三個模型使用聚類再回歸方法后預測準確度均有所提升,其中XGBoost與LightGBM模型提升效果最為明顯,LSTM網(wǎng)絡也有小幅度提升。在三個模型中,LSTM網(wǎng)絡效果最好,XGBoost與LightGBM模型效果接近。因此,面對不同的預測模型,聚類再回歸方法同樣可以有效提高預測精度。表4.8不同模型的預測誤差模型直接回歸MAE聚類再回歸MAEXGBoost0.026060.01915LightGBM0.036890.02490LSTM0.019940.01665
【參考文獻】:
期刊論文
[1]基于SMOTE和KNN的石油數(shù)據(jù)缺失填充算法[J]. 李董,遲家俊,相博,王梅. 數(shù)學的實踐與認識. 2019(17)
[2]船舶AIS軌跡聚類方法研究進展綜述[J]. 徐良坤,任律珍,周世波. 廣州航海學院學報. 2019(02)
[3]關于構建VHF海事數(shù)字集群通訊系統(tǒng)的研究[J]. 李茹琨,張在嘉. 珠江水運. 2019(11)
[4]基于多項式卡爾曼濾波的船舶軌跡預測算法[J]. 姜佰辰,關鍵,周偉,陳小龍. 信號處理. 2019(05)
[5]基于卡爾曼濾波的航跡預測探析[J]. 馮志軒. 甘肅科技縱橫. 2019(03)
[6]時空軌跡相似性度量方法綜述[J]. 周星星,吉根林,張書亮. 地理信息世界. 2018(04)
[7]基于GPS技術的船舶定位導航和航跡預測研究[J]. 李興海. 艦船科學技術. 2018(12)
[8]基于高斯過程回歸的船舶航行軌跡預測[J]. 茅晨昊,潘晨,尹波,盧憶寧,許循齊. 科技創(chuàng)新與應用. 2017(31)
[9]異常軌跡數(shù)據(jù)預警與預測關鍵技術綜述[J]. 仇功達,何明,楊杰,曹玉婷,孫繼紅. 系統(tǒng)仿真學報. 2017(11)
[10]數(shù)據(jù)缺失及其處理方法綜述[J]. 曄沙. 電子測試. 2017(18)
碩士論文
[1]基于AIS的船舶軌跡分析的研究與應用[D]. 楊博辰.電子科技大學 2018
[2]時間序列分析方法在機場噪聲預測中的應用研究[D]. 夏利.南京航空航天大學 2012
[3]基于卡爾曼濾波的船舶航行軌跡異常行為預測算法研究[D]. 邱洪生.河北工業(yè)大學 2012
本文編號:3517596
【文章來源】:鄭州大學河南省 211工程院校
【文章頁數(shù)】:80 頁
【學位級別】:碩士
【部分圖文】:
不同算法的聚類質量對比圖
4基于聚類再回歸的軌跡預測38圖4.7MAE與RMSE隨聚類數(shù)目變化趨勢圖實驗二的目的是確定輸入不同滯后時間步數(shù)作為觀測值對模型預測精度的影響。實驗設置:將聚類數(shù)目設置為7,滯后時間步數(shù)分別設置為2,3,4,5,選取對應的觀測值作為輸入進行實驗,分別計算不同滯后步數(shù)的MAE和RMSE。實驗結果如表4.6所示,可以看出滯后時間步數(shù)對于模型的預測精度影響很小,當滯后時間步數(shù)為3時,MAE與RMSE的值相較于其他滯后時間步數(shù)更低,預測效果更好。表4.6不同滯后步數(shù)的預測誤差滯后時間步數(shù)2345MAE0.025300.019150.022360.02477RMSE0.035250.025630.028940.03356實驗三的目的是對比分析直接回歸、聚類再回歸以及改進后的聚類再回歸的預測效果。實驗設置:將軌跡聚類數(shù)目設置為7,使用XGBoost模型進行預測實驗,以前三個時刻的軌跡信息作為模型輸入,分別計算三種方法的MAE與RMSE。選取MMSI碼為414032000的船舶中的部分軌跡分別使用三種方法進行預測,將預測結果繪制成圖,為了方便觀察,分別使用經(jīng)度與緯度的軌跡圖進行展示。實驗結果如表4.7和圖4.8所示,從表中可以看出,兩種聚類再回歸算法的MAE與RMSE均明顯低于直接回歸算法,其中改進后的聚類再回歸算法的MAE和RMSE最低,預測效果最好。在對MMSI碼為414032000的船舶軌跡預測中,
4基于聚類再回歸的軌跡預測39藍色表示原始軌跡,橘色表示直接回歸算法預測的軌跡,綠色表示聚類再回歸算法預測的軌跡,紅色表示改進后的聚類再回歸算法預測的軌跡。從圖中可以看出,改進后的聚類再回歸算法相較于其他兩種算法擬合程度更高,預測效果更好。表4.7三種算法的預測誤差模型MAERMSE直接回歸0.026060.03514聚類再回歸0.021020.02716改進后的聚類再回歸0.019150.02545圖4.8三種方法預測結果對比圖實驗四的目的是對不同模型的改進后的聚類再回歸算法進行比較。實驗設置:分別使用XGBoost、LightGBM、LSTM模型進行實驗,聚類數(shù)目選擇為7,滯后時間步數(shù)選擇為3,計算各模型的MAE。實驗結果如表4.8所示,從表中可以看出三個模型使用聚類再回歸方法后預測準確度均有所提升,其中XGBoost與LightGBM模型提升效果最為明顯,LSTM網(wǎng)絡也有小幅度提升。在三個模型中,LSTM網(wǎng)絡效果最好,XGBoost與LightGBM模型效果接近。因此,面對不同的預測模型,聚類再回歸方法同樣可以有效提高預測精度。表4.8不同模型的預測誤差模型直接回歸MAE聚類再回歸MAEXGBoost0.026060.01915LightGBM0.036890.02490LSTM0.019940.01665
【參考文獻】:
期刊論文
[1]基于SMOTE和KNN的石油數(shù)據(jù)缺失填充算法[J]. 李董,遲家俊,相博,王梅. 數(shù)學的實踐與認識. 2019(17)
[2]船舶AIS軌跡聚類方法研究進展綜述[J]. 徐良坤,任律珍,周世波. 廣州航海學院學報. 2019(02)
[3]關于構建VHF海事數(shù)字集群通訊系統(tǒng)的研究[J]. 李茹琨,張在嘉. 珠江水運. 2019(11)
[4]基于多項式卡爾曼濾波的船舶軌跡預測算法[J]. 姜佰辰,關鍵,周偉,陳小龍. 信號處理. 2019(05)
[5]基于卡爾曼濾波的航跡預測探析[J]. 馮志軒. 甘肅科技縱橫. 2019(03)
[6]時空軌跡相似性度量方法綜述[J]. 周星星,吉根林,張書亮. 地理信息世界. 2018(04)
[7]基于GPS技術的船舶定位導航和航跡預測研究[J]. 李興海. 艦船科學技術. 2018(12)
[8]基于高斯過程回歸的船舶航行軌跡預測[J]. 茅晨昊,潘晨,尹波,盧憶寧,許循齊. 科技創(chuàng)新與應用. 2017(31)
[9]異常軌跡數(shù)據(jù)預警與預測關鍵技術綜述[J]. 仇功達,何明,楊杰,曹玉婷,孫繼紅. 系統(tǒng)仿真學報. 2017(11)
[10]數(shù)據(jù)缺失及其處理方法綜述[J]. 曄沙. 電子測試. 2017(18)
碩士論文
[1]基于AIS的船舶軌跡分析的研究與應用[D]. 楊博辰.電子科技大學 2018
[2]時間序列分析方法在機場噪聲預測中的應用研究[D]. 夏利.南京航空航天大學 2012
[3]基于卡爾曼濾波的船舶航行軌跡異常行為預測算法研究[D]. 邱洪生.河北工業(yè)大學 2012
本文編號:3517596
本文鏈接:http://www.sikaile.net/kejilunwen/chuanbolw/3517596.html
最近更新
教材專著