甄 榮，金永興，胡勤友，施朝健，王勝正

(上海海事大學(xué) 商船學(xué)院，上海 201306)

基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)

甄 榮，金永興，胡勤友，施朝健，王勝正

(上海海事大學(xué) 商船學(xué)院，上海 201306)

針對(duì)船舶航行行為多維度的特點(diǎn)和船舶交通服務(wù)系統(tǒng)(Vessel Traffic Service,VTS)對(duì)船舶行為預(yù)測(cè)的精確度和實(shí)時(shí)性需求，提出結(jié)合船舶自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System,AIS)信息和BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)方法。構(gòu)造基于AIS信息的船舶航行行為特征表達(dá)方法，根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基本原理，以連續(xù)3個(gè)時(shí)刻的船舶航行行為特征值為輸入，以第4個(gè)時(shí)刻的船舶航行行為特征值為輸出，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用于對(duì)未來(lái)船舶航行行為進(jìn)行預(yù)測(cè)。以成山角VTS水域內(nèi)的船舶AIS信息為例進(jìn)行試驗(yàn)，結(jié)果表明:利用該方法對(duì)船舶航行行為特征值進(jìn)行預(yù)測(cè)的結(jié)果準(zhǔn)確、實(shí)時(shí)，誤差在可接受的范圍內(nèi)。

水路運(yùn)輸；船舶行為；預(yù)測(cè)；AIS信息；BP神經(jīng)網(wǎng)絡(luò)

在沿海和港口水域，特別是在交通密度較大、態(tài)勢(shì)復(fù)雜的海域，利用船舶交通服務(wù)系統(tǒng)(Vessel Traffic Service，VTS)精確、有效地對(duì)船舶的航行行為進(jìn)行實(shí)時(shí)跟蹤預(yù)測(cè)是海上交通事故預(yù)測(cè)和預(yù)警的重要技術(shù)支撐，對(duì)提高海上交通監(jiān)管效率和降低交通風(fēng)險(xiǎn)具有重要意義。當(dāng)前已有較多針對(duì)船舶行為預(yù)測(cè)的研究：文獻(xiàn)[1]運(yùn)用卡爾曼濾波算法對(duì)船舶自動(dòng)識(shí)別系統(tǒng)(Automatic Identification System,AIS)觀測(cè)數(shù)據(jù)進(jìn)行最小二乘法估計(jì)，得到平滑的船舶運(yùn)動(dòng)軌跡，對(duì)船舶行為數(shù)據(jù)進(jìn)行預(yù)測(cè);文獻(xiàn)[2]將改進(jìn)卡爾曼濾波算法應(yīng)用到船舶運(yùn)動(dòng)軌跡處理中，對(duì)船舶運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè);文獻(xiàn)[3]運(yùn)用競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)對(duì)船舶航行狀態(tài)進(jìn)行探測(cè)和跟蹤，通過(guò)擴(kuò)展卡爾曼濾波對(duì)船舶航行狀態(tài)進(jìn)行估計(jì);文獻(xiàn)[4]運(yùn)用支持向量機(jī)模型對(duì)橋區(qū)水域內(nèi)失控船舶的航跡進(jìn)行預(yù)測(cè);文獻(xiàn)[5]引入基于時(shí)間序列的船舶航行位置預(yù)測(cè)算法，對(duì)船舶航行位置進(jìn)行預(yù)測(cè);文獻(xiàn)[6]設(shè)計(jì)基于三層BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)模型，以船舶航向和航速作為輸入、以經(jīng)度差和緯度作為輸出來(lái)神經(jīng)訓(xùn)練網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)船舶位置預(yù)測(cè)；文獻(xiàn)[7]結(jié)合馬爾科夫鏈和灰色模型對(duì)內(nèi)河船舶軌跡進(jìn)行預(yù)測(cè)。在卡爾曼濾波、支持向量機(jī)和灰色模型的船舶軌跡預(yù)測(cè)方法中，需構(gòu)建船舶運(yùn)動(dòng)學(xué)方程，而風(fēng)、流等環(huán)境因素對(duì)船舶運(yùn)動(dòng)的影響較大，干擾的隨機(jī)性和多樣性直接導(dǎo)致運(yùn)動(dòng)的復(fù)雜性。從VTS監(jiān)控系統(tǒng)的角度考慮，船舶行為預(yù)測(cè)必須具備時(shí)效性，而實(shí)時(shí)準(zhǔn)確地建立數(shù)學(xué)方程不僅較難實(shí)現(xiàn)，而且對(duì)數(shù)據(jù)源要求較高，大多數(shù)方法只適用于理想狀態(tài)?；谏窠?jīng)網(wǎng)絡(luò)的船舶軌跡預(yù)測(cè)方法具有用時(shí)短、誤差小和通用性強(qiáng)的特點(diǎn)[6]，適合VTS對(duì)船舶軌跡預(yù)測(cè)實(shí)時(shí)、高效的需求。文獻(xiàn)[6]僅通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)船舶的空間航行位置進(jìn)行預(yù)測(cè)，而完整的船舶航行行為需包括船舶的速度和航向特征?；诖?，在已有研究的基礎(chǔ)上，提出結(jié)合船舶AIS信息和BP神經(jīng)網(wǎng)絡(luò)對(duì)沿海VTS監(jiān)控海域內(nèi)船舶的航行行為進(jìn)行預(yù)測(cè)，將船舶AIS數(shù)據(jù)作為船舶行為的表征數(shù)據(jù)，在船舶航行軌跡特征的基礎(chǔ)上考慮船舶航行速度和航向等特征，在船舶航跡預(yù)測(cè)的基礎(chǔ)上實(shí)現(xiàn)多維的船舶航行行為特征預(yù)測(cè)。

1 基于AIS信息的船舶航行行為分析

船舶的航行行為主要體現(xiàn)在船舶的航行位置、速度和航向隨時(shí)間的變化上，對(duì)應(yīng)的船舶AIS信息中的動(dòng)態(tài)信息分別為時(shí)間(TIME)、經(jīng)度(LONGITUDE)、緯度(LATITUDE)、SOG(Speed Over Ground)和COG(Course Over Ground)等。為區(qū)分不同船舶的航行行為，將船舶的海上移動(dòng)業(yè)務(wù)識(shí)別碼(Maritime Mobile Service Identity，MMSI)加入到船舶航行行為表征數(shù)據(jù)中。由此，基于AIS信息的船舶航行行為可表示為

Vessel_Behavior(MMSI,TIME)=

{ LONGITUDE,LATITUDE,SOG,COG }

(1)

在該模型中:MMSI用來(lái)區(qū)分和表征船舶;TIME標(biāo)識(shí)船舶航行行為的時(shí)間特性;LONGITUDE和LATITUDE表征船舶航行行為的空間屬性;SOG表征船舶航行行為的速度特性;COG表征船舶航行行為的方向特性。這里采用的船舶AIS原始信息由船隊(duì)在線[8]提供，經(jīng)接收和解碼后存儲(chǔ)在My SQL數(shù)據(jù)庫(kù)中，以方便查詢和調(diào)用。船舶AIS信息存儲(chǔ)結(jié)構(gòu)示意見(jiàn)圖1。

在數(shù)據(jù)庫(kù)中，按照船舶航行行為數(shù)據(jù)表征的需求設(shè)計(jì)MMSI,TIME,LONGITUDE,LATITUDE,SOG和COG等字段，并將MMSI和TIME作為主鍵，以方便查詢和處理船舶AIS信息。

2 基于BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)模型

2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其架構(gòu)示意見(jiàn)圖2。[9]

圖2 BP神經(jīng)網(wǎng)絡(luò)架構(gòu)示意

圖2為標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層,其中:輸入層包含n個(gè)神經(jīng)元節(jié)點(diǎn)(i=1,2,…,n)，輸入向量為u=(x1,x2,…,xn)T;隱含層包含l個(gè)神經(jīng)元節(jié)點(diǎn)(j=1,2,…,l);輸出層包含m個(gè)神經(jīng)元節(jié)點(diǎn)(k=1,2,…,m)。ωij為輸入層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)重;ωjk為隱含層神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)重;θj為隱含層神經(jīng)元的閾值;θk為輸出層神經(jīng)元的閾值。

BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)時(shí)首先要利用梯度下降法逐層訓(xùn)練和更新網(wǎng)絡(luò)的權(quán)值及閾值，通過(guò)訓(xùn)練使網(wǎng)絡(luò)具備聯(lián)想記憶和預(yù)測(cè)能力，具體訓(xùn)練過(guò)程[9]如下。

1) 參數(shù)初始化。根據(jù)系統(tǒng)輸入輸出序列(x,y)確定網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點(diǎn)數(shù)n和輸出層節(jié)點(diǎn)數(shù)m，對(duì)ωij及ωjk進(jìn)行初始化，初始化θj和θk，設(shè)置合適的網(wǎng)絡(luò)學(xué)習(xí)速率和傳遞函數(shù)。

2) 隱含層輸出計(jì)算。根據(jù)ωij及θj，由式(2)得到網(wǎng)絡(luò)隱含層輸出值H。

(2)

式(2)中:l為隱含層神經(jīng)元節(jié)點(diǎn)數(shù);f()為隱含層傳遞函數(shù)，有多種表達(dá)形式，在BP神經(jīng)網(wǎng)絡(luò)中通常用S型函數(shù)，其表達(dá)式為

f(x)=1/(1+e-x)

(3)

3) 輸出層輸出計(jì)算。運(yùn)用H，ωjk和θk，計(jì)算輸出值O。

(4)

式(4)中:m為輸出層神經(jīng)元節(jié)點(diǎn)數(shù);φ為輸出層傳遞函數(shù)，通常取線性函數(shù)，其表達(dá)式為

φ(x)=x

(5)

4) 誤差計(jì)算。采用單樣本訓(xùn)練的方法計(jì)算誤差和更新權(quán)值[10]，每輸入一個(gè)樣本，都要回傳誤差并進(jìn)行調(diào)整，根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差輸出O和期望輸出y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差e。

ek=yk-Ok,k=1,2,…,m

(6)

5) 權(quán)值更新。根據(jù)e，利用梯度下降方法，通過(guò)計(jì)算誤差對(duì)相應(yīng)參數(shù)的偏導(dǎo)數(shù)，得到權(quán)值和閾值的更新值，從而更新ωij和ωjk，使誤差遞減。

式(7)和式(8)中:η為學(xué)習(xí)率，通常在0～1內(nèi)取值;i=1,2,…,n;j=1,2,…,l;k=1,2,…,m。

6) 閾值更新。根據(jù)e更新θj和θk。

式(9)和式(10)中:j=1,2,…,l;k=1,2,…,m。

7) 判斷更新后的權(quán)值和閾值計(jì)算誤差，若小于設(shè)定的網(wǎng)絡(luò)設(shè)定誤差，則迭代結(jié)束;若沒(méi)有達(dá)到要求，則重復(fù)步驟2)～步驟6),直到滿足要求。

2.2BP神經(jīng)網(wǎng)絡(luò)參數(shù)分析

2.2.1輸入輸出參數(shù)分析

為減小輸入數(shù)據(jù)間數(shù)量級(jí)差別較大引起的網(wǎng)絡(luò)預(yù)測(cè)誤差，需對(duì)輸入數(shù)據(jù)作歸一化處理，處理后所有數(shù)據(jù)都轉(zhuǎn)化為[0,1]內(nèi)的數(shù)據(jù)。這里采用離差標(biāo)準(zhǔn)化方法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化，轉(zhuǎn)換式為

(11)

式(11)中:x為原始訓(xùn)練數(shù)據(jù);maxX為訓(xùn)練數(shù)據(jù)的最大值;minX為訓(xùn)練數(shù)據(jù)的最小值;x*為轉(zhuǎn)換后的數(shù)據(jù);經(jīng)過(guò)離差標(biāo)準(zhǔn)化處理的數(shù)據(jù)消除量綱和數(shù)據(jù)取值范圍的影響，保留原來(lái)數(shù)據(jù)中存在的關(guān)系。

在運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)船舶航行行為特征值進(jìn)行預(yù)測(cè)之后,還需根據(jù)式(11)對(duì)預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理，使預(yù)測(cè)得到的數(shù)據(jù)符合實(shí)際意義。

2.2.2神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)選擇

BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個(gè)數(shù)由訓(xùn)練數(shù)據(jù)的特征決定，在具體的訓(xùn)練中,隱含層神經(jīng)元個(gè)數(shù)的選擇對(duì)網(wǎng)絡(luò)的預(yù)測(cè)精度有較大影響。若節(jié)點(diǎn)數(shù)設(shè)置太少，則神經(jīng)網(wǎng)絡(luò)不能很好地對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)，訓(xùn)練過(guò)程中需增加訓(xùn)練次數(shù)，網(wǎng)絡(luò)精度低；若節(jié)點(diǎn)數(shù)設(shè)置太多，則會(huì)導(dǎo)致訓(xùn)練時(shí)間增加和網(wǎng)絡(luò)過(guò)擬合，最終影響神經(jīng)元的性能。

對(duì)于隱藏層節(jié)點(diǎn)數(shù)的確定，通常采用經(jīng)驗(yàn)公式確定估值，以此作為初始值,通過(guò)試驗(yàn)進(jìn)行試湊，選取訓(xùn)練之后識(shí)別誤差最小的值作為隱藏層節(jié)點(diǎn)數(shù)。根據(jù)文獻(xiàn)[11]，采用的經(jīng)驗(yàn)公式為

(12)

式(12)中:M為隱藏層節(jié)點(diǎn)數(shù);m為輸入層節(jié)點(diǎn)數(shù);n為輸出層節(jié)點(diǎn)數(shù);a為[0,10]內(nèi)的常數(shù)，在實(shí)際中需根據(jù)經(jīng)驗(yàn)公式確定最佳范圍，采用試湊法確定最佳隱含層神經(jīng)元節(jié)點(diǎn)數(shù)。

2.3船舶航行行為預(yù)測(cè)模型

當(dāng)前,VTS中心主要通過(guò)接收雷達(dá)信息和船舶AIS信息獲取表征船舶航行行為的數(shù)據(jù)，這里選用船舶AIS數(shù)據(jù)。船舶行為預(yù)測(cè)是從VTS中心跟蹤和監(jiān)控海上船舶交通的需求出發(fā)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行船舶行為預(yù)測(cè)，思路是將海域內(nèi)船舶的歷史行為狀態(tài)和當(dāng)前行為狀態(tài)作為網(wǎng)絡(luò)輸入，將未來(lái)船舶行為表征數(shù)據(jù)作為網(wǎng)絡(luò)輸出，通過(guò)與真實(shí)值相對(duì)比訓(xùn)練網(wǎng)絡(luò)，建立歷史船舶行為與未來(lái)船舶行為表征數(shù)據(jù)之間的映射關(guān)系，實(shí)現(xiàn)對(duì)未來(lái)船舶行為狀態(tài)的推算和預(yù)測(cè)。對(duì)于單艘船舶，其在t時(shí)刻的行為Y(t)可表示為

Y(t)={λt,φt,Vt,Ct}

(13)

式(13)中:λt,φt,Vt,Ct分別為船舶在t時(shí)刻的經(jīng)度、緯度、對(duì)地航速和對(duì)地航向。

通常船舶未來(lái)時(shí)刻的船舶行為狀態(tài)是歷史行為狀態(tài)或當(dāng)前行為狀態(tài)隨時(shí)間運(yùn)動(dòng)和變化的結(jié)果。因此，為提高船舶行為預(yù)測(cè)的準(zhǔn)確性，將t-2,t-1和t等連續(xù)3個(gè)時(shí)刻的船舶航行行為數(shù)據(jù)Y(t-2),Y(t-1)和Y(t)作為網(wǎng)絡(luò)輸入，將t+1時(shí)刻的船舶航行行為表征數(shù)據(jù)Y(t+1)作為輸出,訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的數(shù)學(xué)表達(dá)式，船舶航行行為預(yù)測(cè)模型的表達(dá)式為

(14)

對(duì)于式(14)，可從表達(dá)式形式上將其看作是一個(gè)以過(guò)去時(shí)間序列的船舶航行行為特征[Y(t-2)，Y(t-1)，Y((t)]為自變量，以未來(lái)時(shí)刻船舶航行行為特征值Y(t+1)為函數(shù)值的一個(gè)非線性映射函數(shù)。

3 實(shí)例分析

為驗(yàn)證所提方法的有效性，以成山角VTS水域內(nèi)船舶AIS信息為試驗(yàn)數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型,進(jìn)行船舶行為實(shí)時(shí)預(yù)測(cè)。由于船舶AIS設(shè)備發(fā)射數(shù)據(jù)的頻率取決于船舶航行速度，因此為保證預(yù)測(cè)時(shí)間間隔的一致性，選擇航速在3～14 kn的在航船舶發(fā)射的數(shù)據(jù)，此時(shí)AIS數(shù)據(jù)的發(fā)射頻率為10 s。[12]選取保證是有效傳輸和接收的時(shí)間間隔為10 s的165組船舶AIS數(shù)據(jù)作為原始數(shù)據(jù)(150組作為訓(xùn)練數(shù)據(jù)，余下15組作為測(cè)試數(shù)據(jù)),以此測(cè)試訓(xùn)練后網(wǎng)絡(luò)預(yù)測(cè)的預(yù)測(cè)性能。根據(jù)式(13)和式(14)及船舶航行行為的AIS數(shù)據(jù)表征模型可得到神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為一個(gè)具有12個(gè)輸入神經(jīng)元節(jié)點(diǎn)、4個(gè)輸出神經(jīng)元節(jié)點(diǎn)的網(wǎng)絡(luò)，由式(13)估算得到隱含層神經(jīng)元的最佳個(gè)數(shù)區(qū)間為[4，14]。

對(duì)訓(xùn)練數(shù)據(jù)作離差歸一化處理，設(shè)定不同隱含層神經(jīng)元節(jié)點(diǎn)，將t-2，t-1和t等連續(xù)3個(gè)時(shí)刻的船舶行為表征數(shù)據(jù)Y(t-2)，Y(t-1)，Y(t)作為網(wǎng)絡(luò)輸入，將t+1時(shí)刻的船舶行為表征數(shù)據(jù)Y(t+1)作為輸出，以此訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。在試驗(yàn)中，可設(shè)置不同的隱含層神經(jīng)元節(jié)點(diǎn)數(shù)，通過(guò)比較神經(jīng)網(wǎng)絡(luò)均方誤差值，選擇誤差最小的神經(jīng)元個(gè)數(shù)作為參數(shù)，試驗(yàn)過(guò)程中不同隱含層神經(jīng)元節(jié)點(diǎn)下神經(jīng)網(wǎng)絡(luò)的均方誤差見(jiàn)圖3。

圖3 網(wǎng)絡(luò)均方誤差分布

由圖3可知，當(dāng)隱含層神經(jīng)元節(jié)點(diǎn)為14個(gè)時(shí)，神經(jīng)網(wǎng)絡(luò)的均方誤差最小，因此可將神經(jīng)網(wǎng)絡(luò)的最佳隱含層神經(jīng)元節(jié)點(diǎn)數(shù)設(shè)置為14個(gè)，所選實(shí)例的船舶航行行為預(yù)測(cè)模型是一個(gè)12-14-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。

根據(jù)確定的最佳網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)參數(shù)，將Y(148)，Y(149)和Y(150)等3個(gè)時(shí)刻的船舶行為數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的初始輸入，通過(guò)遞歸的方法逐步預(yù)測(cè)Y(151)～Y(165)的船舶行為表征值，得到的預(yù)測(cè)值及誤差分析見(jiàn)圖4～圖7。

圖4 船舶軌跡預(yù)測(cè)結(jié)果

a)預(yù)測(cè)值與期望值對(duì)比b)經(jīng)緯度預(yù)測(cè)誤差

圖5 船舶軌跡預(yù)測(cè)誤差

a) 航向預(yù)測(cè)

b) 航向預(yù)測(cè)誤差圖6 船舶航向預(yù)測(cè)結(jié)果

在圖4中，實(shí)心點(diǎn)為訓(xùn)練集船舶軌跡(經(jīng)度、緯度)分布，三角號(hào)為運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的船舶軌跡，可看出預(yù)測(cè)的軌跡運(yùn)動(dòng)延續(xù)了訓(xùn)練集船舶的航行趨勢(shì)。

為定量表達(dá)預(yù)測(cè)軌跡與期望軌跡之間的誤差，在圖5中對(duì)其進(jìn)行對(duì)比，其中實(shí)心點(diǎn)和三角號(hào)分別代表經(jīng)度誤差及緯度誤差。從圖5a中可看出，預(yù)測(cè)軌跡值與期望軌跡值近乎重疊;從圖5b中可看出，15個(gè)船舶經(jīng)緯度預(yù)測(cè)誤差值最大為1.5×10-4。

a) 航速預(yù)測(cè)

b) 航速預(yù)測(cè)誤差圖7 船舶航速預(yù)測(cè)結(jié)果

圖6為船舶航向預(yù)測(cè)結(jié)果，圖6a中用三角號(hào)標(biāo)識(shí)的預(yù)測(cè)航向與訓(xùn)練航向的變化趨勢(shì)一致，由圖6b可知船舶航向預(yù)測(cè)誤差最大為1°。圖7為船舶航速預(yù)測(cè)結(jié)果，由圖7b可知船舶航速預(yù)測(cè)的誤差值最大為0.06 kn。

通過(guò)對(duì)VTS中心值班人員和船舶駕駛員進(jìn)行調(diào)研可知,船舶軌跡的經(jīng)度、緯度、航向和航速等船舶航行行為特征值預(yù)測(cè)誤差均在可接受的范圍內(nèi)，預(yù)測(cè)結(jié)果的精度滿足VTS中船舶航行行為監(jiān)控和航海實(shí)踐的需求。

4 結(jié)束語(yǔ)

通過(guò)對(duì)船舶航行行為預(yù)測(cè)進(jìn)行研究，根據(jù)船舶AIS信息的特點(diǎn)，構(gòu)建基于AIS信息的船舶航行行為表達(dá)模型，提出結(jié)合AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)方法。運(yùn)用提出的方法對(duì)成三角VTS水域內(nèi)150組船舶航行行為數(shù)據(jù)進(jìn)行試驗(yàn)，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)后續(xù)船舶行為特征值進(jìn)行預(yù)測(cè)。通過(guò)對(duì)預(yù)測(cè)值和原有的15組真實(shí)的測(cè)試數(shù)據(jù)進(jìn)行誤差對(duì)比分析，得到BP神經(jīng)網(wǎng)能對(duì)船舶的經(jīng)度、緯度、航速及航向等船舶行為特征值隨時(shí)間發(fā)展變化進(jìn)行有效的學(xué)習(xí)和辨識(shí)，從而對(duì)未來(lái)船舶航行行為進(jìn)行精確、實(shí)時(shí)的預(yù)測(cè)。該研究可為VTS中船舶航行行為預(yù)測(cè)提供新的理論依據(jù)。

本文以歷史船舶行為特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)驗(yàn)證所提出方法的可行性，接下來(lái)將利用船舶行為各項(xiàng)預(yù)測(cè)誤差實(shí)時(shí)更新和優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，實(shí)現(xiàn)船舶行為的在線學(xué)習(xí)和預(yù)測(cè)，以進(jìn)一步減小船舶行為預(yù)測(cè)誤差，提高船舶航行行為各項(xiàng)特征值的預(yù)測(cè)精度。

[1] 徐鐵，蔡奉君，胡勤友，等.基于卡爾曼濾波算法船舶AIS軌跡估計(jì)研究[J].現(xiàn)代電子技術(shù)，2014，37(5)：97-100.

[2] 趙帥兵，唐誠(chéng)，梁山,等.基于改進(jìn)卡爾曼濾波的控制河段船舶航跡預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2012，32(11):3247-3250.

[3] PERERA L P,OLIVEIRA P,SOARES C G.Maritime Traffic Moni-toring Based on Vessel Detection,Tracking,State Esti-mation,and Trajectory Prediction[J].IEEE Transactions on Intelligent Transportation Systems,2012,13(3):1188-1200.

[4] 王艷鋒，李紅祥.橋區(qū)水域失控船舶的航跡預(yù)測(cè)[J].武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2011，10(4):36-38．

[5] 劉錫鈴，阮群生，龔子強(qiáng).船舶航行GPS定位軌跡的新預(yù)測(cè)模型[J].江南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014,13(6):686-692.

[6] 徐婷婷，柳曉鳴，楊鑫.基于BP神經(jīng)網(wǎng)絡(luò)的船舶航跡實(shí)時(shí)預(yù)測(cè)[J].大連海事大學(xué)學(xué)報(bào)，2012,38(1):9-11.

[7] TONG Xiaopeng，CHEN Xu，SANG Lingzhi，et al.Vessel Trajectory Prediction in Curving Channel of Inland River[C]//The 3rd International Conference on Transportation Information and Safety,2015.

[8] 上海邁利船舶科技有限公司.船隊(duì)在線[EB/OL].(2015-05-15)[2016-05-05].http://www.hifleet.com.

[9] 韓敏.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].大連：大連理工大學(xué)出版社，2014:49-52.

[10] 高鵬毅.BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究[D].武漢：華中科技大學(xué)，2012.

[11] 張慶慶，賀興時(shí).BP神經(jīng)網(wǎng)絡(luò)結(jié)點(diǎn)數(shù)選取的改進(jìn)方法及其應(yīng)用[J].西安工程大學(xué)學(xué)報(bào)，2008,22(4):502-505.

[12] 孫文力，孫文強(qiáng).船載自動(dòng)識(shí)別系統(tǒng)[M].大連：大連海事大學(xué)出版社,2004:21.

VesselBehaviorPredictionBasedonAISDataandBPNeuralNetwork

ZHENRong，JINYongxing，HUQinyou，SHIChaojian，WANGShengzheng

(Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China)

In view of the multi-dimensional characteristics of vessel behavior,a novel method of vessel behavior prediction based on AIS(Automatic Identification System) data and BP(Back Propagation) neural network is proposed to satisfy the requirement of VTS(Vessel Traffic Service) for accurate real-time vessel behavior prediction.The feature expressions of vessel behavior based on AIS data is established.The training process is as following:the longitude,latitude,heading and speed of a vessel is taken as the ship behavior feature input to the neural network; data at three consecutive times are input to the network,and the fourth data following the input is output to train the BP neural network.The trained BP neural network is applied to the prediction of vessel behavior.The effectiveness and capability of the proposed method is verified with the AIS data from the waters of Chengshanjiao VTS.The results show that the method can predict the characteristics of vessel behavior timely with acceptable accuracy.

waterway transportation; vessel behavior; prediction; AIS data; BP neural network

U675.7;TP391

A

2017-02-26

國(guó)家自然科學(xué)基金(51379121)；國(guó)家留學(xué)基金委聯(lián)合培養(yǎng)博士生項(xiàng)目(201608310093)；上海市科委地方院校能力建設(shè)項(xiàng)目(15590501600)；上海海事大學(xué)研究生創(chuàng)新基金(2016ycx077)；上海海事大學(xué)優(yōu)秀博士學(xué)位論文培養(yǎng)項(xiàng)目(2017bxlp003)

甄 榮(1990—)，男，內(nèi)蒙古烏蘭察布人，博士生，從事海上交通信息處理方向研究。E-mail:zrandsea@163.com

1000-4653(2017)02-0006-05