茅晨昊+潘晨+尹波+盧憶寧+許循齊

摘 要：為了提前掌握船舶航行動態(tài)，從而采取有效行動去杜絕船撞橋事故安全隱患，提出一種基于高斯過程回歸的船舶軌跡預測模型。對已有船舶航行軌跡進行仿真模擬，從而預測出船舶軌跡線路。結(jié)果表明：根據(jù)已有的船舶動態(tài)，預測接下去24分鐘的船舶航跡，前9分鐘精度接近原有船舶軌跡，隨著迭代進行，精度逐漸降低，最后偏差率達到8.9%，可滿足預測要求。安全管理人員可憑此提前預警，做好海上安全預防工作。

關鍵詞：高斯過程回歸；船舶軌跡；船舶動態(tài)；預測

中圖分類號：U697 文獻標志碼：A 文章編號：2095-2945（2017）31-0028-03

引言

隨著我國運輸業(yè)的快速發(fā)展，跨海大橋建設方興未艾，同時船橋相撞的事故屢有發(fā)生，據(jù)統(tǒng)計，1960年以來，我國已發(fā)生內(nèi)河船舶撞橋事故300余起[1]一旦發(fā)生事故，將會造成嚴重的人員財產(chǎn)損失。因此，如何有效預防船撞橋事故發(fā)生顯得尤為重要。船舶軌跡一直是研究重點，在跟蹤，預警，應急管理中發(fā)揮著重要作用。當前軌跡預測大都集中于對移動對象空間位置分析，從而預測移動對象下一位置信息，從而更好的做出船舶避碰路徑?jīng)Q策[2]。如許婷婷等人通過BP神經(jīng)網(wǎng)絡[3]進行預測，徐鐵等人通過卡爾曼濾波算法[4]對船舶軌跡進行平滑處理與預測，上述傳統(tǒng)方法因其理論的局限性，未能應用于對實時性、抗干擾性要求較高的移動通信環(huán)境中[5]。高斯回歸過程（Gaussian Process Regression，GPR）是一種基于貝葉斯網(wǎng)絡的新型機器學習算法，不僅具有可解釋性強的貝葉斯網(wǎng)絡推理能力，同時具有了支持向量機的小樣本、非線性、高維等問題的自適應處理能力，是機器學習領域的研究熱點，較好解決船舶航跡預測問題[6]。

1 高斯回歸過程模型

高斯過程回歸（Gaussian Process Regression，GPR）是一種處理函數(shù)型數(shù)據(jù)的現(xiàn)代統(tǒng)計方法，它在充分利用所給數(shù)據(jù)信息的前提下，能進一步考慮到數(shù)據(jù)自身包含的時間趨勢，周期趨勢，增減趨勢等，建立更為合適的模型，做出更準確的預測[7]。

1.1 高斯回歸過程原理

2 船舶航行軌跡仿真

2.1 數(shù)據(jù)來源

軌跡預測需要選取等時間間隔，保證預測的規(guī)律性，并且軌跡往往與周圍環(huán)境，船速，船首向有關。本船實驗對象是長江流域的一條貨船，船長62米，船寬12米，通過AIS數(shù)據(jù)采集。采用2017年5月10日下午14點09分48秒到下午15點51分11秒這1個小時42分鐘時間段。

將經(jīng)緯度處理過后，本船船舶軌跡如圖1所示。

圖2反映了軌跡預測的9個點與實際航行記錄點之間的差異，可以看出前4個點精度高與實際軌跡幾乎相當，隨著高斯過程回歸進行，第5個點逐漸開始偏離航跡軌道，且與原軌跡相比呈現(xiàn)減小的趨勢。將預測軌跡與實際軌跡進行計算處理，可以得到每個點的實際偏離量，如圖3所示，隨著軌跡預測不斷迭代進行，偏離量也越來越大，由0.48%一直到8.97%且大致服從一次函數(shù)，主要由于上一步計算輸出結(jié)果作為下一步輸入學習對象，誤差不斷累積疊加造成。

3 結(jié)束語

本文通過高斯過程回歸預測船舶軌跡，可得以下結(jié)果：（1）通過高斯過程回歸預測船舶軌跡，在前4個預測點精度十分精確，甚至可以達到99%，即用戶能在下個9分鐘內(nèi)實現(xiàn)精確預測船舶軌跡。隨著預測的進行，由于使用預測數(shù)據(jù)作為下一步學習數(shù)據(jù)，導致精度逐步下降，第九個點也就是24分鐘以后精度偏差8.9%，勉強滿足軌跡預測要求。（2）由于核函數(shù)與所取的前期學習樣本有關，所以不同的學習樣本將得到不同的核函數(shù)參數(shù)，往往將會帶來數(shù)據(jù)偏差。（3）如何將高斯回歸過程編程為自學習，自動更新算法是下一步學習研究的重點。

參考文獻：

[1]黃常海，胡甚平，高德毅，等.大橋船撞動態(tài)風險評估系統(tǒng)的設計與實現(xiàn)[J].中國安全學報，2013，4（23）：120-126.endprint