索永峰，陳文科，楊神化，陳立媛

(集美大學(xué)航海學(xué)院，福建 廈門 361021)

0 引言

船舶自動識別系統(tǒng)(automatic identification system, AIS)顯著提升了海上交通調(diào)度及港口管理能力，同時所積累的船舶軌跡數(shù)據(jù)通過數(shù)據(jù)挖掘可以得到包括微觀的船舶行為模式和宏觀的交通流特征，從而為港口工作安排部署提供科學(xué)量化依據(jù)。目前，關(guān)于船舶交通流量預(yù)測的理論方法較多，大多采用淺層交通流預(yù)測模型[1]，結(jié)構(gòu)簡單，誤差較大，存在一定的局限性。船舶交通流具有非線性和不確定性等特點[2-3]，給海上交通領(lǐng)域內(nèi)的船舶流量預(yù)測帶來巨大挑戰(zhàn)。隨著人工智能及深度學(xué)習(xí)算法地不斷發(fā)展，預(yù)測方法已由傳統(tǒng)統(tǒng)計方法演變至數(shù)據(jù)驅(qū)動方法。在船舶交通流預(yù)測中，常用模型有兩種：非參數(shù)模型和參數(shù)模型[4]。李曉磊等[5]將ARIMA(autoregressive integrated moving average model)模型運用于海上交通領(lǐng)域，通過分析季節(jié)對交通流的影響分析，改進(jìn)ARIMA模型，完成船舶月交通流量預(yù)測，得到了良好的預(yù)測效果；LI等[6]運用結(jié)合模擬退火算法的SVM(support vector machines)模型預(yù)測船舶交通流量；ZHANG等[7]將遺傳算法和SVM相結(jié)合，設(shè)計了船舶流量預(yù)測模型；LV等[8]將SAES應(yīng)用于交通流預(yù)測，其預(yù)測結(jié)果比SVM、前饋反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation，BP)更好；劉承勇等[9]結(jié)合灰色理論與馬爾可夫理論，運用于船舶交通流預(yù)測，將預(yù)測誤差控制在10%以內(nèi)。

本文根據(jù)港口條件及通航狀況，利用解碼和篩選后的AIS數(shù)據(jù)，構(gòu)建以每4 h為間隔的船舶交通流量樣本庫，以此作為訓(xùn)練集，在預(yù)測模型中進(jìn)行實驗。經(jīng)多次實驗對比，得到模型最佳參數(shù)。

1 構(gòu)建交通流預(yù)測模型

1.1 LSTM模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)是一類以序列數(shù)據(jù)為輸入，循環(huán)單元按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)[10]，能夠處理短期預(yù)測問題。但傳統(tǒng)的RNN訓(xùn)練網(wǎng)絡(luò)時，會出現(xiàn)梯度消失的現(xiàn)象，為此，引入RNN的改良網(wǎng)絡(luò)LSTM(long short term memory)網(wǎng)絡(luò)。LSTM結(jié)構(gòu)中包含原始RNN的隱含層狀態(tài)，由于該網(wǎng)絡(luò)對短期的輸入信息較為敏感，因此增加一個狀態(tài)Ct，用于保持長期記憶[10]，此狀態(tài)也稱之為長期狀態(tài)，用于記錄隨時間傳遞的信息。LSTM結(jié)構(gòu)如圖1所示。

1.2 GRU(sate recurrent unit)模型

GRU模型[12]使用門控機(jī)制來保存盡可能多的長期信息，并且對各種任務(wù)同樣有效，能實現(xiàn)歷史時序信息的儲存，但是在計算方面GRU模型更簡化。GRU結(jié)構(gòu)如圖2所示。

將LSTM單元的ft和it合并為GRU單元的更新門zt，與重置門一起用于控制船舶交通流特征信息的流動[13]。重置門將新輸入的下一時刻交通流信息和之前的記憶進(jìn)行組合；更新門用于決定留下之前的部分記憶單元，使用隱藏狀態(tài)傳遞系列之間的信息。由于GRU模型具有相對簡單的結(jié)構(gòu)，訓(xùn)練參數(shù)少，在訓(xùn)練過程中，其訓(xùn)練速度較快。訓(xùn)練過程如下：

rt=σ(Wr·[ht-1,xt])；

zt=σ(Wz·[ht-1,xt])；

2 實例分析

2.1 實驗環(huán)境

第九代Intel Core i 7處理器CPU，6核12線程，主頻為2.6 GHz；實驗編程語言為Python3.7；實驗平臺為基于深度學(xué)習(xí)的Keras框架。

2.2 模型指標(biāo)評價

為確保數(shù)據(jù)間無量綱干擾，將原始時間序列經(jīng)式(1)離差標(biāo)準(zhǔn)化化后轉(zhuǎn)化為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入序列。

Xstd=(x-xmin)/(xmax-xmin)。

(1)

式中：Xstd為歸一化后數(shù)據(jù)；xmin為樣本的最小值。

將經(jīng)神經(jīng)網(wǎng)絡(luò)處理后的數(shù)據(jù)映射在區(qū)間[0,1]的結(jié)果進(jìn)行反歸一化處理，映射到樣本原來的量綱級別：Xscaler=xstd(xmax-xmin)+xmin。式中：Xscaler為反歸一化后數(shù)據(jù)。

采用均方誤差(mean square error，MSE)、平均絕對百分比誤差(mean absolute percentage error，MAPE)以及相對誤差(relative error，RE)3種指標(biāo)來評估預(yù)測模型。即：

2.3 港口船舶AIS數(shù)據(jù)預(yù)處理

取福建漳州古雷港區(qū)2018—2019年AIS數(shù)據(jù)為實驗數(shù)據(jù)。主要包含兩類:船舶靜態(tài)數(shù)據(jù)，如水上移動通信業(yè)務(wù)識別碼(maritime mobile service identity，MMSI)、船長、吃水、船舶類型等；船舶動態(tài)數(shù)據(jù)，如經(jīng)度、緯度、航向、航速等[14]。

從AIS數(shù)據(jù)提取動態(tài)航行序列，作為篩選實驗數(shù)據(jù)的基礎(chǔ)，該序列主要包括5個字段：MMSI、UTC(時間)、Longitude(經(jīng)度)和Latitude(緯度)、COG(航向)、SOG(航速)。由于經(jīng)緯度和速度等特征有異常值、空值和重復(fù)值出現(xiàn)，將影響交通流數(shù)據(jù)的準(zhǔn)確性，故將篩選后的數(shù)據(jù)存入MySQL數(shù)據(jù)庫以作備用。

2.4 交通流數(shù)據(jù)篩選條件

古雷作業(yè)區(qū)岸線條件優(yōu)越，掩護(hù)條件良好，是天然深水避風(fēng)港。古雷港主航道分布如圖3所示。由南往北依次布置油品化工碼頭區(qū)、通用碼頭南區(qū)等6個作業(yè)區(qū)，航道通航標(biāo)準(zhǔn)自東山灣口外A點(現(xiàn)15萬噸級航道起點)至古雷作業(yè)區(qū)南2#泊位(A～B～C′～C1航段)，滿足15萬噸級船舶單向乘潮通航的需求(同時可滿足10萬噸級船舶不乘潮雙向通航，以及15萬噸級油船和5萬噸級散貨船交匯通航)，航道有效寬度400 m。取穿越最寬闊橫截面船舶的AIS數(shù)據(jù)，進(jìn)行船舶流量分析。根據(jù)港口的功能屬性，取南門灣與古雷頭之間較寬闊水域為橫斷面，每隔4 h統(tǒng)計船舶交通流量。

采用4 h作為時間間隔，主要考慮以下原因：一是漁船多會根據(jù)潮汐時間選擇出海作業(yè)；二是根據(jù)進(jìn)出古雷港船舶的航行規(guī)律。

2.5 交通流數(shù)據(jù)提取算法流程

通過對港口水域通航能力的評估調(diào)查，選定通航水域進(jìn)行區(qū)域劃定，在劃定的橫斷面海域，對連續(xù)一段時間內(nèi)進(jìn)港方向且經(jīng)過該橫斷面的船舶數(shù)據(jù)進(jìn)行歷史軌跡的計算分析，得到進(jìn)港船舶交通流數(shù)據(jù)集。具體步驟如下：借助python語言的地理科學(xué)計算庫，根據(jù)船舶識別號，將AIS船舶信息的離散軌跡點轉(zhuǎn)成連續(xù)的航跡線，利用交點算法依次判斷每條船舶軌跡是否與劃定的橫斷面相交，并計算穿越橫斷面的時刻，同時依據(jù)船舶航向判斷其進(jìn)出港屬性，將滿足以上條件的船舶數(shù)據(jù)存入數(shù)據(jù)庫中。具體船舶交通流數(shù)據(jù)提取流程如圖4所示。

表1 進(jìn)港方向穿越橫斷面船舶交通流量Tab.1 Trafficflowofshipspassingthroughthecrosssectioninthedirectionofportentry時間段Timeinterval船舶交通流量/艘Shiptraffic20180608T0000-20180608T04002520180608T0400-20180608T08004120180608T0800-20180608T12006220180608T1200-20180608T16005920180608T1600-20180608T20004420180608T2000-20180609T000041

將AIS數(shù)據(jù)從MySQL數(shù)據(jù)庫中提取出來，利用交通流提取算法，統(tǒng)計2018年6月至2018年12月穿越劃定橫斷面海域的船舶數(shù)(以4 h為間隔)，以此作為數(shù)據(jù)集，部分?jǐn)?shù)據(jù)樣例如表1所示，得到1 080組樣本。將原始時間序列經(jīng)標(biāo)準(zhǔn)化后，轉(zhuǎn)化為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入序列。

2.6 參數(shù)分析

GRU模型中，參數(shù)的選擇對循環(huán)神經(jīng)網(wǎng)絡(luò)至關(guān)重要。通常來說，GRU循環(huán)神經(jīng)網(wǎng)絡(luò)包含的隱含層數(shù)越多，模型的表現(xiàn)力和學(xué)習(xí)能力就越強(qiáng)，同時會帶來容易過度擬合的問題。實驗中采用Adam優(yōu)化器，即隨機(jī)梯度下降[13]，可以避免訓(xùn)練過程中出現(xiàn)陷入局部最優(yōu)的情況。對網(wǎng)絡(luò)中重要參數(shù)：批次處理數(shù)量(batch_size)對比論證，得出最佳參數(shù)[14]。批次處理數(shù)量可選范圍為{8,16,24,32}，對批處理數(shù)量的選擇如表2所示。隨著批次處理數(shù)量逐漸增大，計算耗時逐漸減少，當(dāng)批次處理數(shù)量過少或過多時，誤差也較大，批次數(shù)量分別為16和24時，計算耗時相近，且前者誤差更小，故選取批次處理數(shù)量為16時較好。

表2 不同批次處理數(shù)量的性能比較

選擇使用兩層GRU層和一層全連接層來構(gòu)建GRU循環(huán)神經(jīng)網(wǎng)絡(luò)，GRU神經(jīng)網(wǎng)絡(luò)的可視化如圖5所示。第2層(gru_1)和第3層(gru_2)為GRU層,各包含64個隱含單元；第4層為Dropout層，是一種有效的正則化方法，目的是減少GRU循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的過擬合情況的發(fā)生；第5層為全連接層，包含1個神經(jīng)元。

2.7 實驗評估

為合理地評價GRU循環(huán)神經(jīng)網(wǎng)絡(luò)在船舶交通流量預(yù)測中的結(jié)果，將GRU模型與LSTM模型和SAES模型進(jìn)行比較，訓(xùn)練過程中選取MSE作為模型誤差分析指標(biāo)。

三種模型迭代收斂性如圖6所示。從圖6可知，三種模型迭代速度均較快，訓(xùn)練損失值能較快得到收斂，訓(xùn)練輪數(shù)在90輪左右時，GRU已達(dá)到極值，作為對照實驗的LSTM和SAES分別在140輪和150輪時達(dá)到極值。GRU模型比LSTM模型更快收斂到極值，主要得益于GRU門層結(jié)構(gòu)針對LSTM結(jié)構(gòu)的門層設(shè)計得到簡化[17]。

各模型對一天內(nèi)6個時段船舶交通流量的預(yù)測結(jié)果的驗證誤差如表3所示。

表3 不同模型的預(yù)測結(jié)果以及相對誤差

從表3可知，LSTM模型、GRU模型和SAES模型誤差平均值分別22.04%、19.56%和30.27%。SAES模型預(yù)測的誤差較大，GRU循環(huán)神經(jīng)網(wǎng)路模型預(yù)測的誤差控制在20%以內(nèi)，較LSTM網(wǎng)絡(luò)模型和SAES模型有更高的準(zhǔn)確度，適用性更強(qiáng)。

3 結(jié)語

本文利用AIS軌跡數(shù)據(jù)對港口繁忙水域的橫斷截面進(jìn)行船舶流量統(tǒng)計，建立訓(xùn)練數(shù)據(jù)集，在合理參數(shù)范圍內(nèi)對不同參數(shù)組合進(jìn)行實驗。選取GRU模型最佳結(jié)構(gòu)和參數(shù)，對一天內(nèi)的船舶流量進(jìn)行預(yù)測，并選取LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型和SAES棧式編碼器預(yù)測模型作為實驗對照組模型。實驗結(jié)果表明：GRU模型較LSTM模型與SAES模型，預(yù)測結(jié)果更接近實際船舶交通流量，相對誤差較小。后續(xù)進(jìn)一步的研究工作可采用強(qiáng)化學(xué)習(xí)(reinforcement learning, RL)的機(jī)器學(xué)習(xí)方法，利用不斷變化的非線性信息，研究如何隨時間變化修正現(xiàn)有的預(yù)測模型。