摘要
为提升海洋综合管理能力，利用船舶轨迹数据进行船舶航行行为研究已成为一个热门问题。船舶数据获取方法包括:船舶身份自动识别系统(Automatic Identification System,AIS),岸基雷达站等。岸基雷达网由AIS系统和岸基雷达站组网结合而成，具有获取的数据量大、更新速度快等优势，但岸基雷达网所获取的数据中存在异常数据和数据缺失，在进行研究前需要先进行数据清洗。 船舶航行行为研究中，船舶轨迹压缩可以提升船舶轨迹数据应用效率，有助于进行船舶之间的交流和监管，但传统压缩算法存在依赖事先设定的阈值，忽略动态信息和无法兼顾压缩效率与压缩精度等问题，对传统压缩算法进行改进并将其应用于船舶轨迹压缩;船舶轨迹预测可以用于预防船舶事故的发生，保障海上交通运输的安全，但基于单一模型的船舶轨迹预测算法往往预测精度较低，无法满足需求，为此使用基于混合模型的船舶轨迹预测算法进行船舶轨迹预测。主要研究内容包括: (1)数据清洗。利用基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)清洗异常数据,但传统DBSCAN算法忽视了时间序列信息，提出基于时间序列信息的DBSCAN算法完成异常数据清洗。随后，利用线性插值法和三次样条插值法相结合来完成缺失数据填补。 (2)船舶轨迹压缩。将道格拉斯—普克压缩算法(Douglas-Peucker algorithm,DP),滑动窗口法和向前开放窗口法等传统压缩算法的压缩效果进行对比，对压缩效果较好的DP压缩算法进行改进，改进方法采用动态设置阈值，引入时空距离，利用动态信息设置特征点等，并将改进算法应用于船舶轨迹压缩。 (3)船舶轨迹预测。传统船舶轨迹预测算法往往存在预测精度较低且无法适宜复杂海洋环境等问题。为提升预测精度，构建基于单一模型的船舶轨迹预测算法，模型分别选择误差反向传播算法(Error Back Propagation Training,BP),卷积神经网络(Convalutional Neural Network,CNN),双向长短期记忆(Bidirectional Long Short Term Memory,Bi-LSTM)。并引入注意力机制(Attention),构建基于复合模型(NN-BP-Attention,CNN-Bi-LSTM-Attention)的船舶轨迹序列预测算法。 取得的主要研究成果如下: (1)将清洗前后轨迹进行对比可以看出，异常数据被成功去除且填充曲线较为光滑，清洗完成的数据集可以用于进行船舶数据压缩和预测研究。 (2)数据压缩显示的对比结果显示，三种传统算法在不同阈值下的压缩率和偏差值相差值较大，而改进后的算法在压缩率和偏差值之间成功取得了平衡。 (3)船舶轨迹预测的对比结果显示，基于混合模型的船舶轨迹预测算法的预测精度相较于基于单一模型的船舶轨迹预测算法有所提升，其中预测精度相对较高的算法为基于CNN-Bi-LSTM-Attention模型的船舶轨迹预测算法。 具体创新点如下:相比于传统DBSCAN算法只关注空间信息，对于具有时间序列信息的船舶轨迹数据聚类效果不理想，改进后的DBSCAN算法将时间序列信息纳入考虑，因此更加适用于单船单轨迹的异常数据清洗;通过对DP压缩算法进行改进,使其能够自动确定阈值，在消除迭代的同时还能考虑到时间信息和航速航向等动态信息，且在压缩率和偏差值之间取得了平衡，因而改进后的压缩算法更适宜于进行船舶轨迹压缩;引入注意力机制利用多种神经网络模型构建混合模型并将其应用与船舶轨迹预测，通过这种方法构建的船舶轨迹预测算法预测精度得到进一步提升。
NETL