摘要
船舶位置坐标是海上情况规划和组织的重要信息。从船舶当前位置更好地估计未来位置，有助于海事管理机构做出计划决策，避免交通拥堵和长时间等待。本文提出了一种基于数据驱动的方法来预测船舶未来位置。具体来说，本文使用了二阶马尔可夫模型和LSTM神经网络模型来预测船舶未来位置，并对这两种方法在不同区域的表现进行了比较。 第一种轨迹预测方法基于马尔可夫模型对船舶运动轨迹进行建模，进而执行预测任务。该模型计算给定感兴趣区域（ROI）的转移概率矩阵，然后根据计算出的转移概率矩阵进行预测。本文分别提出了一阶马尔可夫模型和二阶马尔可夫模型的预测方法，并通过实验对比、验证了两种预测模型的轨迹误差性能。 基于第一种轨迹预测方法，本文提出了一种基于LSTM神经网络模型，该模型结合了位置数据和其他船只运动的关联信息来建模船舶的行为。同时，本文开展了大量的实验用于验证不同的外部参数对船只轨迹预测误差的影响效果，包括连续位置坐标、船只类型、运行终点、区域SOG和COG等，并分析得到适合用于船只轨迹预测任务的关键特征。 以马尔可夫模型与LSTM模型为基础，本文提出了一种用于预测船只轨迹分布概率的mkvGAN模型。该模型接收船舶轨迹马尔可夫转移概率为输入，通过KDE处理将其转化为区域中的轨迹分布概率，并进一步的利用GAN生成网络预测得到船只在未来一段时间内的航行轨迹概率分布。实验结果表明，该方法能够有效预测船只安全航行区域，对于碰撞避免等需求短期预测的应用场景，相比传统轨迹预测方法具有显著优势。
NETL