摘要
随着我国航运业的突飞猛进，海上运输面临着一系列技术难题，例如船舶交通密度增加、海上交通事故频发、海上安全监管难度加大等，这些问题对航运业的可持续发展构成了很大的挑战。因此，在交通密度大、障碍物密集以及复杂的航行环境下，如何提高船舶航行安全成为亟待解决的技术难题。船舶在航行过程中，使用船舶自动识别系统（AutomaticIdentificationSystem,AIS）与临近船舶、AIS基站及卫星进行数据交互，从而实现对船舶的跟踪与报告。目前大部分船舶都被国际海事组织强制安装船舶自动识别系统，这使得AIS能够提供大量对智能决策有价值的监控数据。为了提高船舶航行的安全性，降低船舶碰撞事故的发生概率，需要利用AIS数据预测船舶未来一段时间的航行运动轨迹。通过对船舶航行行为的预测分析，可以在船舶碰撞事故发生前做出适当决策和行动的指导，最大限度减少海上事故发生。船舶轨迹预测的技术能力越好，避免事故的响应空间和时间就越多。因此，预测船舶运动轨迹对于海上风险评估和避碰具有重要意义。 本文针对船舶轨迹预测这一重要研究领域，利用船舶的AIS数据，结合相关深度学习算法构建船舶轨迹预测模型，对船舶未来的航行状态进行预测，最终为设计航线、规划航道、分道通航、航标距离等进行数值确定。论文的主要内容如下： （1）船舶AIS数据分析及数据预处理。从AIS数据中提取航线数据，筛选出符合预测要求的船舶轨迹。在原始轨迹数据中，往往会存在错误信息以及缺失信息，所以在进行预测研究之前需对原始轨迹数据进行数据预处理工作。AIS数据的预处理过程包括异常数据处理、缺失数据处理以及数据归一化三个步骤。 （2）船舶轨迹预测模型的搭建。考虑到船舶航行数据特征之间的潜在相关性以及时间序列性，搭建基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）、通道注意力网络（Squeeze-and-ExcitationNetwork，SENet）以及长短时记忆神经网络（Long-ShortTermMemory，LSTM）的预测模型（CNN-LSTM-SE模型）。CNN模块对提取的数据特征（即经度、纬度、航速、对地航向）进行特征关联，SENet模块帮助模型学习关键特征，LSTM模块被用于提取数据的长期依赖性。 （3）实例验证。本文选取长江口的三条典型船舶轨迹进行预测实验。为了测试模型在短周期的预测效果，对CNN-LSTM-SE模型进行三组九个模拟实验。同时为了验证所提模型的准确性，在每个模拟实验中都将所提模型与CNN、CNN-LSTM和LSTM模型进行对比分析。最后选取距离指标以及误差指标来评估模型的预测精度。 实验表明，与其他模型相比，所提模型（即CNN-LSTM-SE模型）可以获得最佳的预测性能，ship-2实验船在时间步长为10s时的性能指标分别为0.0012，0.0018，0.0007，0.0043和0.0750，预测误差在可接受的范围内，能够更好地满足实际船舶航行轨迹预测需求。
NETL