基于DE-SVM的船舶航迹预测模型

来源:用户上传      作者:

　　摘要：为提高船舶航迹预测精度，解决准确建模难度大和神经网络易陷入局部最优的问题，考虑实时获取目标船AIS数据较少的特点，提出一种基于支持向量机（support vector machine， SVM）的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化（differential evolution， DE）算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据，比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明，基于DE-SVM的航迹预测模型具有更高的预测精度，简单、可行、高效，且耗时少。
　　关键词： 航迹预测; 支持向量机（SVM）; 差分进化（DE）算法; AIS; BP神经网络
　　中图分类号： U675.79    文献标志码： A
　　Abstract： In order to improve the accuracy of ship trajectory prediction， and solve the problem that accurate modeling is difficult and the neural network is prone to fall into local optimum， considering the fact that the target ship AIS data acquired in real time are less， a ship trajectory prediction model based on support vector machine （SVM） is proposed. The ship speed， course， longitude and latitude in AIS data are selected as sample feature variables， and the wavelet threshold denoising method is adopted to process the training data. The differential evolution （DE） algorithm is used to optimize the internal parameters of the model to improve the convergence speed and prediction accuracy of the model. The AIS data of a certain section of ship trajectory in Tianjin Port is selected， and the simulation results using the ship trajectory prediction models based on DE-SVM and BP neural network are compared. The results show that the ship trajectory prediction model based on DE-SVM is of higher prediction accuracy， it is simple， feasible and efficient， and it takes less time.
　　Key words： ship trajectory prediction; support vector machine （SVM）; differential evolution （DE） algorithm; AIS; BP neural network
　　0 引 言
　　隨着经济全球化的飞速发展，航运作为全球贸易最主要的载体发挥着重要的作用。船舶作为海上重要的交通运输工具，为经济发展和社会进步作出了巨大贡献。然而，船舶的大型化与多样化发展给海上航行带来了极大的安全隐患。据相关部门统计，近年来平均每年有200多艘船发生海上事故，其中有一半以上是由船舶间碰撞引起的。通过调查海上碰撞事故发现，实际海上航行时船舶会遇情况往往十分复杂，尤其是在多船避碰时，由于目标船的操船意图不明，无法做出实时、有效的避碰决策是导致海上碰撞事故频发的重要原因之一。考虑到上述因素，在进行避碰决策时不能仅凭借当前航行信息得出结论，应考虑目标船将来一段时间的航行行为，使避碰决策具有一定的前瞻性，有效提高避碰决策的可靠性，降低碰撞危险。因此，提出一种高精度并可实时预测船舶航迹的模型是现阶段亟待解决的问题。
　　目前航迹预测通常采用传统的马尔科夫模型[1-2]、粒子滤波算法[3]、模拟退火算法[4]、卡尔曼滤波算法[5-6]等，这些方法往往具有以下不足：首先，都需要建立船舶运动学方程，而风、流等水文环境因素会大大增加模型复杂度，增大建模难度;其次，根据海上避碰决策需求，航迹预测往往要求实时预测，而建立实时、准确的数学模型往往很难实现，很多只是适用于理想情况下的研究。随着人工智能的迅速兴起，更多机器学习算法也逐渐被应用到航迹预测中，其中较为常见的是神经网络[7-8]，但是该算法易陷入局部最优，且在海上进行实时数据训练建模时面临数据量少导致训练精度不够的问题。
　　基于此，本文提出一种基于差分进化算法-支持向量机（differential evolution algorithm-support vector machine，DE-SVM）的船舶航迹预测模型，利用AIS信息中的航速、航向、船位点等作为模型样本特征变量，实现多维航迹时间序列的预测，以便更好地获悉他船动态，使避碰决策的生成具有一定的前瞻性。 　　1 相关概念
　　1.1 SVM体系
　　SVM是由Vapnik于1995年首次提出的一种新颖的非线性学习方法。SVM具备坚实的理论基础，较好地实现了结构风险最小化原则，这是神经网络等其他机器学习方法不具备的。它通过对凸二次规划问题进行求解，在有限样本学习能力与模型复杂SVM体系结构度之间寻求折中，以获取最佳泛化性能。图1为SVM体系结构图，其中x（i）为输入的自变量特征值，K为核函数，通过核函数将自变量x（i）映射到高维特征空间，在该特征空间进行线性回归[9]，得到輸出Y。
　　3.3.4 不同航迹序列预测对比
　　为验证模型的泛化性能，用DE-SVM算法对不同的航迹进行预测对比。任意选择不同船舶的5条航迹，并任意选取5条航迹中的部分数据进行模型训练和预测。5条航迹预测值与实际值对比见图6，预测误差见表6。从图6可以粗略看出，航迹弯曲程度越大，DE-SVM模型预测精度越低，但总体来说，航迹点的预测值与实际值基本吻合。为进一步分析不同航迹序列的预测误差，对表6进行分析，选取预测精度最低、弯曲程度最大的航迹2的预测结果进行分析，经度、纬度的最大绝对误差为4.684 8×10-4°，即52.055 3 m，在误差允许的范围内可以满足避碰需求。其他航迹的误差均小于航迹2的误差，可满足避碰需求。综上所述，DE-SVM航迹预测模型具有较好的泛化性，可以较好地运用到避碰中。
　　4 结束语
　　分析总结了目前船舶航迹预测方法存在的问题，考虑到支持向量机（SVM）良好的全局最优拟合性能以及适合小样本训练的特性，提出了一种基于SVM的离线航迹预测方法。选取AIS信息中的航速、航向、经度和纬度作为模型中的样本特征变量，对海上航行船舶航迹时间序列进行预测，以便更好地获悉他船目前以及将来一段时间的动态，使避碰决策的生成具有一定的前瞻性。由于本文的模型是离线模型，即假设所有数据一次性获取，一旦模型训练完毕无法修改，而海上AIS信息是基于速度和航向间歇性采集的，如果新获取的AIS数据与原始样本数据差别较大，则预测误差较大。因此，建立基于增量式SVM航迹预测模型应是下一步探讨的问题。
　　参考文献：
　　[1] CHENG Yihang， QIAO Yuanyuan， YANG Jie. An improved Markov method for prediction of user mobility[C]//2016 12th International Conference on Network and Service Management （CNSM）. IEEE， 2016： 394-399. DOI： 10.1109/CNSM.2016.7818454.
　　[2] TONG Xiaopeng， CHEN Xu， SANG Lingzhi， et al. Vessel trajectory prediction in curving channel of inland river[C]//The 3rd International Conference on Transportation Information and Safety. IEEE， 2015： 706-714. DOI： 10.1109/ICTIS.2015.7232156.
　　[3] LE Qi， ZHENG Zhongyi. Trajectory prediction of vessels based on data mining and machine learning[J]. Journal of Digital Information Management， 2016， 14（1）： 33-40.
　　[4] 杨淑莹， 吴涛， 张迎， 等. 基于模拟退火的粒子滤波在目标跟踪中的应用[J]. 光电子·激光， 2011， 22（8）： 1236-1240. DOI： 10.16136/j.joel.2011.08.022.
　　[5] 徐铁， 蔡奉君， 胡勤友， 等. 基于卡尔曼滤波算法船舶AIS轨迹估计研究[J]. 现代电子技术， 2014， 37（5）： 97-100. DOI： 10.16652/j.issn.1004-373x.2014.05.007.
　　[6] PERERA L P， OLIVEIRA P， SOARES C G. Maritime traffic monitoring based on vessel detection， tracking， state estimation， and trajectory prediction[J]. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（3）： 1188-1200. DOI： 10.1109/TITS.2012.2187282.
　　[7] GAO Miao， SHI Guoyou， LI Shuang. Online prediction of ship behavior with automatic identification system sensor data using bidirectional long short-term memory recurrent neural network[J]. Sensors， 2018， 18： 4211. DOI： 10.3390/s18124211.
　　[8] 甄荣， 金永兴， 胡勤友， 等. 基于AIS信息和BP神经网络的船舶航行行为预测[J]. 中国航海， 2017， 40（2）： 6-10.
　　[9] YANG Youlong， CHE Jinxing， LI Yanying， et al. An incremental electric load forecasting model based on support vector regression[J]. Energy， 2016， 113： 796-808. DOI： 10.1016/j.energy.2016.07.092.
　　[10] 李响， 贾志伟. 基于DE算法的10 kV网架结构多目标规划[J]. 中国电机工程学报， 2018， 38（s1）： 99-104. DOI： 10.13334/j.0258-8013.pcsee.180719.
　　[11] 王君， 陈智龙， 杨智勇， 等. 基于改进DE算法的工业机器人时间最优轨迹规划[J]. 组合机床与自动化加工技术， 2018（6）： 42-46. DOI： 10.13462/j.cnki.mmtamt.2018.06.012.
　　[12] 查进道. 一种基于DE-SVR的逼近算法及其在CPI预测中的应用[J]. 科技通报， 2012， 28（12）： 39-41. DOI： 10.13774/j.cnki.kjtb.2012.12.037.
　　[13] XU Xiaobo， LIU Wenxia， ZHOU Xi， et al. Short-term load forecasting for the electric bus station based on GRA-DE-SVR[C]//2014 IEEE Innovative Smart Grid Technologies -Asia （ISGT ASIA）. IEEE， 2014： 388-393. DOI： 10.1109/ISGT-Asia.2014.6873823.
　　[14] 罗永豪. 基于AIS数据的船舶航行轨迹预测[D]. 广州： 华南理工大学， 2017.
　　[15] 卢辉斌， 李丹丹， 孙海艳. PSO优化BP神经网络的混沌时间序列预测[J]. 计算机工程与应用， 2015， 51（2）： 224-229， 264.
　　（编辑 赵勉）
转载注明来源:https://www.xzbu.com/4/view-15151754.htm