CN108711312B - 基于bp神经网络的船舶与静态物标碰撞风险预判方法 - Google Patents

Abstract

本发明提供一种基于BP神经网络的船舶与静态物标碰撞风险预判方法。本发明方法，包括：S1、AIS接收机对船舶的静态信息、动态信息和航行相关信息进行采集并对所得数据进行储存；S2、训练T时刻的神经网络模型；S3、通过T时刻的神经网络模型，预测T+N时刻的船舶船位点，通过对新的训练数据样本集进行迭代训练，依次预测下一时间段船舶的船位点；S4、基于各时刻的船舶船位点获得船舶边界点；S5、分析船舶途经区域是否与电子航道图上的静态物标产生交叉判断碰撞风险。本发明方法通过让船舶学习历史航迹，基于前一时间段的数据点，构建出一个更符合实际运动过程的模型，考虑了船舶的船长船宽，以此来预判碰撞风险，与实际情况更为接近，精度更大。

Description

基于BP神经网络的船舶与静态物标碰撞风险预判方法

技术领域

本发明涉及交通管理技术领域，尤其涉及一种基于BP神经网络的船舶与静态物标碰撞风险预判方法。

背景技术

现有航海常用的碰撞风险预判方法都是将船舶当成质点来进行分析，利用此时的船位点为基准点，在航向线左右约5度各作一条线，利用这两条直线和一条弧线形成扇形区域，通过是否有障碍物在区域中判断是否有碰撞风险。这种方法精度低误差大，而且在船舶频繁变向或在受限水域航行时不能很好的满足船舶驾驶员和VTS人员的需求。

发明内容

根据上述提出的技术问题，而提供一种精度大且更符合实际运动的基于BP神经网络的船舶与静态物标碰撞风险预判方法。本发明采用的技术手段如下：

基于BP神经网络的船舶与静态物标碰撞风险预判方法，包括如下步骤：

S1、通过AIS接收机对船舶的静态信息、动态信息和航行相关信息进行采集并对所得数据进行储存；

S2、训练T时刻的神经网络模型，其主要包括，通过采集到的船舶历史运动趋势构建训练数据样本集Ⅰ，通过采集到的船舶运动过程中的数据构建神经网络模型，神经网络对各训练数据样本进行处理，对实际输出结果与期望输出不符的部分反复调整，直到神经网络各权值达到期望值，获取T时刻的神经网络模型；

S3、通过T时刻的神经网络模型，预测T+N时刻的船舶船位点，利用T+N时刻的船舶船位点得到新的训练数据样本集Ⅱ，利用训练数据样本集Ⅱ训练T+N时刻的神经网络模型；通过对新的训练数据样本集进行迭代训练，依次预测下一时间段船舶的船位点；

S4、基于各时刻的船舶船位点获得船舶边界点，所述船舶边界点为AIS接收机实时采集到的预设为矩形的船舶的前、后、左、右四个临界顶点；

S5、利用计算几何分析船舶途经区域是否与电子航道图上的静态物标产生交叉几何判断其是否有碰撞风险，所述船舶途经区域为各船舶边界点连接成的闭合区域。

进一步地，所述步骤S1中，

所述船舶的静态信息包括：MMSI、船名、呼号、IMO编号、船长、船宽、船舶类型和GPS位置；

所述动态信息包括：对地航向、对地航速、船位、转首角速率、航行状态和世界时；

所述航行相关信息包括：船舶吃水、危险品、目的港、预计到达时间和在船人数。

进一步地，所述步骤S2中，通过前一时间段内的航向、航速、转首角速度、船位点为输入构造神经网络模型，通过如下参数构建T时刻的训练样本集，

[T-KN,T-N]时间段内每一时刻的航向C、航速V、转首角速度rot、船位点(X,Y)，其中N为AIS数据采集的时间间隔，K为设定的常数，对于T时刻，其输入为{(C_T-KN,V_T-KN,rot_T-KN,X_T-KN,Y_T-KN,...,C_T-N,V_T-N,rot_T-N,X_T-N,Y_T-N)}，期望输出为{X_T,Y_T}。

进一步地，所述步骤S3中，通过所预测出的T+N时刻的船位点(X_T+N,Y_T+N)得到一个新的训练样本集为：

通过T-N时刻、T时刻和T+N时刻的船位点，得到T+N时刻的输入参数，计算过程如下：

利用T+N时刻的航向、航速、转首角速度、船位点构建新的数据输入，即

{(C_T-(K-2)N,V_T-(K-2)N,rot_T-(K-2)N,X_T-(K-2)N,Y_T-(K-2)N,...,C_T+N,V_T+N,rot_T+N,X_T+N,Y_T+N)}，利用上述数据进行输入可得到T+2N的船位点，通过迭代训练依次预测下一时间段船舶的船位点。

进一步地，所述步骤S4中，在T时刻以预测船舶船位点(X_T,Y_T)为基点，分别得到船舶边界点的四个顶点坐标e、f、g、h如下所示：

其中，α表示船首向，A表示天线距船舶前端的距离，B表示天线距船舶后端的距离，C表示天线距船舶左舷的距离，D表示天线距船舶右舷的距离。

进一步地，所述步骤S5中，船舶途经区域为按顺序依次连接的e_T、e_T+1、…、e_T+n、f_T+n、g_T+n、h_T+n、h_T+n-1、…、h_T+1、h_T、e_T组成的闭合区域MNPQ。

进一步地，所述步骤S5中，通过如下方法判断碰撞风险：

S51、将所述闭合区域视为多边形，将静态物标视为矩形，矩形区域顶点坐标为：(x_1，y₁)，(x_2，y₂)，(x₃，y₃)，(x₄，y₄)，多边形区域各顶点坐标为：(w₁，z₁)，(w₂，z₂)，(w₃，z₃)，(w₄，z₄)......(w_n，z_n)。

S52、将多边形分解为n条两相邻顶点连线的线段l₁,l₂,l₃,l₄......l_n，将矩形分解为四条两相邻顶点连线的线段E₁,E₂,E₃,E₄，求得各线段解析式为：

S53、假设线段l₁,l₂,l₃,l₄......l_n分别与线段E₁,E₂,E₃,E₄相交，交点横坐标为：

当i≤3时验证x是否位于[min(x_i,x_i+1),max(x_i,x_i+1)]内；

当i＝4时验证x是否位于[min(x₁,x₄),max(x₁,x₄)]内，如果位于其中说明多边形与矩形存在几何交叉，依次验证线段l₁,l₂,l₃,l₄......l_n与线段E₁,E₂,E₃,E₄交点横坐标是否位于上述区间(x_n,x_n+1)中，从而判断多边形与矩形是否存在几何交叉，从而判断是否存在碰撞风险。

本发明方法通过让船舶学习历史航迹，基于前一时间段的数据点，构建出一个更符合实际运动过程的模型，并且考虑了船舶的船长船宽，将船舶运动过程等效为一个面的运动，以此来预判碰撞风险，与实际情况更为接近，精度更大。

本发明方法与船载电子海图结合使用可以为船舶驾驶员提供一个辅助决策手段，减少碰撞风险；与现有VTS交通服务系统结合使用，减小VTS人员的工作量并且增加预判精度；港口、桥梁、航标密集区域都存在很多静态物标，该方法可以推广到对这些区域的船舶监管应用

基于上述理由本发明可在交通管理技术领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明流程图。

图2为传统碰撞判断方法。

图3为本发明神经网络结构图。

图4为本发明神经网络训练流程图。

图5为本发明训练样本集构造示意图。

图6为本发明船舶天线基点示意图。

图7为本发明船舶途经区域示意图。

图8为本发明船舶途经领域与静态物标几何交叉示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图2所示，现在航海常用的碰撞风险预判方法都是将船舶当成质点来进行分析，利用此时的船位点为基准点，在航向线左右约5度各作一条线，利用这两条直线和一条弧线形成如下图的扇形区域，通过是否有障碍物在区域中判断是否有碰撞风险。这种方法精度低误差大，而且在船舶频繁变向或在受限水域航行时不能很好的满足船舶驾驶员和VTS人员的需求。

如图1所示，一种基于BP神经网络的船舶与静态物标碰撞风险预判方法，包括如下步骤：

S1、通过AIS接收机对船舶的静态信息、动态信息和航行相关信息进行采集并对所得数据进行储存；

S2、训练T时刻的神经网络模型，其主要包括，通过采集到的船舶历史运动趋势构建训练数据样本集Ⅰ，通过采集到的船舶运动过程中的数据构建神经网络模型，神经网络对各训练数据样本进行处理，对实际输出结果与期望输出不符的部分反复调整，直到神经网络各权值达到期望值，获取T时刻的神经网络模型；

S3、通过T时刻的神经网络模型，预测T+N时刻的船舶船位点，利用T+N时刻的船舶船位点得到新的训练数据样本集Ⅱ，利用训练数据样本集Ⅱ训练T+N时刻的神经网络模型；通过对新的训练数据样本集进行迭代训练，依次预测下一时间段船舶的船位点；

S4、基于各时刻的船舶船位点获得船舶边界点，所述船舶边界点为AIS接收机实时采集到的预设为矩形的船舶的前、后、左、右四个临界顶点；

S5、利用计算几何分析船舶途经区域是否与电子航道图上的静态物标产生交叉几何判断其是否有碰撞风险，所述船舶途经区域为各船舶边界点连接成的闭合区域。

所述步骤S1中，

所述船舶的静态信息包括：MMSI、船名、呼号、IMO编号、船长、船宽、船舶类型和GPS位置；

所述动态信息包括：对地航向、对地航速、船位、转首角速率、航行状态和世界时；

所述航行相关信息包括：船舶吃水、危险品、目的港、预计到达时间和在船人数。

理论上已经证明，在不限制隐层节点数的情况下，三层网络可以逼近任意一个非线性函数，而且对于船舶运动过程，可以用航向、航速、转首角速度、经度、纬度来表征其在平面上的运动，因此可以以前一时间段内的航向、航速、转首角速度、船位点为输入构造神经网络模型，以进行获取下一时间段的船位点，模型结构图如图3所示。

神经网络分为学习和工作两种状态，首先在其学习状态下构建训练样本集使其学习船舶的历史运动趋势。通过如下参数构建T时刻的训练样本集，

[T-KN,T-N]时间段内每一时刻的航向C、航速V、转首角速度rot、船位点(X,Y)，其中N为AIS数据采集的时间间隔，K为设定的常数，对于T时刻，其输入为{(C_T-KN,V_T-KN,rot_T-KN,X_T-KN,Y_T-KN,...,C_T-N,V_T-N,rot_T-N,X_T-N,Y_T-N)}，期望输出为{X_T,Y_T}。

BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程。以下是神经网络的训练过程，流程图如图4所示，

(1)输入数据归一化：当采用Sigmoid函数(值域为(0,1))作为激活函数时可采用下列方式将数据归一化到[0,1]区间。

其中t为输入数据，t_min为输入数据中的最小值，t_max为输入向量中的最大值，m为输出数据

(2)连接权重初始化，读取一个训练样本

(3)计算隐层各神经元输出，计算公式如下：

(4)计算输出层各神经元输出，计算公式如下：

(5)调节输出层的的连接权值，调整公式如下：

其中：p为训练样本；λ为学习率。

(6)调节隐层的连接权值，即

δ_n＝s_n(1-s_n)(p_n-s_n)

训练结束进入工作状态，以[T-(K-1)N,T]时间段中K个时刻的航向、航速、转首角速度、船位点为输入得到T+N时刻的船位点，实现下一船位点的预测。

所述步骤S3中，通过所预测出的T+N时刻的船位点(X_T+N,Y_T+N)得到一个新的训练样本集为：

利用该训练数据样本集对神经网络进行重新训练。

通过T-N时刻、T时刻和T+N时刻的船位点，得到T+N时刻的输入参数，计算过程如下：

利用T+N时刻的航向、航速、转首角速度、船位点构建新的数据输入，即

{(C_T-(K-2)N,V_T-(K-2)N,rot_T-(K-2)N,X_T-(K-2)N,Y_T-(K-2)N,...,C_T+N,V_T+N,rot_T+N,X_T+N,Y_T+N)}，利用上述数据进行输入可得到T+2N的船位点，通过迭代训练依次预测下一时间段船舶的船位点。

如图5所示，重复训练和预测过程可以不断地构建出新的训练数据样本集进行迭代训练，并不断地更新输入参数，从而预测下一时间段船舶的船位点。

船舶左右舷略有弧度，平面形状不是规则的图形，若是近似成矩形分析其途径区域虽然略有增大，但易于分析，而且其多出区域相当于多留出了一个安全余量，有益于避碰，因此将船舶近似为矩形。

从AIS数据中可以得到图5中的数据，其中A为天线距船舶前端的距离，B为天线距船舶后端的距离，C为天线距船舶左舷的距离，D为天线距船舶右舷的距离。

通过上述的迭代训练及预测过程得出船舶在下一段时间段的船位点。在T时刻以预测船位为基点，再加上由AIS接收机采集到的ABCD等数据和船首向α，可以得到矩形的四个顶点坐标e、f、g、h，这四个点可以确定船舶的边界所以称其为船舶边界点，如图6所示，

在T时刻以预测船舶船位点(X_T,Y_T)为基点，分别得到船舶边界点的四个顶点坐标e、f、g、h如下所示：

基于以上预测出的一系列船位点得出一系列船舶边界点，然后按顺序依次连接e_T、e_T+1、…、e_T+n、f_T+n、g_T+n、h_T+n、h_T+n-1、…、h_T+1、h_T、e_T组成的闭合区域MNPQ，如图7所示。

如图8所示，所述步骤S5中，通过如下方法判断碰撞风险：

S51、将所述闭合区域视为多边形，将静态物标视为矩形，矩形区域顶点坐标为：(x_1，y₁)，(x_2，y₂)，(x_3，y₃)，(x_4，y₄)，多边形区域各顶点坐标为：(w_1，z₁)，(w₂，z₂)，(w₃，z₃)，(w₄，z₄)......(w_n，z_n)；

S52、将多边形分解为n条两相邻顶点连线的线段l₁,l₂,l₃,l₄......l_n，将矩形分解为四条两相邻顶点连线的线段E₁,E₂,E₃,E₄，求得各线段解析式为：

S53、假设线段l₁,l₂,l₃,l₄......l_n分别与线段E₁,E₂,E₃,E₄相交，交点横坐标为：

当i≤3时验证x是否位于[min(x_i,x_i+1),max(x_i,x_i+1)]内；

当i＝4时验证x是否位于[min(x₁,x₄),max(x₁,x₄)]内，如果位于其中说明多边形与矩形存在几何交叉，依次验证线段l₁,l₂,l₃,l₄......l_n与线段E₁,E₂,E₃,E₄交点横坐标是否位于上述区间(x_n,x_n+1)中，从而判断多边形与矩形是否存在几何交叉，从而判断是否存在碰撞风险。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于BP神经网络的船舶与静态物标碰撞风险预判方法，其特征在于，包括如下步骤：

S1、通过AIS接收机对船舶的静态信息、动态信息和航行相关信息进行采集并对所得数据进行储存；

S2、训练T时刻的神经网络模型，其主要包括，通过采集到的船舶历史运动趋势构建训练数据样本集Ⅰ，通过采集到的船舶运动过程中的数据构建神经网络模型，神经网络对各训练数据样本进行处理，对实际输出结果与期望输出不符的部分反复调整，直到神经网络各权值达到期望值，获取T时刻的神经网络模型；

S3、通过T时刻的神经网络模型，预测T+N时刻的船舶船位点，利用T+N时刻的船舶船位点得到新的训练数据样本集Ⅱ，利用训练数据样本集Ⅱ训练T+N时刻的神经网络模型；通过对新的训练数据样本集进行迭代训练，依次预测下一时间段船舶的船位点；

S4、基于各时刻的船舶船位点获得船舶边界点，所述船舶边界点为AIS接收机实时采集到的预设为矩形的船舶的前、后、左、右四个临界顶点；

S5、利用计算几何分析船舶途经区域是否与电子航道图上的静态物标产生交叉几何判断其是否有碰撞风险，所述船舶途经区域为各船舶边界点连接成的闭合区域；

所述步骤S4中，在T时刻以预测船舶船位点(X_T,Y_T)为基点，分别得到船舶边界点的四个顶点坐标e、f、g、h如下所示：

所述步骤S5中，船舶途经区域为按顺序依次连接的e_T、e_T+1、…、e_T+n、f_T+n、g_T+n、h_T+n、h_T+n-1、…、h_T+1、h_T、e_T组成的闭合区域MNPQ；

所述步骤S5中，通过如下方法判断碰撞风险：

S51、将所述闭合区域视为多边形，将静态物标视为矩形，矩形区域顶点坐标为：(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，(x₄，y₄)，多边形区域各顶点坐标为：(w₁，z₁)，(w₂，z₂)，(w₃，z₃)，(w₄，z₄)......(w_n，z_n)；

S52、将多边形分解为n条两相邻顶点连线的线段l₁,l₂,l₃,l₄......l_n，将矩形分解为四条两相邻顶点连线的线段E₁,E₂,E₃,E₄，求得各线段解析式为：

S53、假设线段l₁,l₂,l₃,l₄......l_n分别与线段E₁,E₂,E₃,E₄相交，交点横坐标为：

当i≤3时验证x是否位于[min(x_i,x_i+1),max(x_i,x_i+1)]内；

当i＝4时验证x是否位于[min(x₁,x₄),max(x₁,x₄)]内，如果位于其中说明多边形与矩形存在几何交叉，依次验证线段l₁,l₂,l₃,l₄......l_n与线段E₁,E₂,E₃,E₄交点横坐标是否位于(x_i，x_i+1)中，从而判断多边形与矩形是否存在几何交叉，从而判断是否存在碰撞风险。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，

所述船舶的静态信息包括：MMSI、船名、呼号、IMO编号、船长、船宽、船舶类型和GPS位置；

所述动态信息包括：对地航向、对地航速、船位、转首角速率、航行状态和世界时；

所述航行相关信息包括：船舶吃水、危险品、目的港、预计到达时间和在船人数。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，通过前一时间段内的航向、航速、转首角速度、船位点为输入构造神经网络模型，通过如下参数构建T时刻的训练样本集，

[T-KN,T-N]时间段内每一时刻的航向C、航速V、转首角速度rot、船位点(X,Y)，其中N为AIS数据采集的时间间隔，K为设定的常数，对于T时刻，其输入为{(C_T-KN,V_T-KN,rot_T-KN,X_T-KN,Y_T-KN,...,C_T-N,V_T-N,rot_T-N,X_T-N,Y_T-N)}，期望输出为{X_T,Y_T}。

4.根据权利要求3所述的方法，其特征在于，所述步骤S3中，通过所预测出的T+N时刻的船位点(X_T+N,Y_T+N)得到一个新的训练样本集为：

通过T-N时刻、T时刻和T+N时刻的船位点，得到T+N时刻的输入参数，计算过程如下：

利用T+N时刻的航向、航速、转首角速度、船位点构建新的数据输入，即

{(C_T-(K-2)N,V_T-(K-2)N,rot_T-(K-2)N,X_T-(K-2)N,Y_T-(K-2)N,...,C_T+N,V_T+N,rot_T+N,X_T+N,Y_T+N)}，利用上述数据进行输入可得到T+2N的船位点，通过迭代训练依次预测下一时间段船舶的船位点。

Images