CN109214107B - 一种船舶航行行为在线预测方法 - Google Patents
一种船舶航行行为在线预测方法 Download PDFInfo
- Publication number
- CN109214107B CN109214107B CN201811124538.8A CN201811124538A CN109214107B CN 109214107 B CN109214107 B CN 109214107B CN 201811124538 A CN201811124538 A CN 201811124538A CN 109214107 B CN109214107 B CN 109214107B
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- ais
- time
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种船舶航行行为在线预测方法,属于船舶航行领域。该方法包括训练学习阶段和在线预测阶段,训练学习阶段首先对历史AIS大数据进行整理和划分,然后利用双向长短时记忆循环神经网络对截取的数据进行训练学习;在线预测阶段,首先利用AIS接收机采集实时AIS数据,然后采用滑动窗算法获得船舶轨迹关键特征点,之后预测未来连续6个船舶轨迹点,多次预测后利用最终预测的连续六个未来的船舶轨迹点作为所预测的船舶的航行行为。经过大数据训练成熟的模型,适用范围较广,通用性较高,可在后期实际应用当中针对经常预测的船舶进一步提升预测能力,可用于船舶智能避碰辅助决策和船舶异常行为检测,为水上交通管理部门提供服务。
Description
技术领域
本发明属于船舶航行领域,涉及一种船舶航行行为在线预测方法。
背景技术
在船舶智能避碰研究当中,为了生成更为可靠有效的避碰决策,信息源的种类不仅仅局限于当前时刻两船的位置、航向、速度等因素,同样还应考虑他船的航行意图,接下来的船舶动向,未来他船可能到达的位置,使得整体的智能避碰系统具有先验性,预见性,可以使得最后生成的避碰决策更加可靠,可以有效的降低碰撞风险,避免由于碰撞所引起的人身以及财产的损失。
同时在港口监管部门对所管理区域进行安全监控时,需要动态的去识别船舶的异常行为,发现有异常行为的船舶需要重点关注,这样可以有效的降低监管人员的工作量,同时降低监控系统的误报警率。
所以实时、高精度的预测船舶航行行为是需要进行深入研究的问题。船舶航行行为又称为机动行为,它是船舶的运动过程。船舶轨迹中每3个点就构成一个运动过程,即每3个轨迹点包含1个船舶操纵行为事件。
应用船舶自动识别系统(Automatic Identification System,AIS)大数据作为学习样本,在海事研究当中AIS数据获取简单,数据来源可靠精度高,船舶自动识别系统(AIS)已经被国际航行的300总吨以上的船舶和国内航行500吨以上的货船和客船强制安装,并且也逐渐在越来越多的渔船上安装。适用范围广,可以说在非近岸海域的区域当中,AIS的覆盖率极高,几乎和实际船舶一一对应。同时也随着各国AIS基站网络的建立和星载AIS群的出现,AIS数据的收集也得到了解决,AIS已成为近乎实时的全球海上交通信息来源。AIS数据为多元多维数据,其中包含各种船舶信息,AIS轨迹数据可描述船舶的空间位置和属性随时间的变化。船舶AIS轨迹点由船舶采样点位置(GPS位置)、采样时间、海上移动识别码(Maritime Mobile Service Identify,MMSI)、对地速度(SOG)、对地航向(COG)、航行状态和转向速率等构成。这些轨迹点数据信息根据时间采样先后顺序构成了轨迹点序列。
目前,国内外一些学者对船舶轨迹预测做了一定研究:
上海海事大学,商船学院的徐铁在杂志《现代电子技术》当中,利用卡尔曼滤波对AIS数据进行适当修改,引入系统噪声和测量噪声,对系统状态做最小二乘估计,对船舶运动轨迹进行平滑处理,并对不同时间段可靠性误差进行分析,预测船舶轨迹。
上海海事大学,海洋科学与工程学院的茅晨昊在杂志《科技创新与应用》当中,提出基于高斯过程回归的船舶轨迹预测模型,对船舶轨迹进行仿真模拟,连续迭代预测未来24分钟船舶轨迹,预测精度逐渐降低。
圣保罗大学,圣卡洛斯工程学院的M.Berker在J.Brazilian Soc.Mech.Sci.Eng当中提出应用基于2D的障碍运动跟踪模块对运动障碍物追踪算法,提高了用于导航目的的数据质量。
印度马德拉斯理工学院的V.Vaidehi在Computers and Electrical Engineering发表的论文当中通过添加神经网络单元进入普通的卡尔曼滤波器,用于跟踪高度机动的多目标的辅助卡尔曼滤波方案。
里斯本科技大学的Lokukaluge P.Perera在IEEE TRANSACTIONS ON INTELLIGENTTRANSPORTATION SYSTEMS,发表的论文中提出先分析追踪多船情况,将船舶轨迹检测跟踪与船舶状态估计结合在一起,对船舶轨迹进行仿真验证。
对于目前的研究,存在着很多问题:
徐铁利用卡尔曼滤波对AIS数据进行适当修改,引入系统噪声和测量噪声,对系统状态做最小二乘估计。但该算法误差函数设定较为简单,轨迹仿真精度受时间因素影响较大,且模型为固定模型,无法实时根据现有预测目标进行个体特征调整。
茅晨昊提出基于高斯过程回归的船舶轨迹预测模型,对船舶轨迹进行仿真模拟。但该模型核函数的选取过分依赖经验,需要依靠大量的先验知识,由此所导致的误差率非常高,对于学习样本质量要求高,算法无法在线更新,经由学习后的模型较为固定,灵活性较差,通用性较差。
大多数航行行为预测算法都有时效性不足、只能单纯的对数据进行离线的修复、无法兼顾历史经验和实时调整、预测精度不足和预测时长过短等缺点。
发明内容
针对现有技术存在的问题,本发明提供了一种船舶航行行为在线预测方法。
本发明的技术方案:
一种船舶航行行为在线预测方法,该方法包括训练学习阶段和在线预测阶段,具体步骤如下:
一、训练学习阶段
(1.1)对历史AIS大数据进行整理和划分
历史AIS大数据中含有船舶状态信息和船舶类型信息;将在航机动船、非渔船、非拖轮、非引航船的AIS大数据筛选出来,并进行数据清洗;将AIS大数据按照第一排序索引为MMSI,第二排序索引为时间的原则,对AIS大数据进行整理。
选定AIS大数据中的经纬度位置信息(GPS)、航向信息(Heading)、对地速度(SOG)信息以及时间(Time)信息作为代表船舶的航行行为信息。将选取的AIS数据平均等分6份,前五份作为训练样本,第六份作为验证样本。
(1.2)利用双向长短时记忆循环神经网络对截取的数据进行训练学习
训练样本按照批次进行,单一MMSI的船舶数据为一组,组内又划分成多个训练批次,随机间隔4个点选定AIS数据,以打破由于单一船舶数据过长导致网络学习精力转移的问题;输入层AIS数据格式为前三个点的经度、纬度、船艏向、时间,以及第四个点的时间,一共13个数值,输出层为第四个点的经度、纬度以及船艏向,一共3个数值。
双向长短时记忆循环神经网络是在标准循环神经网络上,针对AIS时序数据特征,采用长短时记忆单元(Long Short Term Mermory network,LSTM)替换原有的RNN网络中的隐层单元;LSTM单元的关键是单元状态通过“门”来控制是否丢弃以及增加信息,从而实现遗忘和记忆功能,对所学习的知识进行选择性的操作。LSTM拥有三个门结构:输入门、输出门和遗忘门;网络训练进行自循环,权重实时更新,避免梯度消失以及梯度膨胀的问题。
双向长短时记忆循环神经网络还在标准循环神经网络上引入双向结构,确保误差能够双向传播;最终基于工具Python构建双向长短时记忆循环神经网络BILSTM-RNN,BILSTM-RNN网络结构依次包括数据输入层、两层隐藏层、长短时记忆单元前向传播层、长短时记忆单元后向传播层、两层隐藏层和输出层;初始化的所有权值随机生成,偏置初始值为0.1,并在输入各层之前都经过批次标准化处理,使得激活函数的作用发挥出来。
二、在线预测阶段
(2.1)AIS接收机采集实时AIS数据;
(2.2)采用滑动窗算法获得船舶轨迹关键特征点
首先,依据步骤(2.1)采集的实时AIS数据,从验证样本数据中筛选出当前最具代表性的、最接近当前时间点的三个船舶AIS轨迹点P2、P3、P4,作为在线预测阶段神经网络的输入值,从输入神经网络的输入端开始,提高预测输入值的轨迹价值度,进一步提高BILSTM-RNN的预测能力;
(2.3)将步骤(2.2)经过筛选后P2、P3、P4点输入神经网络当中,然后,连续预测等间距6个轨迹点P5、P6、P7、P8、P9、P10,预测精度呈梯度递减,同时随着新的船舶实时数据的产生,通过误差函数的计算得出误差值,将误差值传回两个相互无连接的双向LSTM单元进行反馈,进一步更新算法参数,做出实时调整,再重新预测未来连续6个船舶轨迹点;
(2.4)经过步骤(2.3)多个批次连续预测之后,系统对于当前船舶行为特征的理解能力得到提高,之后转入稳定预测阶段,将预测的误差控制在可接受的误差范围之内,进而利用双向长短时记忆循环神经网络所预测的连续6个未来的船舶轨迹点作为所预测的船舶的航行行为。
所述双向长短时记忆循环神经网络BILSTM-RNN:
神经网络输入结构为:
I(t)={lont-1,latt-1,t-1,headingt-1,lont,latt,t,headingt,lont+1,latt+1,t+1,headingt+1,t+2}
神经网络输出结构为:
O(t+2)={lont+2,latt+2,headingt+2}
误差函数为:
其中,lon为船舶坐标点经度;lat为船舶坐标点纬度;heading为船舶艏向方向;heading_pre为预测船舶艏向方向;lon_pre为预测船舶坐标点经度;lat_pre为预测船舶坐标点纬度;
所述批次标准化处理为:
本发明的有益效果:
(1)采用循环神经网络(RNN)不单可以从历史数据当中学习,更新模型,同时还可以在实时数据预测当中进一步更新参数,实时进行学习。循环神经网络(RNN)引入定向循环,能够处理输入节点之间前后关联的问题,打破了传统神经网络结构层与层之间全连接,每层节点之间无连接的转态,不再是输入-隐层-输出的传统神经网络模式。RNN网络是一个序列到序列的模型,RNN网络擅长处理序列数据,RNN能够对任何长度的序列数据进行处理,在对AIS数据进行处理时认定当前状态仅和前面几个船舶状态相关。
(2)在短时间内的预测过程当中,引入长短时记忆(LSTM)单元,可以遗忘历史数据当中的个体特性,记忆大数据当中所蕴含的共性特征,在实际进行预测时会把当前预测的船舶的AIS数据信息,当作主流信息,短时间内提升对于单一船舶的操纵特性的理解,对单一船舶进行定制化的预测,可进行实时调整,准确度高,提高了对于单一船舶的航行行为预测精度。
(3)标准循环神经网络只能根据训练数据从前到后进行学习,也就是说当前的所预测的行为,仅仅只和前面的状态有关,但是如果能够提前预知未来信息,那么对与当前状态的预测就更具可靠性。在学习训练时双向结构(Bidirectional)能够结合上下文,充分利用学习数据,不但可以让历史数据的误差前向传播,同时还可以将未来信息的误差进行后向传播,双向调整参数,使得神经网络更好的理解船舶航行行为前后之间的相互联系。
(4)模型初步学习训练和预测阶段分开,预测时采用不同的方式可以进一步的提升模型的预测能力,采用滑动窗(Sliding window)AIS轨迹压缩算法作为船舶航行行为预测输入值的选择原则,自动将轨迹价值含量高的点,对轨迹还原能力更强的点作为输入,能够更好的预测船舶航行行为。
(5)经过大数据训练成熟的模型,适用范围较广,通用性较高,可在后期实际应用当中针对经常预测的船舶进一步提升预测能力,可用于船舶智能避碰辅助决策和船舶异常行为检测,为水上交通管理部门提供服务。
附图说明
图1为船舶航行行为在线预测方法的整体流程图。
图2为长短时记忆单元结构图。
图3为双向结构图。
图4为双向长短时记忆循环神经网络结构图。
图5为滑动窗算法示意图。
图6为航行行为预测示意图。
具体实施方式
下面将结合具体实施例和附图对本发明的技术方案进行进一步的说明。
一种船舶航行行为在线预测方法,该方法包括训练学习阶段和在线预测阶段,具体步骤如下:
一、训练学习阶段
(1.1)对历史AIS大数据进行整理和划分
历史AIS大数据中含有船舶状态信息和船舶类型信息;将在航机动船、非渔船、非拖轮、非引航船的AIS大数据筛选出来,并进行数据清洗,以缩小研究范围,提高算法针对性和学习效率;将AIS大数据按照第一排序索引为MMSI,第二排序索引为时间的原则,对AIS大数据进行整理。
由于AIS大数据的多维度特征,各个特征之间有一定的相关性,如果全部采用势必会导致学习过程当中过度拟合的情况发生。所以,选定AIS大数据中的经纬度位置信息(GPS)、航向信息(Heading)、对地速度(SOG)信息以及时间(Time)信息作为代表船舶的航行行为信息。将选取的AIS数据平均等分6份,前五份作为训练样本,第六份作为验证样本。
(1.2)利用双向长短时记忆循环神经网络对截取的数据进行训练学习
训练样本按照批次进行,单一MMSI的船舶数据为一组,组内又划分成多个训练批次,随机间隔4个点选定AIS数据,以打破由于单一船舶数据过长导致网络学习精力转移的问题;输入层AIS数据格式为前三个点的经度、纬度、船艏向、时间,以及第四个点的时间,一共13个数值,输出层为第四个点的经度、纬度以及船艏向,一共3个数值。
双向长短时记忆循环神经网络是在标准循环神经网络上,针对AIS时序数据特征,采用长短时记忆单元(Long Short Term Mermory network,LSTM)替换原有的RNN网络中的隐层单元,能够选择性遗忘或记忆数据的特点,提高对于规律性特征的记忆和对于个体性特征的遗忘;LSTM单元的关键是单元状态通过“门”来控制是否丢弃以及增加信息,从而实现遗忘和记忆功能,对所学习的知识进行选择性的操作。LSTM拥有三个门结构:输入门、输出门和遗忘门;网络训练进行自循环,权重实时更新,避免梯度消失以及梯度膨胀的问题。
双向长短时记忆循环神经网络还在标准循环神经网络上引入双向结构,确保误差能够双向传播;最终基于工具Python构建双向长短时记忆循环神经网络BILSTM-RNN,BILSTM-RNN网络结构依次包括数据输入层、两层隐藏层、长短时记忆单元前向传播层、长短时记忆单元后向传播层、两层隐藏层和输出层;初始化的所有权值随机生成,偏置初始值为0.1,并在输入各层之前都经过批标准化的处理,使得激活函数的作用发挥出来。
二、在线预测阶段
(2.1)AIS接收机采集实时AIS数据;
(2.2)采用滑动窗算法获得船舶轨迹关键特征点
利用验证样本进行实际预测,实际预测时,利用滑动窗(Sliding-window)AIS数据压缩算法进一步提炼高质量数据点,在实际AIS数据发射出来后,经由滑动窗(Sliding-window)算法筛选出当前最具代表性的最接近当前时间点的三个船舶AIS轨迹点,作为预测的输入值,提升输入神经网络当中输入值的轨迹价值度,从输入端进一步提高BILSTM-RNN的预测能力。
首先,依据步骤(2.1)采集的实时AIS数据,从验证样本数据中筛选出当前最具代表性的、最接近当前时间点的三个船舶AIS轨迹点P2、P3、P4,作为在线预测阶段神经网络的输入值,从输入神经网络的输入端开始,提高预测输入值的轨迹价值度,进一步提高BILSTM-RNN的预测能力;
(2.3)将2.2经过筛选后P2、P3、P4点输入神经网络当中,然后,连续预测等间距6个轨迹点P5、P6、P7、P8、P9、P10,预测精度呈梯度递减,同时随着新的船舶实时数据的产生,会通过误差函数的计算得出误差值,将误差值传回两个相互无连接的双向LSTM单元进行反馈,进一步更新算法参数,做出实时调整,再重新预测未来连续6个船舶轨迹点;
(2.4)经过步骤(2.3)多个批次连续预测之后,系统会提高对于当前船舶行为特征的理解能力,转入稳定预测阶段,可将预测的误差控制在一个较小的可接受的误差范围之内,进而利用双向长短时记忆循环神经网络所预测的连续6个未来的船舶轨迹点作为所预测的船舶的航行行为。
所述双向长短时记忆循环神经网络BILSTM-RNN:
神经网络输入结构为:
I(t)={lont-1,latt-1,t-1,headingt-1,lont,latt,t,headingt,lont+1,latt+1,t+1,headingt+1,t+2}
神经网络输出结构为:
O(t+2)={lont+2,latt+2,headingt+2}
误差函数为:
其中,lon为船舶坐标点经度;lat为船舶坐标点纬度;heading为船舶艏向方向;heading_pre为预测船舶艏向方向;lon_pre为预测船舶坐标点经度;lat_pre为预测船舶坐标点纬度;
所述批次标准化处理为:
Claims (3)
1.一种船舶航行行为在线预测方法,其特征在于,该方法包括训练学习阶段和在线预测阶段,具体步骤如下:
一、训练学习阶段
(1.1)对历史AIS大数据进行整理和划分
历史AIS大数据中含有船舶状态信息和船舶类型信息;将在航机动船、非渔船、非拖轮、非引航船的AIS大数据筛选出来,并进行数据清洗;将AIS大数据按照第一排序索引为MMSI,第二排序索引为时间的原则,对AIS大数据进行整理;
选定AIS大数据中的经纬度位置信息、航向信息、对地速度信息以及时间信息作为代表船舶的航行行为信息;将选取的AIS数据平均等分6份,前五份作为训练样本,第六份作为验证样本;
(1.2)利用双向长短时记忆循环神经网络对截取的数据进行训练学习
训练样本按照批次进行,单一MMSI的船舶数据为一组,组内又划分成多个训练批次,随机间隔4个点选定AIS数据,以打破由于单一船舶数据过长导致网络学习精力转移的问题;输入层AIS数据格式为前三个点的经度、纬度、船艏向、时间,以及第四个点的时间,一共13个数值,输出层为第四个点的经度、纬度以及船艏向,一共3个数值;
双向长短时记忆循环神经网络是在标准循环神经网络上,针对AIS时序数据特征,采用长短时记忆单元LSTM替换原有的RNN网络中的隐层单元;LSTM单元的关键是单元状态通过“门”来控制是否丢弃以及增加信息,从而实现遗忘和记忆功能,对所学习的知识进行选择性的操作;LSTM拥有三个门结构:输入门、输出门和遗忘门;网络训练进行自循环,权重实时更新,避免梯度消失以及梯度膨胀的问题;
双向长短时记忆循环神经网络还在标准循环神经网络上引入双向结构,确保误差能够双向传播;最终基于工具Python构建双向长短时记忆循环神经网络BILSTM-RNN,BILSTM-RNN网络结构依次包括数据输入层、两层隐藏层、长短时记忆单元前向传播层、长短时记忆单元后向传播层、两层隐藏层和输出层;初始化的所有权值随机生成,偏置初始值为0.1,并在输入各层之前都经过批次标准化处理,使得激活函数的作用发挥出来;
二、在线预测阶段
(2.1)AIS接收机采集实时AIS数据;
(2.2)采用滑动窗算法获得船舶轨迹关键特征点
首先,依据步骤(2.1)采集的实时AIS数据,从验证样本数据中筛选出当前最具代表性的、最接近当前时间点的三个船舶AIS轨迹点P2、P3、P4,作为在线预测阶段神经网络的输入值,从输入神经网络的输入端开始,提高预测输入值的轨迹价值度,进一步提高BILSTM-RNN的预测能力;
(2.3)将步骤(2.2)经过筛选后P2、P3、P4点输入神经网络当中,然后,连续预测等间距6个轨迹点P5、P6、P7、P8、P9、P10,预测精度呈梯度递减,同时随着新的船舶实时数据的产生,通过误差函数的计算得出误差值,将误差值传回两个相互无连接的双向LSTM单元进行反馈,进一步更新算法参数,做出实时调整,再重新预测未来连续6个船舶轨迹点;
(2.4)经过步骤(2.3)多个批次连续预测之后,系统对于当前船舶行为特征的理解能力得到提高,之后转入稳定预测阶段,将预测的误差控制在可接受的误差范围之内,进而利用双向长短时记忆循环神经网络所预测的连续6个未来的船舶轨迹点作为所预测的船舶的航行行为。
2.根据权利要求1所述的一种船舶航行行为在线预测方法,其特征在于,所述双向长短时记忆循环神经网络BILSTM-RNN:
神经网络输入结构为:
I(t)={lont-1,latt-1,t-1,headingt-1,lont,latt,t,headingt,lont+1,latt+1,t+1,headingt+1,t+2}
神经网络输出结构为:
O(t+2)={lont+2,latt+2,headingt+2}
误差函数为:
其中,lon为船舶坐标点经度;lat为船舶坐标点纬度;heading为船舶艏向方向;heading_pre为预测船舶艏向方向;lon_pre为预测船舶坐标点经度;lat_pre为预测船舶坐标点纬度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811124538.8A CN109214107B (zh) | 2018-09-26 | 2018-09-26 | 一种船舶航行行为在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811124538.8A CN109214107B (zh) | 2018-09-26 | 2018-09-26 | 一种船舶航行行为在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214107A CN109214107A (zh) | 2019-01-15 |
CN109214107B true CN109214107B (zh) | 2020-05-05 |
Family
ID=64981747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811124538.8A Active CN109214107B (zh) | 2018-09-26 | 2018-09-26 | 一种船舶航行行为在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214107B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765892B (zh) * | 2019-01-16 | 2021-08-10 | 大连海事大学 | 一种无人船集群的碰撞自规避编队控制器结构及设计方法 |
CN109785595A (zh) * | 2019-02-26 | 2019-05-21 | 成都古河云科技有限公司 | 一种基于机器学习的车辆异常轨迹实时识别方法 |
CN110108280B (zh) * | 2019-03-18 | 2023-04-07 | 大连海事大学 | 一种基于ais轨迹操纵单元拼接的船舶轨迹规划方法 |
CN109977523B (zh) * | 2019-03-20 | 2021-04-16 | 武汉理工大学 | 一种海量船舶ais轨迹数据在线压缩方法及装置 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110166224B (zh) * | 2019-06-20 | 2022-03-29 | 大连海事大学 | 一种vdes电子海图数据在线更新与保护方法 |
CN110321343B (zh) * | 2019-07-11 | 2023-11-14 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110633353B (zh) * | 2019-07-29 | 2020-05-19 | 南京莱斯网信技术研究院有限公司 | 一种基于集成学习的船舶类型仿冒监测方法 |
CN111091248A (zh) * | 2019-12-26 | 2020-05-01 | 运易通科技有限公司 | 一种船舶路径规划方法及系统 |
CN111565430B (zh) * | 2020-04-11 | 2022-11-01 | 中国海洋大学 | 一种基于预测轨迹的海洋船舶无线网络路由方法 |
CN111563072A (zh) * | 2020-04-15 | 2020-08-21 | 交通运输部水运科学研究所 | 一种基于ais信息的船舶实时准确位置获取方法 |
CN111738500B (zh) * | 2020-06-11 | 2024-01-12 | 大连海事大学 | 一种基于深度学习的航行时间预测方法及装置 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN111815199B (zh) * | 2020-07-27 | 2023-06-13 | 交通运输部水运科学研究所 | 一种基于分段变速控制的航运调度系统 |
CN111949751A (zh) * | 2020-07-31 | 2020-11-17 | 智慧航海(青岛)科技有限公司 | 一种智能船舶轨迹可视化方法及系统 |
CN112200046B (zh) * | 2020-09-30 | 2023-09-12 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112434465B (zh) * | 2020-11-19 | 2021-11-09 | 江苏省海洋水产研究所 | 基于船位数据提取毛虾网有效布网网长的方法 |
CN112785030A (zh) * | 2020-11-26 | 2021-05-11 | 中远海运科技股份有限公司 | 船舶行为识别系统、方法和平台 |
CN112766308A (zh) * | 2020-12-29 | 2021-05-07 | 中国水产科学研究院东海水产研究所 | 一种远洋船舶分类方法 |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
CN113239025B (zh) * | 2021-04-23 | 2022-08-19 | 四川大学 | 基于特征选择和超参数优化的船舶轨迹分类方法 |
CN113221450B (zh) * | 2021-04-27 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
CN113221449B (zh) * | 2021-04-27 | 2024-03-15 | 中国科学院国家空间科学中心 | 一种基于最优策略学习的船舶航迹实时预测方法及系统 |
CN113283653B (zh) * | 2021-05-27 | 2024-03-26 | 大连海事大学 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
CN113068131B (zh) * | 2021-06-01 | 2021-09-10 | 浙江非线数联科技股份有限公司 | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 |
CN113240199B (zh) * | 2021-06-07 | 2022-10-28 | 广西民族大学 | 基于dilate_tlstm的港口船舶轨迹预测方法 |
CN113361614B (zh) * | 2021-06-15 | 2024-02-02 | 广西民族大学 | 一种船只捕鱼行为预测方法 |
CN113435644B (zh) * | 2021-06-25 | 2023-04-07 | 天津大学 | 基于深度双向长短期记忆神经网络的突发事件预测方法 |
CN113887789B (zh) * | 2021-09-17 | 2024-04-05 | 杭州电子科技大学 | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 |
CN113837461B (zh) * | 2021-09-18 | 2023-07-25 | 海南大学 | 一种基于lstm网络的船舶轨迹预测方法 |
CN114780644B (zh) * | 2022-06-17 | 2022-09-13 | 鹏城实验室 | 一种船舶航行数据处理方法、装置、设备及存储介质 |
CN115223398B (zh) * | 2022-07-14 | 2023-09-19 | 集美大学 | 考虑航道约束的核自适应分数阶复值神经网络ais插值方法 |
CN116343533B (zh) * | 2023-05-26 | 2023-08-01 | 广州海洋地质调查局三亚南海地质研究所 | 海上测量船舶监测与预警方法、系统、设备及介质 |
CN116819582B (zh) * | 2023-08-28 | 2023-11-10 | 中国联合网络通信有限公司湖南省分公司 | 一种巡查打卡控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316501A (zh) * | 2017-06-28 | 2017-11-03 | 北京航空航天大学 | 一种基于网格搜索的支持向量机行程时间预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952448A (zh) * | 2015-05-04 | 2015-09-30 | 张爱英 | 一种双向长短时记忆递归神经网络的特征增强方法及系统 |
CN105512692B (zh) * | 2015-11-30 | 2019-04-09 | 华南理工大学 | 基于blstm的联机手写数学公式符号识别方法 |
CN106022471A (zh) * | 2016-05-12 | 2016-10-12 | 大连海事大学 | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 |
CN108562811B (zh) * | 2018-03-12 | 2020-05-22 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108536005A (zh) * | 2018-03-15 | 2018-09-14 | 吉林大学 | 一种基于模糊神经网络pid船舶航向控制器及其控制方法 |
-
2018
- 2018-09-26 CN CN201811124538.8A patent/CN109214107B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316501A (zh) * | 2017-06-28 | 2017-11-03 | 北京航空航天大学 | 一种基于网格搜索的支持向量机行程时间预测方法 |
Non-Patent Citations (1)
Title |
---|
基于AIS数据的船舶运动模式识别与应用;魏照坤 等;《上海海事大学学报》;20160630;第37卷(第2期);第17-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109214107A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214107B (zh) | 一种船舶航行行为在线预测方法 | |
CA3067573A1 (en) | Target tracking systems and methods for uuv | |
CN113221449B (zh) | 一种基于最优策略学习的船舶航迹实时预测方法及系统 | |
CN112906858A (zh) | 一种船舶运动轨迹实时预测方法 | |
CN108563119A (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
Li et al. | Long-term vessel motion predication by modeling trajectory patterns with AIS data | |
CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Zhang et al. | Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems | |
Zhang et al. | cst-ml: Continuous spatial-temporal meta-learning for traffic dynamics prediction | |
Gao et al. | Uncertainty modelling and dynamic risk assessment for long-sequence AIS trajectory based on multivariate Gaussian Process | |
Kharkovskii et al. | Nonmyopic Gaussian process optimization with macro-actions | |
Capobianco et al. | Uncertainty-aware recurrent encoder-decoder networks for vessel trajectory prediction | |
Segú et al. | A general framework for uncertainty estimation in deep learning | |
Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
CN114692983A (zh) | 一种特种车辆自动换挡预测方法及系统 | |
Xu et al. | Improved vessel trajectory prediction model based on stacked-bigrus | |
Liu et al. | Energy-balanced multiple-sensor collaborative scheduling for maneuvering target tracking in wireless sensor networks | |
Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
Chen et al. | Travel time prediction on urban networks based on combining rough set with support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |