CN111968406B - 一种基于混沌理论的船舶短时交通流模糊预测方法 - Google Patents

Abstract

本发明公开了一种基于混沌理论的船舶短时交通流模糊预测方法，包括：构建航带的划归方式，采集MMSI码、实时经纬度、航道速差、占道率的AIS数据，并进行预处理分析；使用wolf法对AIS数据进行计算，对船舶交通流的Lyapunov指数进行判定，并分析混沌特性；以takens定理实现对混沌时间序列的相空间重构，得到预测数据基础；对比不同预测理论模型，采用支持向量回归机模型（SVR）进行预测；采用模糊结构元的算法计算预测结果数据点的模糊度函数，并与预测数值一起构建船舶短时交通流的模糊预测结果。本发明中对航道速差、占道率的AIS数据的采集，以及基于模糊结构元方法的模糊预测算法，能全面地包含真实船舶交通流的信息特征，提高短时船舶预测的精度。

Description

一种基于混沌理论的船舶短时交通流模糊预测方法

技术领域

本发明涉及船舶交通流预测技术领域，尤其涉及一种基于混沌理论的船舶短时交通流模糊预测方法。

背景技术

随着经济全球化程度的不断深入和各国的贸易合作程度的不断加深，船舶数量也在持续增长，致使许多重要水道的船舶交通流量迅速增加。交通流是船舶运动状态最好的体现，是最大程度发挥水运设施效益以及制定航运发展策略、合理利用资源的主要参考依据，是水运交通设施建设规模的依据重要参考。通过定量或形象地分析重要航段船舶的交通流规律，为评价航道的通过能力、组织和管理能力、评估航行风险提供一种有力的手段和方法。

短时船舶交通流预测可以为实施相关水域船舶安全管理措施和通航安全风险评估提供科学依据，可以更加直观的了解相关水域实时通航状态，应对紧急情况的发生，做好相关准备，对航道未来的发展建设以及航道管理战略的制定都具有重要的意义。更重要的是可以为船舶安全航行提供指引，保障水上交通运输安全畅通，实现“航运更安全、海洋更清洁”的目标。

混沌指在确定性非线性系统中存在的貌似随机、无规则的现象，然而这种类似随机的现象却包含着一定的规律和秩序。混沌也不是简单的无序而是没有明显的周期，但这种系统却包含着有序的内部层次结构，是非线性系统的一种新的存在形式。混沌系统对初始值非常敏感，初始值极小的变化将导致系统的长期演化结果的巨大差异，所以不能实现混沌系统的长期预测，但准确的短期预测是可以实现的。道路交通中，针对短时交通流时间序列，已经有大量学者采用不同的方法证明了其满足混沌特性。针对船舶交通流具有以下4个基本属性：两重性、变化性、复杂性与局限性。同道路交通系统类似，船舶交通系统作为一个复杂系统，看似杂乱没有规律又带有一定的趋势性。因此，引入混沌理论进行深入研究。

虽然船舶交通流受到诸多不确定性因素的影响，比如海况、交通事故、经济形势等等，但是在船舶交通流频繁波动的长期趋势中，有其基本因素一直在起着主导作用，也就是说，船舶交通流的变化具有一定的趋势性，又受诸多不确定性因素的影响，而这种影响使得船舶交通流波动较大，又不容忽略。但是，目前常用的预测算法虽然也考虑了一些不确定性的因素，但都是给出了船舶交通流的精确预测，这是不符合船舶运动实际情况的，所以给出船舶交通流的趋势预测是更为合理的。因此，需要建立船舶短时交通流的模糊预测模型，既要给出船舶交通流的预测结果，也要给出该预测结果的可靠度空间，更加全面、直观的反映出辖区水域交通流的未来变化趋势，为海事管理或船舶安全壁碰等方面提供切实可用的参考数据。

发明内容

本发明克服了现有技术的不足，提供了一种基于混沌理论的船舶短时交通流模糊预测方法。

为达到上述目的，本发明采用的技术方案为：一种基于混沌理论的船舶短时交通流模糊预测方法，包括以下步骤：

S1、构建航带的划归方式，采集MMSI码、实时经纬度、航道速差、占道率的AIS数据，并进行预处理分析，其中航带的划归方式为通航分割成相反的两个子航带，每个子航带均分割成若干虚拟航道；

S2、使用wolf法对航道速差和占道率的AIS数据进行计算，对船舶交通流的Lyapunov指数进行判定，并分析混沌特性；

S3、以takens定理实现对混沌时间序列的相空间重构，得到预测数据基础；

S4、对比不同预测理论模型，采用支持向量回归机模型(SVR)进行预测；

S5、基于预测基础建立模糊预测模型，采用模糊结构元的算法计算预测结果数据点的模糊度函数，并与预测数值一起构建船舶短时交通流的模糊预测结果。

本发明一个较佳实施例中，所述步骤S1中所述航道速差的AIS数据的采集方式是：采集同一子航带上不同航道的航速差、不同子航带上不同航道的航速差的数据。

本发明一个较佳实施例中，所述步骤S1中所述占道率的AIS数据的采集方式是：同一段航带上，选取某一段航道累计时程的最大值占航带时程的比率作为最大占道率，船舶最大占道率对应的航道为航行航道。

本发明一个较佳实施例中，所述步骤S1中所述航带的划归方式在江流入海口地区潮汐时刻，实行潮汐可变航带的方式，其中相反的两个子航带带宽随航道分割线移动而变化。

本发明一个较佳实施例中，所述步骤S2中的所述Lyapunov指数判定方式依据参数时间序列的最大Lyapunov指数λ，船舶交通流满足混沌特性的条件为λ＞0。

本发明一个较佳实施例中，所述Lyapunov判定指数λ有以下三种状态：λ＞0，代表船舶交通流对初始条件极为敏感，船舶交通流呈混沌特征；λ＝0，代表船舶交通流处于临界状态，运动轨迹表现为分离或周期现象；λ＜0，代表船舶交通流有稳定的不动点，对初始条件不敏感。

本发明一个较佳实施例中，所述步骤S3中的所述混沌时间序列的相空间重构，主要以航道速差、占道率的交通流参数时间序列为依据，并采用归一化公式。

本发明一个较佳实施例中，所述步骤S3中的所述混沌时间序列的表示方法为

本发明一个较佳实施例中，所述归一化公式将交通流参数时间序列归一化到[0,1]的范围。

本发明一个较佳实施例中，所述归一化的公式为

本发明一个较佳实施例中，重构后的时间序列为：

其中

本发明一个较佳实施例中，所述步骤S4中的所述SVR模型的准确度与可靠性，是基于对航带划归理论的对比分析、实时航道速差的matlab仿真实验与验证。

本发明一个较佳实施例中，所述步骤S5中的所述模糊预测模型基于模糊结构元的航迹拟合方法，并依据船舶AIS数据的船位点的航迹来建立。

本发明一个较佳实施例中，所述模糊预测模型的拟合函数为

其中，E为模糊结构元，g(x)为趋势函数，h(x)＞0为模糊度函数。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

(1)本发明通过构建航带的划归方式从而获取多个船舶短时交通流参数的时间序列，主要包括对航道速差、占道率的AIS数据的时间序列进行交通系统的预测。

这种将航带分成两个子航带、每个子航带分成若干个虚拟航道的划归方式能够清楚地归类和计算到一段航带上所有的船舶的航行方向、航行轨迹、航行速差和航行占道率等，可以反应到每一条船舶完备的航行的信息与特征，进而提高预测的精度。

通过采集船舶航道速差的五类AIS数据：同一条航道上前后船舶的航道速差、相邻航道之间相邻船舶的航道速差、同一条航道上不同航段的速差，尤其是直线段与曲线段航段的航道速差、不同船舶类型的航道速差，尤其是不同吨位的船舶航行速差、同一航道上，相同吨位的船舶的最高与最低航行速差，可以统计、分析并论证出船舶壁碰与航道速差的因果关系，不同方面提供完备的短时交通流信息，有利于反应出船舶真实的位置波动和船舶之间的速度扰流，并分析出辖区水域的船舶交通流的变化趋势，为船舶短时交通流预测提供依据。另外，航道速差还为航行限速值的调整提供参考。

以船舶在航带上最大占道率对应的航道作为船舶航行的航道，并结合航带的划归方式，分析并模拟出辖区水域所有船舶交通流中换道大致变化情况，清晰地了解到船舶真实的航行路线与航行方向，减小了换道扰流的安全隐患，为船舶交通堵塞和安全壁碰提供切实可用的参考数据，提高预测模型的准确度和性能。

(2)本发明提出从船舶交通系统的混沌特性着手，通过对船舶航道速差、占道率的交通流数据的分析处理，能保证预测精度的前提下应尽可能的展现出船舶运动的特点，而不是进行简单的忽略，使得预测的结果切实可用。

(3)本发明利用takens定理进行分析与相空间重构，同时考虑到多个船舶交通流参数时间序列的量纲不一致，所以对所有交通流参数时间序列进行归一化处理；通过对比分析采用支持向量回归机SVR算法进行船舶短时交通流的预测，使得计算速度更快，预测效果更好。

(4)本发明提出了基于模糊结构元的船舶航迹拟合方法，依据船舶AIS数据获取的船位点进行航迹拟合，并基于matlab进行了实例分析。与传统的航迹拟合方法相比，本文提出的方法不仅能够反映出船舶运动趋势线，而且能够直观反映出船位点的波动情况；既给出了船舶交通流的预测结果，也给出了该预测结果的可靠度空间，更加全面、直观的反映出辖区水域交通流的未来变化趋势，为海事管理或船舶安全壁碰等方面提供切实可用的参考数据。

附图说明

下面结合附图和实施例对本发明进一步说明；

图1是本发明的优选实施例的流程图；

图2是本发明的航带划归示意图；

图3是本发明实施例四的潮汐航带规划示意图；

图中：1、子航带；2、航道；3、潮汐道。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本申请中的具体含义。

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例一

如图1和图2所示，本实施例提供一种基于混沌理论的船舶短时交通流模糊预测方法，包括以下步骤：

S1、构建一种航带的划归方式，通过通航分割线将航带分割成相反且航带宽相等的两个子航带，每个子航带均分割成三个虚拟航道；采集每条船舶的MMSI码与实时经纬度、航道速差、占道率的AIS数据，并对船舶位置、船舶航行轨迹、船舶方向和船舶速度等交通流因素的变化趋势做出预处理分析；其中采集船舶的同一子航带上不同航道的航速差、不同子航带上不同航道的航速差的AIS数据，同一段航带上，以某一段航道累计时程的最大值占航带时程的比率作为最大占道率，船舶最大占道率对应的航道为航行航道；

需要说明的是，航带的划归方式不仅仅是将航带分割成相反且航带宽相等的两个子航带，还可以是将航带设置成三个或四个子航带，其中两个子航带作为相反方向的子航带，其他航带可预设为应急子航带，以供船舶发生紧急情况时航行使用；同时，每个子航带也可以分割成不同数量的虚拟航道，例如2个,3个,4个等，具体依据某段航带上船舶的航行数量、航道差速以及占道率设置。

S2、使用wolf法对航道速差和占道率的AIS数据进行计算，对船舶交通流的Lyapunov指数进行判定，主要依据参数时间序列的最大Lyapunov指数λ，船舶交通流满足混沌特性的条件为λ＞0；

需要说明的是，Lyapunov判定指数λ有以下三种状态：λ＞0，代表船舶交通流对初始条件极为敏感，系统呈混沌特征；λ＝0，代表船舶交通流处于临界状态，运动轨迹表现为分离或周期现象；λ＜0，代表船舶交通流有稳定的不动点，对初始条件不敏感。因此，若计算得到参数时间序列的最大Lyapunov指数λ＞0时，船舶短时交通流就满足混沌特性。

S3、以takens定理实现对混沌时间序列的相空间重构，主要以航道速差、占道率的交通流参数时间序列为依据，以N个交通流参数时间序列[X₁,X₂,…,X_N]^T，且每个X_i都包含n个数据点，即X_i＝{x_i(t)|t＝1,2,…,n}，

那么N个交通流混沌时间序列的表示方法为：

考虑到多个船舶交通流参数时间序列的量纲不一致，所以需要对所有交通流参数时间序列进行归一化到[0,1]的范围，归一化的公式为：

重构后的时间序列为：

相构空间第k个相点为：

其中，K＝n-(m-1)τ为m维相空间的相点总数；重构后的时间序列构成预测的数据基础，即训练集与测试集；

S4、对比不同预测理论模型，采用支持向量回归机模型(SVR)进行预测，SVR模型的准确度与可靠性，是基于对航带划归理论的对比分析、实时航道速差的matlab仿真实验与验证；

S5、基于预测基础和基于模糊结构元的航迹拟合方法来建立模糊预测模型，采用模糊结构元的算法，并依据船舶AIS数据的船位点的航迹得到模糊预测模型的拟合函数为

其中，E为模糊结构元，g(x)为趋势函数，h(x)＞0为模糊度函数；进而通过计算预测结果数据点的模糊度函数，并与预测数值一起构建船舶短时交通流的模糊预测结果。

实施例二

该实施例是在实施例一的基础上做出的改进，具体如下：将实施例一中步骤S1中对于航道差速的AIS数据采集由原来的两个方面扩展到五个方面。

具体地，采集船舶航道速差的五类AIS数据分别是：同一条航道上前后船舶的航道速差；相邻航道之间相邻船舶的航道速差；同一条航道上不同航段的速差，尤其是直线段与曲线段航段的航道速差；不同船舶类型的航道速差，尤其是不同吨位的船舶航行速差；同一航道上，相同吨位的船舶的最高与最低航行速差。对比实施例一中两种航道差速的数据，明显实施例二中通过采取五个不同方面的船舶航道速差，更加有利于反应出船舶真实的位置波动和船舶之间的速度扰流，并分析出辖区水域的船舶交通流的变化趋势，能为船舶短时交通流预测提供依据。

实施例三

该实施例同样是在实施例一的基础上做出改进，具体如下：实施例一中以船舶在航带上最大占道率对应的航道作为船舶航行的航道；

具体地，这里主要将船舶的最大占道率不同的情况进行说明，若船舶最大占道率为90％-100％，说明此船舶在同一航道上行驶，不存在跨道航行；若船舶最大占道率在在50％及以下，则认定此船舶必定存在连续的跨道航行；若船舶最大占道率在50％-90％之间，则船舶可能出现单次跨道航行或连续跨道航行。

将船舶航行按占道率划归清楚，能较为清晰地了解到船舶真实的航行路线与航行方向，减小了换道扰流的安全隐患，为船舶交通堵塞和安全壁碰提供切实可用的参考数据，提高预测模型的准确度和性能。

实施例四

如图3所示，该实施例四同样是在实施例一的基础上做出的改进，具体如下：具体将航带设置在江河入海口，AIS数据的采集为每月十天，每月农历初一前后各两天和十五前后各两天；每逢农历初一和十五前后江河入海口会出现潮汐自然现象，并且初一十五前后各有一次大潮，大潮时的水深、水流速度以及水流方向都可能发生改变。船舶受到大潮影响可能原先的航行方向由顺流变成逆流，此时船舶的航道差速会改变，逆流方向的最大占道率会大大较低，船舶会存在频繁跨道或者连续跨道，换道扰流可能会导致船舶交通的堵塞和壁碰事故的发生。若能够在大潮发生时刻实行潮汐可变航带的方式，其中相反的两个子航带带宽随航道分割线移动而变化，即，原先两个子航道都为3个虚拟航道，大潮时逆流方向的子航带占用顺流方向子航带的1个虚拟航道，此时逆流子航带变宽，有利于缓解换道扰流带来的安全隐患，能为船舶交通流的预测提供参考依据。

本发明使用时，首先构建航带的划归方式，采集MMSI码、实时经纬度、航道速差、占道率的AIS数据，并进行预处理分析，其中航带的划归方式为通航分割成相反的两个子航带，通航分割线取航带的中心线，每个子航带均分割成若干虚拟航道；然后使用wolf法对航道速差和占道率的AIS数据进行计算，对船舶交通流的Lyapunov指数进行判定，并分析混沌特性；随后以takens原理实现对混沌时间序列的相空间重构，得到预测数据基础；之后对比不同预测理论模型，采用支持向量回归机模型(SVR)进行预测；最后以预测基础来建立模糊预测模型，采用模糊结构元的算法计算预测结果数据点的模糊度函数，并与预测数值一起构建船舶短时交通流的模糊预测结果。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。

Claims (5)

1.一种基于混沌理论的船舶短时交通流模糊预测方法，其特征在于，包括以下步骤：

S1、构建航带的划归方式，采集MMSI码、实时经纬度、航道速差和占道率的AIS数据，并进行预处理分析，其中航带的划归方式为通航分割成相反的两个子航带，每个子航带均分割成若干虚拟航道；

采集船舶航道速差的AIS数据为：同一条航道上前后船舶的航道速差、相邻航道之间相邻船舶的航道速差、同一条航道上不同航段的速差、直线段与曲线段航段的航道速差、不同船舶类型的航道速差、不同吨位的船舶航行速差和同一条航道上相同吨位的船舶的最高与最低航行速差；

所述占道率的AIS数据的采集方式是：同一段航带上，选取某一段航道累计时程的最大值占航带时程的比率作为最大占道率，船舶最大占道率对应的航道为航行航道；

所述航带的划归方式在江流入海口地区潮汐时刻，实行潮汐可变航带的方式，其中相反的两个子航带带宽随航道分割线移动而变化；

S2、使用wolf法对航道速差和占道率的AIS数据进行计算，对船舶交通流的Lyapunov指数进行判定，并分析混沌特性；

S3、以takens定理实现对混沌时间序列的相空间重构，得到预测数据基础；

S4、对比不同预测理论模型，采用支持向量回归机模型（SVR）进行预测；

S5、基于预测数据基础和模糊结构元的航迹拟合方法来建立模糊预测模型，采用模糊结构元的算法，并依据船舶AIS数据的船位点的航迹得到模糊预测模型的拟合函数为

，其中，E为模糊结构元，

为趋势函数，

为模糊度函数；进而通过计算预测结果数据点的模糊度函数，并与预测数值一起构建船舶短时交通流的模糊预测结果。

2.根据权利要求1所述的基于混沌理论的船舶短时交通流模糊预测方法，其特征在于：所述S2中的所述Lyapunov 指数判定方式依据参数时间序列的最大 Lyapunov 指数

，船舶交通流满足混沌特性的条件为

。

3.根据权利要求1所述的基于混沌理论的船舶短时交通流模糊预测方法，其特征在于：所述S3中的所述混沌时间序列的相空间重构，以航道速差和占道率的交通流参数时间序列为依据，并采用归一化公式。

4.根据权利要求3所述的基于混沌理论的船舶短时交通流模糊预测方法，其特征在于：所述归一化公式将交通流参数时间序列归一化到[0,1]的范围。

5.根据权利要求1所述的基于混沌理论的船舶短时交通流模糊预测方法，其特征在于：所述S4中的所述回归机模型的准确度与可靠性，是基于对航带划归理论的对比分析和实时航道速差的matlab仿真实验与验证。

Images