基于DE-SVM的船舶航跡預(yù)測(cè)模型

劉嬌 史國(guó)友 楊學(xué)錢 朱凱歌

摘要：為提高船舶航跡預(yù)測(cè)精度，解決準(zhǔn)確建模難度大和神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的問(wèn)題，考慮實(shí)時(shí)獲取目標(biāo)船AIS數(shù)據(jù)較少的特點(diǎn)，提出一種基于支持向量機(jī)（support vector machine， SVM）的航跡預(yù)測(cè)模型。選擇AIS數(shù)據(jù)中的航速、航向和船舶經(jīng)緯度作為樣本特征變量;采用小波閾值去噪的方法處理訓(xùn)練數(shù)據(jù);采用差分進(jìn)化（differential evolution， DE）算法對(duì)模型內(nèi)部參數(shù)尋優(yōu)以提高模型收斂速度和預(yù)測(cè)精度。選取天津港實(shí)船某段航跡的AIS數(shù)據(jù)，比較基于DE-SVM與基于BP神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)模型的仿真結(jié)果。結(jié)果表明，基于DE-SVM的航跡預(yù)測(cè)模型具有更高的預(yù)測(cè)精度，簡(jiǎn)單、可行、高效，且耗時(shí)少。

關(guān)鍵詞： 航跡預(yù)測(cè); 支持向量機(jī)（SVM）; 差分進(jìn)化（DE）算法; AIS; BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： U675.79 ? ?文獻(xiàn)標(biāo)志碼： 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

隨著經(jīng)濟(jì)全球化的飛速發(fā)展，航運(yùn)作為全球貿(mào)易最主要的載體發(fā)揮著重要的作用。船舶作為海上重要的交通運(yùn)輸工具，為經(jīng)濟(jì)發(fā)展和社會(huì)進(jìn)步作出了巨大貢獻(xiàn)。然而，船舶的大型化與多樣化發(fā)展給海上航行帶來(lái)了極大的安全隱患。據(jù)相關(guān)部門統(tǒng)計(jì)，近年來(lái)平均每年有200多艘船發(fā)生海上事故，其中有一半以上是由船舶間碰撞引起的。通過(guò)調(diào)查海上碰撞事故發(fā)現(xiàn)，實(shí)際海上航行時(shí)船舶會(huì)遇情況往往十分復(fù)雜，尤其是在多船避碰時(shí)，由于目標(biāo)船的操船意圖不明，無(wú)法做出實(shí)時(shí)、有效的避碰決策是導(dǎo)致海上碰撞事故頻發(fā)的重要原因之一?？紤]到上述因素，在進(jìn)行避碰決策時(shí)不能僅憑借當(dāng)前航行信息得出結(jié)論，應(yīng)考慮目標(biāo)船將來(lái)一段時(shí)間的航行行為，使避碰決策具有一定的前瞻性，有效提高避碰決策的可靠性，降低碰撞危險(xiǎn)。因此，提出一種高精度并可實(shí)時(shí)預(yù)測(cè)船舶航跡的模型是現(xiàn)階段亟待解決的問(wèn)題。

目前航跡預(yù)測(cè)通常采用傳統(tǒng)的馬爾科夫模型[1-2]、粒子濾波算法[3]、模擬退火算法[4]、卡爾曼濾波算法[5-6]等，這些方法往往具有以下不足：首先，都需要建立船舶運(yùn)動(dòng)學(xué)方程，而風(fēng)、流等水文環(huán)境因素會(huì)大大增加模型復(fù)雜度，增大建模難度;其次，根據(jù)海上避碰決策需求，航跡預(yù)測(cè)往往要求實(shí)時(shí)預(yù)測(cè)，而建立實(shí)時(shí)、準(zhǔn)確的數(shù)學(xué)模型往往很難實(shí)現(xiàn)，很多只是適用于理想情況下的研究。隨著人工智能的迅速興起，更多機(jī)器學(xué)習(xí)算法也逐漸被應(yīng)用到航跡預(yù)測(cè)中，其中較為常見(jiàn)的是神經(jīng)網(wǎng)絡(luò)[7-8]，但是該算法易陷入局部最優(yōu)，且在海上進(jìn)行實(shí)時(shí)數(shù)據(jù)訓(xùn)練建模時(shí)面臨數(shù)據(jù)量少導(dǎo)致訓(xùn)練精度不夠的問(wèn)題。

基于此，本文提出一種基于差分進(jìn)化算法-支持向量機(jī)（differential evolution algorithm-support vector machine，DE-SVM）的船舶航跡預(yù)測(cè)模型，利用AIS信息中的航速、航向、船位點(diǎn)等作為模型樣本特征變量，實(shí)現(xiàn)多維航跡時(shí)間序列的預(yù)測(cè)，以便更好地獲悉他船動(dòng)態(tài)，使避碰決策的生成具有一定的前瞻性。

1 相關(guān)概念

1.1 SVM體系

SVM是由Vapnik于1995年首次提出的一種新穎的非線性學(xué)習(xí)方法。SVM具備堅(jiān)實(shí)的理論基礎(chǔ)，較好地實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，這是神經(jīng)網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)方法不具備的。它通過(guò)對(duì)凸二次規(guī)劃問(wèn)題進(jìn)行求解，在有限樣本學(xué)習(xí)能力與模型復(fù)雜SVM體系結(jié)構(gòu)度之間尋求折中，以獲取最佳泛化性能。圖1為SVM體系結(jié)構(gòu)圖，其中x（i）為輸入的自變量特征值，K為核函數(shù)，通過(guò)核函數(shù)將自變量x（i）映射到高維特征空間，在該特征空間進(jìn)行線性回歸[9]，得到輸出Y。

3.3.4 不同航跡序列預(yù)測(cè)對(duì)比

為驗(yàn)證模型的泛化性能，用DE-SVM算法對(duì)不同的航跡進(jìn)行預(yù)測(cè)對(duì)比。任意選擇不同船舶的5條航跡，并任意選取5條航跡中的部分?jǐn)?shù)據(jù)進(jìn)行模型訓(xùn)練和預(yù)測(cè)。5條航跡預(yù)測(cè)值與實(shí)際值對(duì)比見(jiàn)圖6，預(yù)測(cè)誤差見(jiàn)表6。從圖6可以粗略看出，航跡彎曲程度越大，DE-SVM模型預(yù)測(cè)精度越低，但總體來(lái)說(shuō)，航跡點(diǎn)的預(yù)測(cè)值與實(shí)際值基本吻合。為進(jìn)一步分析不同航跡序列的預(yù)測(cè)誤差，對(duì)表6進(jìn)行分析，選取預(yù)測(cè)精度最低、彎曲程度最大的航跡2的預(yù)測(cè)結(jié)果進(jìn)行分析，經(jīng)度、緯度的最大絕對(duì)誤差為4.684 8×10-4°，即52.055 3 m，在誤差允許的范圍內(nèi)可以滿足避碰需求。其他航跡的誤差均小于航跡2的誤差，可滿足避碰需求。綜上所述，DE-SVM航跡預(yù)測(cè)模型具有較好的泛化性，可以較好地運(yùn)用到避碰中。

4 結(jié)束語(yǔ)

分析總結(jié)了目前船舶航跡預(yù)測(cè)方法存在的問(wèn)題，考慮到支持向量機(jī)（SVM）良好的全局最優(yōu)擬合性能以及適合小樣本訓(xùn)練的特性，提出了一種基于SVM的離線航跡預(yù)測(cè)方法。選取AIS信息中的航速、航向、經(jīng)度和緯度作為模型中的樣本特征變量，對(duì)海上航行船舶航跡時(shí)間序列進(jìn)行預(yù)測(cè)，以便更好地獲悉他船目前以及將來(lái)一段時(shí)間的動(dòng)態(tài)，使避碰決策的生成具有一定的前瞻性。由于本文的模型是離線模型，即假設(shè)所有數(shù)據(jù)一次性獲取，一旦模型訓(xùn)練完畢無(wú)法修改，而海上AIS信息是基于速度和航向間歇性采集的，如果新獲取的AIS數(shù)據(jù)與原始樣本數(shù)據(jù)差別較大，則預(yù)測(cè)誤差較大。因此，建立基于增量式SVM航跡預(yù)測(cè)模型應(yīng)是下一步探討的問(wèn)題。

參考文獻(xiàn)：

[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] 楊淑瑩， 吳濤， 張迎， 等. 基于模擬退火的粒子濾波在目標(biāo)跟蹤中的應(yīng)用[J]. 光電子·激光， 2011， 22（8）： 1236-1240. DOI： 10.16136/j.joel.2011.08.022.

[5] 徐鐵， 蔡奉君， 胡勤友， 等. 基于卡爾曼濾波算法船舶AIS軌跡估計(jì)研究[J]. 現(xiàn)代電子技術(shù)， 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] 甄榮， 金永興， 胡勤友， 等. 基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測(cè)[J]. 中國(guó)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] 李響， 賈志偉. 基于DE算法的10 kV網(wǎng)架結(jié)構(gòu)多目標(biāo)規(guī)劃[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2018， 38（s1）： 99-104. DOI： 10.13334/j.0258-8013.pcsee.180719.

[11] 王君， 陳智龍， 楊智勇， 等. 基于改進(jìn)DE算法的工業(yè)機(jī)器人時(shí)間最優(yōu)軌跡規(guī)劃[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)， 2018（6）： 42-46. DOI： 10.13462/j.cnki.mmtamt.2018.06.012.

[12] 查進(jìn)道. 一種基于DE-SVR的逼近算法及其在CPI預(yù)測(cè)中的應(yīng)用[J]. 科技通報(bào)， 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] 羅永豪. 基于AIS數(shù)據(jù)的船舶航行軌跡預(yù)測(cè)[D]. 廣州： 華南理工大學(xué)， 2017.

[15] 盧輝斌， 李丹丹， 孫海艷. PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51（2）： 224-229， 264.

（編輯 趙勉）