基于LSTM神經(jīng)網(wǎng)絡(luò)的海纜保護(hù)區(qū)船舶擱淺預(yù)測(cè)模型

吳仕良 林業(yè)茂 張雪峰 黃撥 劉莉莉

摘? 要：針對(duì)我國沿海地區(qū)，船舶擱淺可能損壞海底電纜的問題。設(shè)計(jì)一種基于雷達(dá)網(wǎng)和AIS數(shù)據(jù)的軌跡預(yù)測(cè)模型。該模型通過采集船舶的經(jīng)緯度，航速航向等信息，預(yù)測(cè)五分鐘內(nèi)的船舶位置。使用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)船舶五分鐘內(nèi)的軌跡進(jìn)行預(yù)測(cè)，準(zhǔn)確預(yù)測(cè)船舶軌跡可以及時(shí)發(fā)出預(yù)警信息，降低船舶觸纜的風(fēng)險(xiǎn)。5分鐘內(nèi)船舶軌跡點(diǎn)平均距離誤差約為124米，5分鐘時(shí)刻，船舶坐標(biāo)點(diǎn)平均距離誤差約為185米。

關(guān)鍵詞：船只擱淺；軌跡預(yù)測(cè)；LSTM

中圖分類號(hào)：TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）07-0082-05

Abstract： In view of the problem of coastal areas in our country， the ship grounding may damage the submarine cables. This paper designs a trajectory prediction model based on radar net and AIS data. The model can predict the ship's position in real time within five minutes by collecting information such as the ship's latitude and longitude， speed and course. It uses the LSTM neural network to predict the trajectory of the ship within five minutes， and the accurate prediction of the ship trajectory can send out early warning information in time and reduce the risk of the ship touching the cables. The average distance error of ship trajectory point within 5 minutes is about 124 meters， and the average distance error of the ship coordinate point at the time of 5 minutes is about 185 meters.

Keywords： ship grounding; trajectory prediction; LSTM

0? 引? 言

近年來，數(shù)據(jù)傳輸需求日益增長，近海區(qū)域鋪設(shè)了大量的海纜，海纜區(qū)域可能與船舶航線發(fā)生交會(huì)，因船舶擱淺或拋錨，從而導(dǎo)致觸纜時(shí)有發(fā)生。海南聯(lián)網(wǎng)系統(tǒng)海纜監(jiān)視警戒區(qū)船只拋錨事件信息表顯示，目前危險(xiǎn)行為干預(yù)主要依賴于值班人力，若能提前進(jìn)行航跡預(yù)測(cè)并給出告警信息，及時(shí)通知相關(guān)人員進(jìn)行甚高頻通信或應(yīng)急船干預(yù)，有助于提升海纜安全性，有效節(jié)省人力物力，降低損失。

本文以海南周圍雷達(dá)網(wǎng)大數(shù)據(jù)平臺(tái)為基礎(chǔ)，采用AIS和雷達(dá)數(shù)據(jù)相結(jié)合，訓(xùn)練和使用預(yù)測(cè)模型。軌跡預(yù)測(cè)模型采用LSTM神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，長短期記憶網(wǎng)絡(luò)）對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。海纜的水深與埋深數(shù)據(jù)主要參考2016年份的海纜路由、埋深檢測(cè)報(bào)告。

1? 數(shù)據(jù)采集與預(yù)處理

1.1? 數(shù)據(jù)采集

本研究的大數(shù)據(jù)平臺(tái)架構(gòu)如圖1所示。

如圖1所示，HDFS和hive儲(chǔ)存有船只的歷史原始數(shù)據(jù)。由于離線數(shù)據(jù)庫中含有大量持續(xù)時(shí)間短，突然出現(xiàn)并突然消失的雷達(dá)目標(biāo)，為盡可能篩選船舶軌跡作為軌跡預(yù)測(cè)的樣本，設(shè)置篩選條件MMSI不能為空值。本文篩選船舶ID、MMSI號(hào)、時(shí)間戳、經(jīng)度、緯度、航向、航速作為原始字段。觀察海纜數(shù)據(jù)經(jīng)緯度坐標(biāo)，主要選擇我國近海被雷達(dá)網(wǎng)覆蓋的某兩度范圍內(nèi)船舶數(shù)據(jù)?；贏IS數(shù)據(jù)的格式，船舶運(yùn)動(dòng)軌跡的研究大體分為兩種方式：以航跡點(diǎn)為研究對(duì)象[1，2]及以航跡線為研究對(duì)象[3，4]。

實(shí)時(shí)數(shù)據(jù)主要通過kafka傳輸，通過flink流處理消費(fèi)數(shù)據(jù)并進(jìn)行實(shí)時(shí)計(jì)算。最后將預(yù)警信息實(shí)時(shí)同步到redis或kafka中。

1.2? 數(shù)據(jù)分析

船舶目標(biāo)的軌跡預(yù)測(cè)，模型輸入應(yīng)為過去一段時(shí)間內(nèi)的船舶航速、航向、經(jīng)緯度等特征信息，模型輸出應(yīng)為一定時(shí)間內(nèi)的經(jīng)緯度坐標(biāo)數(shù)據(jù)。實(shí)際的AIS目標(biāo)中包含部分錯(cuò)誤的數(shù)據(jù)[5]，雷達(dá)和AIS數(shù)據(jù)融合后，觀察原始數(shù)據(jù)得出以下結(jié)論。

數(shù)據(jù)中某些重要特征為空值：例如MMSI號(hào)、時(shí)間戳、經(jīng)緯度坐標(biāo)。這部分?jǐn)?shù)據(jù)因難以插值或判斷，將視為無效數(shù)據(jù)，直接在原始數(shù)據(jù)中刪除。

數(shù)據(jù)中會(huì)包含一定量持續(xù)低航速目標(biāo)（航速低于2海里/小時(shí)），分析認(rèn)為有兩種可能：

1）目標(biāo)為雜散目標(biāo)，非正常船舶航行數(shù)據(jù)，此類目標(biāo)通常持續(xù)時(shí)間較短。

2）目標(biāo)為船舶目標(biāo)，船舶處于錨泊狀態(tài)，經(jīng)緯度坐標(biāo)通常固定于較小的區(qū)域內(nèi)，此類目標(biāo)通常也無軌跡預(yù)測(cè)的必要。

數(shù)據(jù)中船舶的軌跡在時(shí)間上不連續(xù)。船舶的軌跡預(yù)測(cè)應(yīng)當(dāng)包含時(shí)序信息，一系列的經(jīng)緯度點(diǎn)具有時(shí)間連續(xù)性的特征。分析認(rèn)為，船舶時(shí)間間隔不統(tǒng)一主要有四種因素：

1）船舶處于不同航行狀態(tài)時(shí)（例如錨泊、定速航行、停航），AIS收發(fā)數(shù)據(jù)的時(shí)間會(huì)發(fā)生改變。

2）在數(shù)據(jù)傳輸?shù)倪^程中，難免會(huì)出現(xiàn)延遲與漏發(fā)，導(dǎo)致時(shí)間戳間隔不等。

3）數(shù)據(jù)清理時(shí)，刪除了部分?jǐn)?shù)據(jù)。

4）船舶目標(biāo)丟失，雷達(dá)網(wǎng)和AIS未接收到數(shù)據(jù)。

綜上所述，數(shù)據(jù)預(yù)處理時(shí)，將對(duì)數(shù)據(jù)的時(shí)間戳進(jìn)行調(diào)整，需要進(jìn)行數(shù)據(jù)的插值和航行軌跡的分段。

數(shù)據(jù)中經(jīng)緯度坐標(biāo)點(diǎn)出現(xiàn)軌跡偏移或異常點(diǎn)跳變，此類數(shù)據(jù)視為臟數(shù)據(jù)予以剔除，對(duì)于時(shí)間間隔較大的軌跡和部分點(diǎn)位缺失的軌跡，將作插值處理。

取數(shù)據(jù)時(shí)取了固定區(qū)域內(nèi)的船舶軌跡，且船舶軌跡難以覆蓋各種類型的航速和航向角，將對(duì)數(shù)據(jù)進(jìn)行處理，增加數(shù)據(jù)量并防止模型依賴于訓(xùn)練數(shù)據(jù)的經(jīng)緯度。將預(yù)測(cè)經(jīng)緯度的值轉(zhuǎn)換為預(yù)測(cè)經(jīng)緯度基于初始點(diǎn)的變化值。

原始數(shù)據(jù)中包含船舶MMSI，時(shí)間戳、經(jīng)度、緯度、航速、航向。特征較少，將擴(kuò)充上述特征，通過計(jì)算獲取ROT（轉(zhuǎn)艏速率）、經(jīng)度方向變化量、緯度方向變化量、航向的正弦、余弦等。

軌跡預(yù)測(cè)數(shù)據(jù)獲取步驟如圖2所示。

2? 實(shí)驗(yàn)方法

2.1? 模型選用

深度學(xué)習(xí)可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，具有從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力[6]。循環(huán)神經(jīng)網(wǎng)絡(luò)RNN作為深度學(xué)習(xí)的一種典型模型，可用來處理時(shí)間序列數(shù)據(jù)[7]。

RNN是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它與DNN、CNN不同的是：它不但考慮了前一時(shí)刻的輸入，還使網(wǎng)絡(luò)對(duì)前面的內(nèi)容具有一定的“記憶”能力[8]。

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN又被稱為遞歸神經(jīng)網(wǎng)絡(luò)，是一種深層次的神經(jīng)網(wǎng)絡(luò)模型。一個(gè)標(biāo)準(zhǔn)的RNN的層次結(jié)構(gòu)包含輸入層、隱藏層和輸出層。RNN最主要的特征就是隱藏層含有所有歷史時(shí)刻的狀態(tài)信息，該隱藏層是RNN中的記憶單元。雖然RNN有其獨(dú)特的優(yōu)點(diǎn)但是仍存在著梯度消失、 梯度爆炸等問題。LSTM就是為了解決梯度消失、梯度爆炸等問題應(yīng)運(yùn)而生的[9]。

在船舶軌跡預(yù)測(cè)中，歷史信息對(duì)當(dāng)前狀態(tài)的影響不同，與當(dāng)前時(shí)刻接近的數(shù)據(jù)更有參考價(jià)值，權(quán)重更大；與當(dāng)前時(shí)刻時(shí)間差距大的數(shù)據(jù)，權(quán)重較小。

因此LSTM長短期記憶模型是一種改進(jìn)的RNN模型，更適合于船舶軌跡預(yù)測(cè)。LSTM可以解決傳統(tǒng)RNN的長期依賴問題，即解決當(dāng)前系統(tǒng)狀態(tài)可能會(huì)受很長時(shí)間之前系統(tǒng)狀態(tài)影響的問題。它對(duì)傳統(tǒng)RNN的隱藏層進(jìn)行了結(jié)構(gòu)上的改進(jìn)[10]。LSTM替換了RNN模型中的記憶單元，記憶單元包含三種門結(jié)構(gòu)：輸入門、輸出門和遺忘門。這種結(jié)構(gòu)使得記憶單元不僅可以長時(shí)間記憶歷史信息，還可以通過遺忘門拋棄部分歷史信息。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

2.2? 數(shù)據(jù)預(yù)處理

2.2.1? 數(shù)據(jù)異常值清理

MMSI號(hào)與時(shí)間戳缺失的數(shù)據(jù)，難以歸類于完整的軌跡中，故丟棄數(shù)據(jù)表中的該條數(shù)據(jù)。

丟棄部分航速航向數(shù)據(jù)，判斷依據(jù)為航速低于2 nm/h或船速高于40 nm/h的數(shù)據(jù)，將根據(jù)等時(shí)間間隔的經(jīng)緯度數(shù)據(jù)，計(jì)算實(shí)時(shí)航速與實(shí)時(shí)航向作為補(bǔ)充。

2.2.2? 數(shù)據(jù)分段與數(shù)據(jù)時(shí)間間隔統(tǒng)一

首先通過MMSI號(hào)將所有軌跡按船舶分類，時(shí)間間隔小于300秒的數(shù)據(jù)，將統(tǒng)一時(shí)間間隔后插值處理；時(shí)間間隔大于300秒的數(shù)據(jù)，將該點(diǎn)位作為斷點(diǎn)，前后數(shù)據(jù)視作兩段軌跡。

時(shí)序模型訓(xùn)練時(shí)，數(shù)據(jù)維度必須相同。原始數(shù)據(jù)中時(shí)間戳間隔長短不定，需將數(shù)據(jù)調(diào)整為等時(shí)間間隔。觀察數(shù)據(jù)和通過實(shí)驗(yàn)，選擇30秒為時(shí)間間隔長度，具體步驟如下：

1）對(duì)時(shí)間戳除以時(shí)間間隔，去除余數(shù)，保留整數(shù)部分。

2）同一時(shí)間戳存在多條數(shù)據(jù)時(shí)，僅保留第一條數(shù)據(jù)及原始時(shí)間戳與當(dāng)前時(shí)間戳間隔最小的數(shù)據(jù)。

3）時(shí)間間隔大于300秒，分割軌跡。

4）時(shí)間間隔小于300秒，根據(jù)前后點(diǎn)經(jīng)緯度數(shù)據(jù)線性插值，暫時(shí)選取首點(diǎn)的航向航速，作為該時(shí)段的航向航速。

5）得到時(shí)間間隔為30秒的多條軌跡。

2.2.3? 數(shù)據(jù)分組

定義模型輸入數(shù)據(jù)條數(shù)N_input和輸出數(shù)據(jù)條數(shù)N_output。因時(shí)間間隔為30 s，故預(yù)測(cè)時(shí)所需歷史數(shù)據(jù)時(shí)間長度為N_input*30秒，輸出數(shù)據(jù)時(shí)間長度為N_output*30秒。故一組數(shù)據(jù)的條數(shù)為N_input和N_output之和。當(dāng)輸入為20條數(shù)據(jù)，輸出為10條數(shù)據(jù)時(shí)：即以過去10分鐘的經(jīng)緯度點(diǎn)預(yù)測(cè)未來5分鐘的經(jīng)緯度點(diǎn)。

2.2.4? 數(shù)據(jù)特征整理

獲取分組后等時(shí)間間隔的數(shù)據(jù)，當(dāng)前特征包括經(jīng)度、緯度、航向、航速。特征擴(kuò)充步驟如下：

1）一組數(shù)據(jù)中所有經(jīng)緯度減去初始點(diǎn)的經(jīng)緯度，即將軌跡初始點(diǎn)平移至與原點(diǎn)重合（防止訓(xùn)練的模型對(duì)固定的經(jīng)緯度區(qū)域產(chǎn)生依賴）。

2）根據(jù)經(jīng)緯度計(jì)算軌跡點(diǎn)的瞬時(shí)航速與瞬時(shí)航向，瞬時(shí)航速為距離的變化量除以時(shí)間變化量，瞬時(shí)航向由方位角的變化量除以時(shí)間變量。

3）根據(jù)經(jīng)度和緯度計(jì)算經(jīng)度方向變化量，緯度方向變化量。

4）根據(jù)當(dāng)前航向（航向數(shù)據(jù)為以正北為0度，范圍為0度至359度）計(jì)算航向的正弦值和余弦值。

5）計(jì)算航速在經(jīng)度方向和緯度方向（水平方向?yàn)榻?jīng)度方向，豎直方向?yàn)榫暥确较颍┥系姆至?/p>

6）根據(jù)航速的變化與時(shí)間間隔計(jì)算加速度，然后結(jié)合正弦值余弦值計(jì)算經(jīng)度與緯度方向上的加速度分量。

7）根據(jù)航速和時(shí)間間隔計(jì)算轉(zhuǎn)艏速率。

經(jīng)過上述處理后，當(dāng)前的特征有經(jīng)度、緯度、航速、航向、經(jīng)度變化量、緯度變化量、瞬時(shí)航速、瞬時(shí)航向、加速度、航向正弦值、航向余弦值、航速正弦值、航速余弦值、加速度正弦值、加速度余弦值、轉(zhuǎn)艏速率，特征共計(jì)16個(gè)。

2.3? 模型訓(xùn)練

對(duì)于軌跡預(yù)測(cè)算法，其結(jié)果應(yīng)當(dāng)為一段軌跡的經(jīng)緯度坐標(biāo)，LSTM模型對(duì)時(shí)序信息有嚴(yán)格限制，所以每條數(shù)據(jù)的順序不應(yīng)被改變。

設(shè)定LSTM為序貫?zāi)Ｐ?，添加兩層LSTM層，兩層dropout層和一層全連接層，設(shè)定函數(shù)的損失函數(shù)（loss）為均方誤差，學(xué)習(xí)率優(yōu)化器選擇adam，評(píng)價(jià)為acc，模型的epochs為100，batch_size為32，verbose為1。

結(jié)合船舶進(jìn)距分析，按照IMO規(guī)范，縱距不超過4.5倍船長，橫距為旋回直徑的一半，而旋回直徑不超過5倍船長，船舶軌跡的模型以預(yù)測(cè)5分鐘為標(biāo)準(zhǔn)。

模型輸入為20條船舶數(shù)據(jù)，模型輸出為10條船舶數(shù)據(jù)。每條數(shù)據(jù)的時(shí)間間隔為30秒。輸入數(shù)據(jù)包含經(jīng)度、緯度、航速、航向、經(jīng)度變化量、緯度變化量、瞬時(shí)航速、瞬時(shí)航向、加速度、航向正弦值、航向余弦值、航速正弦值、航速余弦值、加速度正弦值、加速度余弦值、轉(zhuǎn)艏速率16個(gè)特征。輸出數(shù)據(jù)包含經(jīng)度和緯度數(shù)據(jù)。綜上所述，模型的輸入為前10分鐘的船舶航行數(shù)據(jù)，模型的輸出為后5分鐘的船舶經(jīng)緯度數(shù)據(jù)。

由于模型輸入輸出經(jīng)緯度數(shù)據(jù)均進(jìn)行了平移，在得到模型的輸出數(shù)據(jù)后，需要對(duì)經(jīng)緯度進(jìn)行反平移，獲取真實(shí)的經(jīng)緯度。

3? 實(shí)驗(yàn)分析

3.1? 評(píng)價(jià)指標(biāo)

軌跡預(yù)測(cè)模型關(guān)注預(yù)測(cè)軌跡與真實(shí)軌跡的相似度，故采用平均距離誤差作為衡量模型準(zhǔn)確度的標(biāo)準(zhǔn)。平均距離誤差包含不同時(shí)間間隔的平均距離誤差和軌跡整體的平均距離誤差（單位為米）。例如，30秒時(shí)平均距離誤差為真實(shí)點(diǎn)與預(yù)測(cè)點(diǎn)的距離誤差的均值，用于衡量30秒時(shí)，預(yù)測(cè)點(diǎn)位相比于真實(shí)點(diǎn)位的偏移程度。用整體軌跡的平均距離誤差，衡量整段軌跡預(yù)測(cè)結(jié)果的偏移程度。地球半徑取6 371.393千米，距離誤差由經(jīng)緯度坐標(biāo)和地球半徑計(jì)算。

3.2? 實(shí)驗(yàn)結(jié)果

選取瓊州海峽附近真實(shí)AIS與雷達(dá)數(shù)據(jù)作為原始樣本共包含船舶1 843條，插值處理前的數(shù)據(jù)約有324萬條。在將數(shù)據(jù)分為多條軌跡后，時(shí)間順序前4/5為訓(xùn)練數(shù)據(jù)，后1/5為測(cè)試數(shù)據(jù)，另選取80條包含轉(zhuǎn)向的軌跡（MMSI號(hào)，時(shí)間戳等均與訓(xùn)練數(shù)據(jù)不同，確保為未經(jīng)訓(xùn)練的數(shù)據(jù)）作為測(cè)試數(shù)據(jù)。

選取輸入數(shù)據(jù)10個(gè)點(diǎn)（右上框0～9號(hào)），預(yù)測(cè)數(shù)據(jù)10個(gè)點(diǎn)（左下框10～19號(hào)），真實(shí)未來軌跡10個(gè)點(diǎn)（左下框0～9號(hào)），繪制于海圖中。預(yù)測(cè)軌跡與真實(shí)軌跡航行趨勢(shì)吻合，如圖4所示。

如表1所示，不同測(cè)試集中平均距離誤差均隨預(yù)測(cè)時(shí)間增加而增加，原始測(cè)試集平均距離誤差為163米，轉(zhuǎn)向測(cè)試集中平均距離誤差為184米，總時(shí)段內(nèi)平均距離誤差分別為139米和124米。

分別挑選直行軌跡與轉(zhuǎn)向軌跡進(jìn)行對(duì)比，直行軌跡預(yù)測(cè)如圖5所示。模型能較好的預(yù)測(cè)直行船舶的狀態(tài)，預(yù)測(cè)軌跡與真實(shí)軌跡趨勢(shì)一致。

圖6為轉(zhuǎn)向軌跡預(yù)測(cè)結(jié)果。預(yù)測(cè)軌跡與真實(shí)軌跡基本一致，模型能夠預(yù)測(cè)包含較大轉(zhuǎn)向角度的軌跡。圖中為多組輸入數(shù)據(jù)、預(yù)測(cè)數(shù)據(jù)、真實(shí)軌跡數(shù)據(jù)同時(shí)繪制。所以部分點(diǎn)位有重合，會(huì)被重復(fù)繪制。

如表2所示，隨機(jī)選取一段直行軌跡和轉(zhuǎn)向軌跡，直行軌跡平均距離誤差為80.054米，轉(zhuǎn)向軌跡平均距離誤差為95.096米。

4? 結(jié)? 論

為了提高海纜的安全性，降低過往船舶觸纜風(fēng)險(xiǎn)。本文通過大數(shù)據(jù)平臺(tái)篩選了1 843條船舶真實(shí)軌跡作為訓(xùn)練數(shù)據(jù)，針對(duì)原始數(shù)據(jù)的不足進(jìn)行數(shù)據(jù)預(yù)處理，使用LSTM長短期記憶模型進(jìn)行訓(xùn)練，通過軌跡預(yù)測(cè)模型進(jìn)行航行安全的預(yù)警，軌跡預(yù)測(cè)結(jié)果與真實(shí)軌跡基本吻合。在讀取海纜埋深數(shù)據(jù)后，將軌跡預(yù)測(cè)結(jié)果與水深線作比較，若線段相交則輸出預(yù)警信息，能夠有效的進(jìn)行船舶軌跡預(yù)測(cè)并及時(shí)的輸出擱淺預(yù)警，提高了海纜的安全性。

參考文獻(xiàn)：

[1] PALMA A T，BOGORNY V，KUIJPRS B，et al. A clustering-based approach for discovering interesting places in trajectories [C]//SAC '08：Proceedings of the 2008 ACM symposium on Applied computing.New York：ACM，2008：863-868.

[2] VESPE M，VISENTINI I，BRYAN K，et al. Unsupervised learning of maritime traffic patterns for anomaly detection [C]//9th IET Data Fusion & Target Tracking Conference （DF&TT 2012）：Algorithms & Applications. London：IET，2012：1-5.

[3] DE VRIES G K D，VAN SOMEREN M. Machine learning for vessel trajectories using compression，alignments and domain knowledge [J].Expert Systems with Applications，2012，39（18）：13426-13439.

[4] DOUGLAS D H，PEUCKER T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature [J].Cartographica：The International Journal for Geographic Information and Geovisualization，2003，10（2）：112-122.

[5] 劉興龍，初秀民，馬楓，等.AIS報(bào)文異常動(dòng)態(tài)信息甄別方法 [J].交通運(yùn)輸工程學(xué)報(bào)，2016，16（5）：142-150.

[6] BIERE A，F(xiàn)ROHLICH A. Evaluating CDCI. Variable Scoring Schemes [C]//Proceedings of the 18th International Conference on Theory and Applications of Satisfiability Testing.Bioinformatics：Springer International Publishing，2015：405-422.

[7] CHEN J. A Dynamic Phase Selection Strategy for Satisfiability Solvers [J].Computer Science，2012，13（5）：208-213.

[8] 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.

[9] 權(quán)波，楊博辰，胡可奇，等.基于LSTM的船舶航跡預(yù)測(cè)模型 [J].計(jì)算機(jī)科學(xué)，2018，45（S2）：126-131.

[10] 趙萬香.基于馬爾科夫預(yù)測(cè)法的車道偏離預(yù)警系統(tǒng)研究 [D].西安：長安大學(xué)，2014.

[11] 孫平闊.海底光纜路由設(shè)計(jì)影響因素 [J].電信工程技術(shù)與標(biāo)準(zhǔn)化，2022，35（2）：76-80.

[12] 葉胤，王超，莫仁蕓.海底光纜通信系統(tǒng)技術(shù)發(fā)展分析 [J].廣東通信技術(shù)，2021，41（1）：19-23.

[13] 魏巍，王增，張偉，等.新一代海底光纜綜合信息傳輸網(wǎng)技術(shù)發(fā)展現(xiàn)狀 [J].光通信技術(shù)，2022，46（4）：61-67.

[14] 劉興華.海底通信光纜水下設(shè)備原理及設(shè)計(jì)研究 [J].廣東通信技術(shù)，2022，42（5）：68-72.

[15] 盧聃.海底光纜突圍在即 [J].產(chǎn)城，2021（11）：70-71.

[16] 陳宇俊，解江，張澤，等.海底光纜環(huán)境影響因素綜述 [J].電子產(chǎn)品可靠性與環(huán)境試驗(yàn)，2018，36（S1）：232-236.

[17] 施炎，李文川，叢丕宇.海底光纜風(fēng)險(xiǎn)警告解決方案 [J].電信技術(shù)，2018（11）：54-58.

作者簡(jiǎn)介：吳仕良（1988—），男，漢族，廣西平南人，助理工程師，本科，主要研究方向：光纖通信；林業(yè)茂（1986—），男，漢族，海南萬寧人，助理工程師，碩士研究生，主要研究方向：光纖通信；張雪峰（1983—），男，漢族，湖南衡陽人，工程師，碩士研究生，主要研究方向：通信工程；黃撥（1985—），男，漢族，湖南長沙人，助理研究員，碩士研究生，主要研究方向：遙感技術(shù)；劉莉莉（1988—），女，漢族，福建泉州人，本科，助理工程師，主要研究方向：光纖通信。