基于多模型融合的内河船舶航行轨迹预测方法

doi:10.3969/j.issn.1004-132X.2022.10.002

中国机械工程 ›› 2022, Vol. 33 ›› Issue (10): 1142-1152.DOI: 10.3969/j.issn.1004-132X.2022.10.002

• 先进水路交通装备与智能系统专辑（续） • 上一篇下一篇

基于多模型融合的内河船舶航行轨迹预测方法

张阳1;高曙1;何伟2;蔡菁1

1.武汉理工大学计算机与人工智能学院，武汉，430070
2.闽江学院物理与电子信息工程学院，福州，350108

出版日期:2022-05-25 发布日期:2022-06-09
通讯作者: 高曙（通信作者），女，1967年生，教授。E-mail：gshu418@163.com。
作者简介:张阳，男，1995年生，硕士研究生。研究方向为数据分析与智能交通。
基金资助:
国家自然科学基金（52172327）；
绿色智能内河船舶创新国家重大科技专项

Navigation Trajectory Prediction Method of Inland Ships Based on Multi-model Fusion

ZHANG Yang1;GAO Shu1;HE Wei2;CAI Jing1

1.School of Computer and Artificial Intelligence，Wuhan University of Technology，Wuhan，430070
2.School of Physics and Electronic Information Engineering，Minjiang University，Fuzhou，350108

Online:2022-05-25 Published:2022-06-09

摘要/Abstract

摘要： 内河航运是现代综合运输体系的重要组成部分，实时和高精度的船舶轨迹预测方法能够有效规避水上交通事故、增强船舶自动化与智能化监管能力。针对现有内河船舶轨迹预测方法精度不高的问题，以提高船舶轨迹短期预测精度为目标，综合使用待测船舶近期船舶自动识别系统(AIS)数据和历史AIS数据，基于轨迹与航速和航向间的内在联系以及内河航道特点，构建了面向航速和航向预测的时域卷积网络模型、船舶轨迹动力学方程模型、自适应双隐层径向基函数网络等模型，提出了基于多模型融合的船舶轨迹预测方法。实验结果表明，所提方法轨迹预测精度有明显提高，并能满足实时性要求。

关键词: 时域卷积网络, 径向基函数网络, 多模型融合, 内河船舶, 轨迹预测

Abstract: Inland waterway navigation was an important part of the modern comprehensive transportation systems. The real-time and high-precision ship trajectory prediction method was helpful to effectively avoid water traffic accidents and enhance the ability of automation and intelligent supervision. Aiming at the problems that the accuracy of the existing inland ship trajectory prediction was not high， in order to improve the short-term prediction accuracy of ship trajectory， comprehensively using the recent AIS (automatic identification system) data and historical AIS data of the ships， and based on the relationship among trajectory and speed， course， and the characteristics of inland waterway， the temporal convolutional network model for speed and course prediction， ship trajectory dynamics equation model and adaptive double-hidden layer RBF network were constructed. The ship trajectory prediction method based on multi-model fusion was proposed. Experimental results show that the proposed method has obvious improvement in trajectory prediction accuracy and may meet the real-time requirements.

Key words: , temporal convolutional network, radial basis function(RBF) network, multi-model fusion, inland ship, trajectory prediction

中图分类号:

U694
TP399

张阳, 高曙, 何伟, 蔡菁. 基于多模型融合的内河船舶航行轨迹预测方法[J]. 中国机械工程, 2022, 33(10): 1142-1152.

ZHANG Yang, GAO Shu, HE Wei, CAI Jing. Navigation Trajectory Prediction Method of Inland Ships Based on Multi-model Fusion[J]. China Mechanical Engineering, 2022, 33(10): 1142-1152.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2022.10.002

http://www.cmemo.org.cn/CN/Y2022/V33/I10/1142

参考文献

［1］VIRJONEN P， NEVALAINEN P， PAHIKKALA T， et al. Ship Movement Prediction Using k-NN Method［C］∥ 2018 Baltic Geodetic Congress（BGC Geomatics）. Olsztyn， 2018：304-309.
［2］QI L， ZHENG Z. Trajectory Prediction of Vessels Based on Data Mining and Machine Learning［J］. Journal of Digital Information Management， 2016， 14（1）：33-40.
［3］GAN S J， LIANG S， LI K， et al. Ship Trajectory Prediction for Intelligent Traffic Management Using Clustering and ANN［C］∥11th International Conference on Control（CONTROL）. Belfast， 2016：16449120.
［4］罗永豪. 基于AIS数据的船舶航行轨迹预测［D］. 广州：华南理工大学， 2017.
LUO Yonghao. Ship Trajectory Prediction Based on AIS Data［D］. Guangzhou：South China University of Technology， 2017.
［5］靳晓雨. 船舶轨迹的分析与预测方法［D］. 北京：北京邮电大学， 2018.
JIN Xiaoyu. Analysis and Predicton Method of Vessel Trajectory ［D］. Beijing：Beijing University of Posts and Telecommunications， 2018.
［6］张显炀，朱晓宇，林浩申，等. 基于混合高斯-变分自编码的轨迹预测算法［J］. 计算机工程， 2020， 16（7）：34-40.
ZHANG Xianyang， ZHU Xiaoyu， LIN Haoshen， et al. Trajectory Prediction Algorithm Based on Hybrid Gaussian-variational Autocoding［J］. Computer Engineering， 2020， 16（7）：34-40.
［7］DALSNES B R， HEXEBERG S， FLATEN A L， et al. The Neighbor Course Distribution Method with Gaussian Mixture Models for AIS-based Vessel Trajectory Prediction［C］∥21st International Conference on Information Fusion（FUSION）. Cambridge， 2018：580-587.
［8］RONG H， TEIXEIRA A P， SOARES C G. Ship Trajectory Uncertainty Prediction Based on a Gaussian Process Model［J］. Ocean Engineering， 2019， 21（2）：499-511.
［9］丁虎. 海洋船舶的轨迹估计算法［J］. 船舶工程， 2017， 39（4）：71-74.
DING Hu. Trajectory Estimation Algorithm of Ocean Vessel［J］. Ship Engineering， 2017， 39（4）：71-74.
［10］FOSSEN S， FOSSEN T I. EXogenous Kalman Filter（XKF）for Visualization and Motion Prediction of Ships Using Live Automatic Identification Systems（AIS） Data［J］. Modeling Identification and Control， 2018， 39（4）：233-244.
［11］姜佰辰，关键，周伟，等. 基于多项式卡尔曼滤波的船舶轨迹预测算法［J］. 信号处理， 2019， 35（5）：741-746.
JIANG Mochen， GUAN Jian， ZHOU Wei， et al. Vessel Trajectory Prediction Algorithm Based on Polynomial Fitting Kalman Filtering［J］. Journal of Signal Processing， 2019， 35（5）：741-746.
［12］权波，杨博辰，胡可奇，等. 基于LSTM的船舶航迹预测模型［J］. 计算机科学， 2018， 45（11A）：126-131.
QUAN Bo， YANG Bochen， HU Keqi， et al. Prediction Model of Ship Trajectory Based on LSTM Computer Science［J］. Computer Science， 2018， 45（11A）：126-131.
［13］CHENG Z， JIANG Z G， CHU X M， et al. Inland Ship Trajectory Restoration by Recurrent Neural Network［J］. The Journal of Navigation， 2019， 72（6）：1359-1377.
［14］谢彬，张琨，张云纯，等. 基于轨迹相似度的移动目标轨迹预测算法［J］. 计算机工程， 2018， 44（9）：177-183.
XIE Bin， ZHANG Kun， ZHANG Yunchun， et al. Trajectory Prediction Algorithm for Mobile Target Based on Trajectory Similarity［J］. Computer Engineering， 2018， 44（9）：177-183.
［15］LI K， HUA C B， WU J G， et al. Traffic Volume Prediction Based on Multi-sources GPS Trajectory Data by Temporal Convolutional Network［J］. Mobile Networks and Applications， 2020， 25（4）：1405-1417.
［16］LI Y， LIU M， ZHANG X， et al. Global Approximation Based Adaptive RBF Neural Network Control for Supercavitating Vehicles［J］. Journal of Systems Engineering and Electronics， 2018， 29（4）：797-804.
［17］DAI S Z， LI L， LI Z H. Modeling Vehicle Interactions via Modified LSTM Models for Trajectory Prediction［J］. IEEE Access， 2019， 7：38287-38296.
［18］ZHANG R， LI N F， HUANG S Y， et al. Automatic Prediction of Traffic Flow Based on Deep Residual Networks［J］. Mobile Ad-hoc and Sensor Networks， 2018， 17（4）：328-337.
［19］WANG C J， MA L， LI R P， et al. Exploring Trajectory Prediction through Machine Learning Methods［J］. IEEE Access， 2019， 7：101441-101452.

基于多模型融合的内河船舶航行轨迹预测方法

Navigation Trajectory Prediction Method of Inland Ships Based on Multi-model Fusion

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 0

编辑推荐

Metrics