考虑航艏向与数据变化差异的船舶轨迹预测

交通运输系统工程与信息 ›› 2021, Vol. 21 ›› Issue (1): 90-94.

• 智能交通系统与信息技术 • 上一篇下一篇

考虑航艏向与数据变化差异的船舶轨迹预测

高天航^*1，徐力¹，靳廉洁^{1, 2}，葛彪¹

1. 交通运输部规划研究院，水运所，北京 100028；2. 大连海事大学，交通运输工程学院，辽宁大连 116000

收稿日期:2020-11-11 修回日期:2020-12-06 出版日期:2021-02-25 发布日期:2021-02-25
作者简介:高天航(1991- )，男，辽宁海城人，工程师，博士。

Vessel Trajectory Prediction Considering Difference Between Heading and Data Changes

GAO Tian-hang^*1, XU Li¹, JIN Lian-jie^{1, 2}, GE Biao¹

1. Division of Waterway Planning, Transport Planning and Research Institute Ministry of Transport, Beijing 100028, China; 2. College of Transport Engineering, Dalian Maritime University, Dalian 116000, Liaoning, China

Received:2020-11-11 Revised:2020-12-06 Online:2021-02-25 Published:2021-02-25

摘要/Abstract

摘要：

船舶自动识别系统(Automatic Identify System，AIS)数据可以实时体现船舶当前时刻的具体动态，采用传统BP(Back Propagation)神经网络模型的船舶轨迹分析预测方法，在计算中直接将航艏向数据纳入模型，没有考虑船舶航艏向在零度附近变动时带来的实际方向变动幅度与数据变化幅度存在较大偏差问题。为解决该问题，在BP神经网络基础上，引入双三角函数变换，同时将正弦值与余弦值纳入模型，将两者相结合，从两维度体现航艏向情况；在拟合预测后进行反三角函数变换和平均处理，构建一种基于改进神经网络算法的船舶AIS轨迹预测模型。选取实例数据进行模型验证，实例结果表明，该模型预测结果比不考虑差异方法的误差均方差更小，大幅降低误差幅度，可更精确地预测船舶轨迹。

关键词: 水路运输, 船舶轨迹预测, BP神经网络, AIS数据, 三角函数

Abstract:

Automatic identification system (AIS) data can reflect the specific dynamic of the ship at the current moment in real time, and the existing BP (Back Propagation) neural network based methods for ship trajectory analysis and prediction only take the heading data into the model directly. The methods do not consider the large deviation between the actual direction change range and the data change range when the ship heading changes near zero. In order to solve this problem, a ship AIS trajectory prediction model based on the improved neural network algorithm is constructed in this paper. The model introduces the double trigonometric function transformation on the basis of BP neural network. The sine value and cosine value are included in the model to consider the two-dimension direction of the heading. The inverse trigonometric function transformation and average processing are carried out to postprocess the predicted data. By selecting the case data to verify the model, the case results show that the prediction error of the model is smaller than the method without considering the difference, which greatly reduces the error range and can be more accurate for ship trajectory prediction.

Key words: waterway transportation, vessel trajectory prediction, BP neutral network, AIS date, trigonometric function

中图分类号:

U694

高天航，徐力，靳廉洁，葛彪. 考虑航艏向与数据变化差异的船舶轨迹预测[J]. 交通运输系统工程与信息, 2021, 21(1): 90-94.

GAO Tian-hang, XU Li, JIN Lian-jie, GE Biao. Vessel Trajectory Prediction Considering Difference Between Heading and Data Changes[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(1): 90-94.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20189.shtml

http://www.tseit.org.cn/CN/Y2021/V21/I1/90

参考文献

[1] GUO S, LIU C, GUO Z, et al. Trajectory prediction for ocean vessels base on K- order multivariate markov chain[C]. International Conference on Wireless Algorithms, Systems, and Applications. Springer, Cham, 2018.

[2] GIULIANA P, MICHELE V, KARNA B. Vessel pattern knowledge discovery from AIS data: A framework for anomaly detection and route prediction[J]. Entropy, 2013, 15(6): 2218-2245.

[3] PALLOTTA G, HORN S, BRACA P, et al. Contextenhanced vessel prediction based on OrnsteinUhlenbeck processes using historical AIS traffic patterns: Real- world experimental results[C]. International Conference on Information Fusion, 2014.

[4] MAZZARELLA F, ARGUEDAS V F, VESPE M. Knowledge- based vessel position prediction using historical AIS data[C]. Sensor Data Fusion: Trends, Solutions, Applications, 2015.

[5] RONG H, TEIXEIRA A P, GUEDES SOARES C. Ship trajectory uncertainty prediction based on a Gaussian process model[J]. Ocean Engineering, 2019, 182: 499- 511.

[6] 甄荣, 金永兴, 胡勤友, 等. 基于AIS信息和BP神经网络的船舶航行行为预测[J]. 中国航海, 2017, 40(2): 6- 10. [ZHEN R, JIN Y X, HU Q Y, et al. Vessel behavior prediction based on AIS data and BP neural network[J]. Navigation of China, 2017, 40(2): 6-10.]

[7] 徐婷婷, 柳晓鸣, 杨鑫. 基于 BP 神经网络的船舶航迹实时预测[J]. 大连海事大学学报, 2012, 38(1): 9-11. [XU T T, LIU X M, YANG X. BP neural network-based ship track real- time prediction[J]. Journal of Dalian Maritime University, 2012, 38(1): 9-11.]

[8] 雷进宇, 初秀民, 徐武雄. 基于AIS的桥区船舶轨迹三维可视化模型[J]. 交通运输系统工程与信息, 2016, 16 (3): 88- 94, 100. [LEI J Y, CHU X M, XU W X. 3D visualization model of vessel trajectory in bridge area based on AIS[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(3): 88-94, 100.]

[9] 徐国庆, 马建文, 吴晨辉, 等. 基于Attenton-LSTM神经网络的船舶航行预测[J]. 舰船科学技术, 2019, 41(23): 177-180. [XU G Q, MA J W, WU C H, et al. A method of ship navigation prediction based on attenton- LSTM neural network[J]. Ship Science and Technology, 2019, 41(23): 177-180.]

[10] 胡玉可, 夏维, 胡笑旋, 等. 基于循环神经网络的船舶航迹预测[J]. 系统工程与电子技术, 2020, 42(4): 871- 877. [HU Y K, XIA W, HU X X, et al. Vessel trajectory prediction based on recurrent neural network[J]. Systems Engineering and Electronics, 2020, 42(4): 871-877.]

[1]	廖诗管, 翁金贤, 胡甚平. 液化天然气船通航模式下的航道通过能力评价方法[J]. 交通运输系统工程与信息, 2022, 22(2): 290-297.
[2]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[3]	靳志宏, 焉红, 王小寒, 邢磊, 徐奇. 滚装甩挂运输牵引车调度优化及作业模式类比分析[J]. 交通运输系统工程与信息, 2022, 22(1): 142-151.
[4]	李德昌, 杨华龙, 赵帅奇, 郑建风. 排放控制区下集装箱班轮运输船期设计与燃油补给联合优化[J]. 交通运输系统工程与信息, 2022, 22(1): 273-281.
[5]	邵斐, 张永锋, 真虹. 中国进口铁矿石海运网络抗毁性仿真[J]. 交通运输系统工程与信息, 2022, 22(1): 311-321.
[6]	彭子烜, 于滨. 内外贸同船运输下长江经济带穿梭巴士网络优化[J]. 交通运输系统工程与信息, 2022, 22(1): 322-331.
[7]	杨华龙, 赵帅奇, 方旭, 段静茹. 考虑海上意外时间和合作协议的班轮运输船期设计鲁棒优化[J]. 交通运输系统工程与信息, 2021, 21(6): 210-216.
[8]	严新平, 李晨, 刘佳仑, 游旭, 王树武, 马枫. 新一代航运系统体系架构与关键技术研究[J]. 交通运输系统工程与信息, 2021, 21(5): 22-29.
[9]	葛颖恩, 温馨. 环境可持续集装箱班轮运输管理研究综述[J]. 交通运输系统工程与信息, 2021, 21(4): 6-22.
[10]	楚金华, 李俊鹤, 王春娟, 陈超. 排放控制区下集装箱班轮航线路径规划与航速调度集成决策[J]. 交通运输系统工程与信息, 2021, 21(4): 230-238.
[11]	戈佳威, 袁克镖, 殷明, 王学锋. 传播动力学视角下集装箱海运网络关键港口节点识别[J]. 交通运输系统工程与信息, 2021, 21(4): 256-262.
[12]	戈艳艳，王姗姗. 考虑碳排放的港口全要素生产率及影响因素分析[J]. 交通运输系统工程与信息, 2021, 21(2): 22-29.
[13]	廖诗管，杨冬，白茜文，翁金贤. 基于船舶大数据的港口装卸效率值计算方法[J]. 交通运输系统工程与信息, 2021, 21(2): 217-223.
[14]	房斯明，刘正江，封室丞，王新建. 船舶倾斜对不同行人流疏散效率影响的数值分析[J]. 交通运输系统工程与信息, 2021, 21(1): 201-206.
[15]	邵丽花，李宁海，唐清，宋丽英，王新昌. 制造业离岸和回流对我国港口发展的影响[J]. 交通运输系统工程与信息, 2020, 20(6): 47-56.

考虑航艏向与数据变化差异的船舶轨迹预测

Vessel Trajectory Prediction Considering Difference Between Heading and Data Changes

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics