基于高斯过程回归的船舶航行轨迹预测

时间：2020-12-15 08:01:39　来源：雅意学习网本文已影响人

　　摘要：为了提前掌握船舶航行动态，从而采取有效行动去杜绝船撞桥事故安全隐患，提出一种基于高斯过程回归的船舶轨迹预测模型。对已有船舶航行轨迹进行仿真模拟，从而预测出船舶轨迹线路。结果表明：根据已有的船舶动态，预测接下去24分钟的船舶航迹，前9分钟精度接近原有船舶轨迹，随着迭代进行，精度逐渐降低，最后偏差率达到8.9%，可满足预测要求。安全管理人员可凭此提前预警，做好海上安全预防工作。
　　关键词：高斯过程回归；船舶轨迹；船舶动态；预测
　　中图分类号：U697 文献标志码：A 文章编号：2095-2945（2017）31-0028-03
　　引言
　　随着我国运输业的快速发展，跨海大桥建设方兴未艾，同时船桥相撞的事故屡有发生，据统计，1960年以来，我国已发生内河船舶撞桥事故300余起[1]一旦发生事故，将会造成严重的人员财产损失。因此，如何有效预防船撞桥事故发生显得尤为重要。船舶轨迹一直是研究重点，在跟踪，预警，应急管理中发挥着重要作用。当前轨迹预测大都集中于对移动对象空间位置分析，从而预测移动对象下一位置信息，从而更好的做出船舶避碰路径决策[2]。如许婷婷等人通过BP神经网络[3]进行预测，徐铁等人通过卡尔曼滤波算法[4]对船舶轨迹进行平滑处理与预测，上述传统方法因其理论的局限性，未能应用于对实时性、抗干扰性要求较高的移动通信环境中[5]。高斯回归过程（Gaussian Process Regression，GPR）是一种基于贝叶斯网络的新型机器学习算法，不仅具有可解释性强的贝叶斯网络推理能力，同时具有了支持向量机的小样本、非线性、高维等问题的自适应处理能力，是机器学习领域的研究热点，较好解决船舶航迹预测问题[6]。
　　1 高斯回归过程模型
　　高斯过程回归（Gaussian Process Regression，GPR）是一種处理函数型数据的现代统计方法，它在充分利用所给数据信息的前提下，能进一步考虑到数据自身包含的时间趋势，周期趋势，增减趋势等，建立更为合适的模型，做出更准确的预测[7]。
　　1.1 高斯回归过程原理
　　2 船舶航行轨迹仿真
　　2.1 数据来源
　　轨迹预测需要选取等时间间隔，保证预测的规律性，并且轨迹往往与周围环境，船速，船首向有关。本船实验对象是长江流域的一条货船，船长62米，船宽12米，通过AIS数据采集。采用2017年5月10日下午14点09分48秒到下午15点51分11秒这1个小时42分钟时间段。
　　将经纬度处理过后，本船船舶轨迹如图1所示。
　　图2反映了轨迹预测的9个点与实际航行记录点之间的差异，可以看出前4个点精度高与实际轨迹几乎相当，随着高斯过程回归进行，第5个点逐渐开始偏离航迹轨道，且与原轨迹相比呈现减小的趋势。将预测轨迹与实际轨迹进行计算处理，可以得到每个点的实际偏离量，如图3所示，随着轨迹预测不断迭代进行，偏离量也越来越大，由0.48%一直到8.97%且大致服从一次函数，主要由于上一步计算输出结果作为下一步输入学习对象，误差不断累积叠加造成。
　　3 结束语
　　本文通过高斯过程回归预测船舶轨迹，可得以下结果：（1）通过高斯过程回归预测船舶轨迹，在前4个预测点精度十分精确，甚至可以达到99%，即用户能在下个9分钟内实现精确预测船舶轨迹。随着预测的进行，由于使用预测数据作为下一步学习数据，导致精度逐步下降，第九个点也就是24分钟以后精度偏差8.9%，勉强满足轨迹预测要求。（2）由于核函数与所取的前期学习样本有关，所以不同的学习样本将得到不同的核函数参数，往往将会带来数据偏差。（3）如何将高斯回归过程编程为自学习，自动更新算法是下一步学习研究的重点。
　　参考文献：
　　[1]黄常海，胡甚平，高德毅，等.大桥船撞动态风险评估系统的设计与实现[J].中国安全学报，2013，4（23）：120-126.

推荐访问:航行船舶轨迹高斯回归

基于高斯过程回归的船舶航行轨迹预测

最新文章

热门文章