采用深度學習進行船舶軌跡序列預測對于智能航運具有重要意義。船舶自動識別系統(tǒng)（Automatic Identification System,AIS）蘊藏著大量船舶軌跡特征,基于AIS數(shù)據預測船舶軌跡是近年智能航運研究的熱點之一。文中提出了一種基于改進Seq2Seq的短時AIS軌跡序列預測模型,該模型使用門控循環(huán)單元網絡將歷史時空序列編碼為一個上下文向量,用以保留軌跡空間點間的時序關系,同時緩解梯度下降的問題。通過使用門控循環(huán)單元網絡作為解碼器來預測船舶軌跡的時空序列。實驗采用了大規(guī)模真實船舶AIS數(shù)據,選取兩類典型河段（重慶彎曲河段和武漢順直河段）為實驗區(qū)域,以評估和驗證模型的有效性和適用性。實驗證明,該模型能夠有效提高短時軌跡序列預測的準確性和效率,為智能航船碰撞預警提供了一種有效可行的方法。 

【文章來源】：計算機科學. 2020,47(09)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

空間網格

近年來,序列到序列模型(Seq2Seq)被廣泛用于處理可變長度輸入和輸出序列的相關任務,包括語音識別和機器翻譯等,其核心思想是使用循環(huán)神經網絡將可變長度的輸入序列映射到可變長度的輸出序列。Cho等提出一種新的神經網絡結構——RNN編碼器解碼器模型(RNN Encoder-Deco-der)[16],該模型由兩個循環(huán)神經網絡組成,模型結構如圖2所示。隨后,Google團隊提出了與RNN Encoder-Decoder結構類似的Sequence to Sequence模型用于機器翻譯[17]。上述研究提出了相似的解決思路,Seq2Seq模型也由此產生。如圖2所示,Seq2Seq模型由編碼器和解碼器兩個部分組成。編碼器是一個循環(huán)神經網絡,它按順序讀入輸入序列{x1,x2,x3,…,xt}的每個符號,在讀入每個符號時,隱藏狀態(tài)也會相應變化,最后形成語義向量c作為解碼器的輸入。解碼器也是一個循環(huán)神經網絡,該循環(huán)神經網絡在給定隱藏狀態(tài)的條件下,通過預測下一個符號來生成輸出序列{y1,y2,…,yt′},不同于傳統(tǒng)RNN中隱藏狀態(tài)的計算,解碼器中的隱藏狀態(tài)計算還要考慮語義向量c,其計算式如下:

改進Seq2Seq軌跡序列預測模型結合了時空序列數(shù)據和Seq2Seq模型的特點,如圖3所示,基于Seq2Seq的船舶AIS軌跡即時預測模型主要由兩個RNNs模塊組成。該模型可以看作對歷史船舶AIS軌跡輸入數(shù)據編碼并獲取軌跡特征之后對特征解碼,以助于預測未來的船舶AIS軌跡。該模型的目標在于估算條件概率p(y1,…,ym|x1,…,xn),其中x1,…,xn表示輸入的歷史軌跡序列,y1,…,ym表示輸出的預測軌跡序列。以武漢順直河段的AIS軌跡數(shù)據為例,具體分析模型中各個模塊的作用及處理數(shù)據時各模塊之間的關聯(lián)性。3.2.1 編碼器

【參考文獻】：
期刊論文
[1]基于LSTM的船舶航跡預測模型[J]. 權波,楊博辰,胡可奇,郭晨萱,李巧勤.  計算機科學. 2018(S2)



本文編號：3029568