在世界經(jīng)濟(jì)全球化的環(huán)境下,航運(yùn)成為國際貿(mào)易最主要的運(yùn)輸形式之一,國際航運(yùn)業(yè)承擔(dān)著約90%的世界貿(mào)易量。隨著世界經(jīng)濟(jì)的飛速發(fā)展,航運(yùn)業(yè)呈現(xiàn)出巨大變化,船舶的數(shù)量、種類不斷增長,新的航線不斷涌現(xiàn),應(yīng)運(yùn)產(chǎn)生了許多熱點(diǎn)水域。船舶數(shù)量及航運(yùn)線路的增多雖然使航運(yùn)貿(mào)易越來越繁榮,但同樣會使熱點(diǎn)水域的航道擁擠,負(fù)載增大。相應(yīng)由于船舶自身問題以及人為因素也會導(dǎo)致事故增多,嚴(yán)重威脅著船舶人員的生命和財產(chǎn)安全。因此,通過歷史船舶的航行軌跡數(shù)據(jù)來預(yù)測未來的船舶軌跡,成為確保水域內(nèi)船舶安全航行的關(guān)鍵。隨著AIS（Automatic Identification System）系統(tǒng)的推廣與普及,船舶AIS軌跡數(shù)據(jù)可獲得性提高,可采集到的AIS數(shù)據(jù)更加豐富,為船舶軌跡預(yù)測提供了條件基礎(chǔ)。本文分析總結(jié)了船舶AIS軌跡數(shù)據(jù)的相關(guān)特點(diǎn)與結(jié)構(gòu),使用機(jī)器學(xué)習(xí)的相關(guān)方法,建立了船舶軌跡預(yù)測模型,對船舶未來軌跡進(jìn)行了預(yù)測。本文主要研究工作包括:（1）數(shù)據(jù)補(bǔ)全及異常處理方法研究。以AIS原始數(shù)據(jù)為基礎(chǔ),進(jìn)行數(shù)據(jù)補(bǔ)全與異常數(shù)據(jù)處理工作。（2）船舶軌跡預(yù)測的聚類再回歸方法研究。結(jié)合分類思想,通過對軌跡樣本使用k-medoids方法聚類... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同算法的聚類質(zhì)量對比圖

4基于聚類再回歸的軌跡預(yù)測38圖4.7MAE與RMSE隨聚類數(shù)目變化趨勢圖實驗二的目的是確定輸入不同滯后時間步數(shù)作為觀測值對模型預(yù)測精度的影響。實驗設(shè)置：將聚類數(shù)目設(shè)置為7，滯后時間步數(shù)分別設(shè)置為2,3,4,5，選取對應(yīng)的觀測值作為輸入進(jìn)行實驗，分別計算不同滯后步數(shù)的MAE和RMSE。實驗結(jié)果如表4.6所示，可以看出滯后時間步數(shù)對于模型的預(yù)測精度影響很小，當(dāng)滯后時間步數(shù)為3時，MAE與RMSE的值相較于其他滯后時間步數(shù)更低，預(yù)測效果更好。表4.6不同滯后步數(shù)的預(yù)測誤差滯后時間步數(shù)2345MAE0.025300.019150.022360.02477RMSE0.035250.025630.028940.03356實驗三的目的是對比分析直接回歸、聚類再回歸以及改進(jìn)后的聚類再回歸的預(yù)測效果。實驗設(shè)置：將軌跡聚類數(shù)目設(shè)置為7，使用XGBoost模型進(jìn)行預(yù)測實驗，以前三個時刻的軌跡信息作為模型輸入，分別計算三種方法的MAE與RMSE。選取MMSI碼為414032000的船舶中的部分軌跡分別使用三種方法進(jìn)行預(yù)測，將預(yù)測結(jié)果繪制成圖，為了方便觀察，分別使用經(jīng)度與緯度的軌跡圖進(jìn)行展示。實驗結(jié)果如表4.7和圖4.8所示，從表中可以看出，兩種聚類再回歸算法的MAE與RMSE均明顯低于直接回歸算法，其中改進(jìn)后的聚類再回歸算法的MAE和RMSE最低，預(yù)測效果最好。在對MMSI碼為414032000的船舶軌跡預(yù)測中，

4基于聚類再回歸的軌跡預(yù)測39藍(lán)色表示原始軌跡，橘色表示直接回歸算法預(yù)測的軌跡，綠色表示聚類再回歸算法預(yù)測的軌跡，紅色表示改進(jìn)后的聚類再回歸算法預(yù)測的軌跡。從圖中可以看出，改進(jìn)后的聚類再回歸算法相較于其他兩種算法擬合程度更高，預(yù)測效果更好。表4.7三種算法的預(yù)測誤差模型MAERMSE直接回歸0.026060.03514聚類再回歸0.021020.02716改進(jìn)后的聚類再回歸0.019150.02545圖4.8三種方法預(yù)測結(jié)果對比圖實驗四的目的是對不同模型的改進(jìn)后的聚類再回歸算法進(jìn)行比較。實驗設(shè)置：分別使用XGBoost、LightGBM、LSTM模型進(jìn)行實驗，聚類數(shù)目選擇為7，滯后時間步數(shù)選擇為3，計算各模型的MAE。實驗結(jié)果如表4.8所示，從表中可以看出三個模型使用聚類再回歸方法后預(yù)測準(zhǔn)確度均有所提升，其中XGBoost與LightGBM模型提升效果最為明顯，LSTM網(wǎng)絡(luò)也有小幅度提升。在三個模型中，LSTM網(wǎng)絡(luò)效果最好，XGBoost與LightGBM模型效果接近。因此，面對不同的預(yù)測模型，聚類再回歸方法同樣可以有效提高預(yù)測精度。表4.8不同模型的預(yù)測誤差模型直接回歸MAE聚類再回歸MAEXGBoost0.026060.01915LightGBM0.036890.02490LSTM0.019940.01665

【參考文獻(xiàn)】：
期刊論文
[1]基于SMOTE和KNN的石油數(shù)據(jù)缺失填充算法[J]. 李董,遲家俊,相博,王梅.  數(shù)學(xué)的實踐與認(rèn)識. 2019(17)
[2]船舶AIS軌跡聚類方法研究進(jìn)展綜述[J]. 徐良坤,任律珍,周世波.  廣州航海學(xué)院學(xué)報. 2019(02)
[3]關(guān)于構(gòu)建VHF海事數(shù)字集群通訊系統(tǒng)的研究[J]. 李茹琨,張在嘉.  珠江水運(yùn). 2019(11)
[4]基于多項式卡爾曼濾波的船舶軌跡預(yù)測算法[J]. 姜佰辰,關(guān)鍵,周偉,陳小龍.  信號處理. 2019(05)
[5]基于卡爾曼濾波的航跡預(yù)測探析[J]. 馮志軒.  甘肅科技縱橫. 2019(03)
[6]時空軌跡相似性度量方法綜述[J]. 周星星,吉根林,張書亮.  地理信息世界. 2018(04)
[7]基于GPS技術(shù)的船舶定位導(dǎo)航和航跡預(yù)測研究[J]. 李興海.  艦船科學(xué)技術(shù). 2018(12)
[8]基于高斯過程回歸的船舶航行軌跡預(yù)測[J]. 茅晨昊,潘晨,尹波,盧憶寧,許循齊.  科技創(chuàng)新與應(yīng)用. 2017(31)
[9]異常軌跡數(shù)據(jù)預(yù)警與預(yù)測關(guān)鍵技術(shù)綜述[J]. 仇功達(dá),何明,楊杰,曹玉婷,孫繼紅.  系統(tǒng)仿真學(xué)報. 2017(11)
[10]數(shù)據(jù)缺失及其處理方法綜述[J]. 曄沙.  電子測試. 2017(18)

碩士論文
[1]基于AIS的船舶軌跡分析的研究與應(yīng)用[D]. 楊博辰.電子科技大學(xué) 2018
[2]時間序列分析方法在機(jī)場噪聲預(yù)測中的應(yīng)用研究[D]. 夏利.南京航空航天大學(xué) 2012
[3]基于卡爾曼濾波的船舶航行軌跡異常行為預(yù)測算法研究[D]. 邱洪生.河北工業(yè)大學(xué) 2012



本文編號：3517596