隨著國際貿(mào)易規(guī)模的擴(kuò)大,海上交通運(yùn)輸量快速增長,在交通流較大及態(tài)勢復(fù)雜的海域,易發(fā)生水上交通事故,造成人員傷亡和經(jīng)濟(jì)損失。基于船舶交通服務(wù)系統(tǒng)提供的AIS數(shù)據(jù),提高船舶航行過程中的安全決策水平,能有效對(duì)船舶航行進(jìn)行實(shí)時(shí)的監(jiān)控、評(píng)估,及時(shí)發(fā)現(xiàn)船舶異常行為,降低水上交通事故的風(fēng)險(xiǎn)。本文基于AIS數(shù)據(jù)樣本,利用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)理論,研究適用于船舶航行狀態(tài)預(yù)測的算法模型,構(gòu)建基于Stacking模型融合的船舶航行狀態(tài)預(yù)測模型。我們利用船舶航行歷史數(shù)據(jù)來訓(xùn)練模型,預(yù)測船舶未來時(shí)刻的航行狀態(tài),并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析與研究。本文主要研究的工作如下:1.我們簡要地介紹了基于AIS數(shù)據(jù)的船舶航行安全評(píng)估問題的研究背景和研究現(xiàn)況,以及本文研究的主要內(nèi)容。同時(shí),我們系統(tǒng)討論了AIS數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)預(yù)處理的方法,以及Stacking融合算法和基分類器的原理。2.我們對(duì)AIS數(shù)據(jù)進(jìn)行了分析及預(yù)處理,為基于AIS數(shù)據(jù)的船舶航行狀態(tài)預(yù)測模型準(zhǔn)備實(shí)驗(yàn)數(shù)據(jù),并構(gòu)建基于Stacking模型融合的船舶航行狀態(tài)預(yù)測模型,介紹了雙層模型中分類器的選擇與實(shí)驗(yàn)過程,優(yōu)化了模型參數(shù)。3.我們通過比較Stacking模型與基分類器的學(xué)... 

【文章來源】：廣西民族大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1分類算法框架圖

152)()())(()(1)(kkUnnknkkCVCVxfyUMSEfMSE(2.4)K的取值會(huì)影響交叉驗(yàn)證中的誤差評(píng)估結(jié)果，我們可以通過改變K的取值來減少誤差。本文將選用5折交叉驗(yàn)證，下面給出訓(xùn)練過程示意圖：圖2.15折交叉驗(yàn)證2.3集成算法集成算法屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，利用集成算法可以將多個(gè)弱分類器按一定的集成原理融合成為一個(gè)強(qiáng)分類器[36]。在機(jī)器學(xué)習(xí)中，我們經(jīng)常使用到的集成算法有Stacking、Bagging、Boosting、Blending，且有些基分類器也是集成算法。其中，根據(jù)集成算法的結(jié)構(gòu)，我們可以分為單層集成算法和雙層集成算法。Stacking屬于雙層融合算法，模型是多個(gè)分類器的非線性組合，相對(duì)于Bagging、Boosting算法來說，分類精確度上有一定的提升[37]。而Boosting、Bagging算法是單層融合算法，這類算法利用每個(gè)基學(xué)習(xí)器對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，然后通過投票法對(duì)每個(gè)基學(xué)習(xí)器的分類結(jié)果進(jìn)行投票表決，最后輸出最終的預(yù)測結(jié)果。集成學(xué)習(xí)將不同模型或基本模型的預(yù)測結(jié)合起來，與最佳個(gè)體模型或基本模型提供的誤差相比，可以提高預(yù)測誤差和泛化能力。下面將介紹三種集成算法[38]。

162.3.1Stacking集成算法Stacking是堆疊泛化（Stackinggeneralization）的縮寫，被用于回歸分析和分類[39]。Stacking集成算法是將基分類器一個(gè)一個(gè)堆疊起來形成第一層模型，然后在第一層模型的基礎(chǔ)上，利用強(qiáng)分類器搭建第二層模型，以此類推，搭建成多層的訓(xùn)練模型。其中，強(qiáng)分類器的作用是集成學(xué)習(xí)上一層模型中基分類器的預(yù)測結(jié)果。Stacking集成算法的一般思想是：一、第一階段，利用K折交叉驗(yàn)證將訓(xùn)練集劃分為K個(gè)部分，分別利用第一層（Baselearner）K個(gè)基分類器（Base-classifiers）進(jìn)行學(xué)習(xí)和預(yù)測。二、將K個(gè)基分類器預(yù)測得到的結(jié)果進(jìn)行整合作為第二層（Metalearner）分類器（Mate-classifiers）的輸入。三、第二階段，訓(xùn)練第二層強(qiáng)分類器，得到最終的模型。把測試數(shù)據(jù)集輸入最終的模型，得到最終的預(yù)測結(jié)果。Stacking集成算法框架圖如下所示：圖2.2Stacking集成算法2.3.2Boosting集成算法Boosting集成算法是可以將分類精確度較低的基分類器提升為精確度更高的組合分類器的一類算法[40]，其算法一般思想是：一、利用初始訓(xùn)練集來訓(xùn)練得到一個(gè)基分類器kG；二、把基分類器kG中被識(shí)別錯(cuò)誤的訓(xùn)練樣本挑選出來，根據(jù)基分類器kG訓(xùn)

【參考文獻(xiàn)】：
期刊論文
[1]船舶交通管理系統(tǒng)（VTS）概況及進(jìn)展[J]. 陳珺,常德化.  中國水運(yùn)(下半月). 2019(09)
[2]基于極限學(xué)習(xí)機(jī)的船舶航行行為預(yù)測![J]. 謝新連,陳紫薇,魏照坤,趙瑞嘉.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(08)
[3]基于模糊證據(jù)推理的內(nèi)河船舶航行安全狀態(tài)評(píng)價(jià)[J]. 張笛,姚厚杰,萬程鵬,梁崢,張明陽.  安全與環(huán)境學(xué)報(bào). 2018(04)
[4]基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測[J]. 甄榮,金永興,胡勤友,施朝健,王勝正.  中國航海. 2017(02)
[5]基于高斯混合模型的軌跡模仿學(xué)習(xí)表征參數(shù)優(yōu)化[J]. 于建均,鄭逸加,阮曉鋼,趙少瓊.  北京工業(yè)大學(xué)學(xué)報(bào). 2017(05)
[6]基于大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)與應(yīng)用[J]. 張愛國.  現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化. 2017(03)
[7]船舶自動(dòng)識(shí)別系統(tǒng)在物聯(lián)網(wǎng)及VTS中應(yīng)用的關(guān)鍵技術(shù)研究[J]. 張劍鋒,陳慕君.  艦船科學(xué)技術(shù). 2016(14)
[8]基于AIS數(shù)據(jù)的船舶運(yùn)動(dòng)模式識(shí)別與應(yīng)用[J]. 魏照坤,周康,魏明,史國友.  上海海事大學(xué)學(xué)報(bào). 2016(02)
[9]基于熵權(quán)云模型的LNG碼頭安全評(píng)價(jià)[J]. 周品江,江福才,馬全黨.  安全與環(huán)境學(xué)報(bào). 2016(02)
[10]基于AIS信息的船舶軌跡聚類模型及應(yīng)用[J]. 肖瀟,邵哲平,潘家財(cái),紀(jì)賢標(biāo).  中國航海. 2015(02)



本文編號(hào)：3075898