基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測

甄 榮，金永興，胡勤友，施朝健，王勝正

(上海海事大學(xué) 商船學(xué)院，上海 201306)

基于AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測

甄 榮，金永興，胡勤友，施朝健，王勝正

(上海海事大學(xué) 商船學(xué)院，上海 201306)

針對船舶航行行為多維度的特點和船舶交通服務(wù)系統(tǒng)(Vessel Traffic Service,VTS)對船舶行為預(yù)測的精確度和實時性需求，提出結(jié)合船舶自動識別系統(tǒng)(Automatic Identification System,AIS)信息和BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測方法。構(gòu)造基于AIS信息的船舶航行行為特征表達(dá)方法，根據(jù)BP神經(jīng)網(wǎng)絡(luò)預(yù)測的基本原理，以連續(xù)3個時刻的船舶航行行為特征值為輸入，以第4個時刻的船舶航行行為特征值為輸出，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用于對未來船舶航行行為進(jìn)行預(yù)測。以成山角VTS水域內(nèi)的船舶AIS信息為例進(jìn)行試驗，結(jié)果表明:利用該方法對船舶航行行為特征值進(jìn)行預(yù)測的結(jié)果準(zhǔn)確、實時，誤差在可接受的范圍內(nèi)。

水路運輸；船舶行為；預(yù)測；AIS信息；BP神經(jīng)網(wǎng)絡(luò)

在沿海和港口水域，特別是在交通密度較大、態(tài)勢復(fù)雜的海域，利用船舶交通服務(wù)系統(tǒng)(Vessel Traffic Service，VTS)精確、有效地對船舶的航行行為進(jìn)行實時跟蹤預(yù)測是海上交通事故預(yù)測和預(yù)警的重要技術(shù)支撐，對提高海上交通監(jiān)管效率和降低交通風(fēng)險具有重要意義。當(dāng)前已有較多針對船舶行為預(yù)測的研究：文獻(xiàn)[1]運用卡爾曼濾波算法對船舶自動識別系統(tǒng)(Automatic Identification System,AIS)觀測數(shù)據(jù)進(jìn)行最小二乘法估計，得到平滑的船舶運動軌跡，對船舶行為數(shù)據(jù)進(jìn)行預(yù)測;文獻(xiàn)[2]將改進(jìn)卡爾曼濾波算法應(yīng)用到船舶運動軌跡處理中，對船舶運動軌跡進(jìn)行預(yù)測;文獻(xiàn)[3]運用競爭神經(jīng)網(wǎng)絡(luò)對船舶航行狀態(tài)進(jìn)行探測和跟蹤，通過擴展卡爾曼濾波對船舶航行狀態(tài)進(jìn)行估計;文獻(xiàn)[4]運用支持向量機模型對橋區(qū)水域內(nèi)失控船舶的航跡進(jìn)行預(yù)測;文獻(xiàn)[5]引入基于時間序列的船舶航行位置預(yù)測算法，對船舶航行位置進(jìn)行預(yù)測;文獻(xiàn)[6]設(shè)計基于三層BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測模型，以船舶航向和航速作為輸入、以經(jīng)度差和緯度作為輸出來神經(jīng)訓(xùn)練網(wǎng)絡(luò)參數(shù)，實現(xiàn)船舶位置預(yù)測；文獻(xiàn)[7]結(jié)合馬爾科夫鏈和灰色模型對內(nèi)河船舶軌跡進(jìn)行預(yù)測。在卡爾曼濾波、支持向量機和灰色模型的船舶軌跡預(yù)測方法中，需構(gòu)建船舶運動學(xué)方程，而風(fēng)、流等環(huán)境因素對船舶運動的影響較大，干擾的隨機性和多樣性直接導(dǎo)致運動的復(fù)雜性。從VTS監(jiān)控系統(tǒng)的角度考慮，船舶行為預(yù)測必須具備時效性，而實時準(zhǔn)確地建立數(shù)學(xué)方程不僅較難實現(xiàn)，而且對數(shù)據(jù)源要求較高，大多數(shù)方法只適用于理想狀態(tài)?；谏窠?jīng)網(wǎng)絡(luò)的船舶軌跡預(yù)測方法具有用時短、誤差小和通用性強的特點[6]，適合VTS對船舶軌跡預(yù)測實時、高效的需求。文獻(xiàn)[6]僅通過BP神經(jīng)網(wǎng)絡(luò)對船舶的空間航行位置進(jìn)行預(yù)測，而完整的船舶航行行為需包括船舶的速度和航向特征。基于此，在已有研究的基礎(chǔ)上，提出結(jié)合船舶AIS信息和BP神經(jīng)網(wǎng)絡(luò)對沿海VTS監(jiān)控海域內(nèi)船舶的航行行為進(jìn)行預(yù)測，將船舶AIS數(shù)據(jù)作為船舶行為的表征數(shù)據(jù)，在船舶航行軌跡特征的基礎(chǔ)上考慮船舶航行速度和航向等特征，在船舶航跡預(yù)測的基礎(chǔ)上實現(xiàn)多維的船舶航行行為特征預(yù)測。

1 基于AIS信息的船舶航行行為分析

船舶的航行行為主要體現(xiàn)在船舶的航行位置、速度和航向隨時間的變化上，對應(yīng)的船舶AIS信息中的動態(tài)信息分別為時間(TIME)、經(jīng)度(LONGITUDE)、緯度(LATITUDE)、SOG(Speed Over Ground)和COG(Course Over Ground)等。為區(qū)分不同船舶的航行行為，將船舶的海上移動業(yè)務(wù)識別碼(Maritime Mobile Service Identity，MMSI)加入到船舶航行行為表征數(shù)據(jù)中。由此，基于AIS信息的船舶航行行為可表示為

Vessel_Behavior(MMSI,TIME)=

{ LONGITUDE,LATITUDE,SOG,COG }

(1)

在該模型中:MMSI用來區(qū)分和表征船舶;TIME標(biāo)識船舶航行行為的時間特性;LONGITUDE和LATITUDE表征船舶航行行為的空間屬性;SOG表征船舶航行行為的速度特性;COG表征船舶航行行為的方向特性。這里采用的船舶AIS原始信息由船隊在線[8]提供，經(jīng)接收和解碼后存儲在My SQL數(shù)據(jù)庫中，以方便查詢和調(diào)用。船舶AIS信息存儲結(jié)構(gòu)示意見圖1。

在數(shù)據(jù)庫中，按照船舶航行行為數(shù)據(jù)表征的需求設(shè)計MMSI,TIME,LONGITUDE,LATITUDE,SOG和COG等字段，并將MMSI和TIME作為主鍵，以方便查詢和處理船舶AIS信息。

2 基于BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測模型

2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其架構(gòu)示意見圖2。[9]

圖2 BP神經(jīng)網(wǎng)絡(luò)架構(gòu)示意

圖2為標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層,其中:輸入層包含n個神經(jīng)元節(jié)點(i=1,2,…,n)，輸入向量為u=(x1,x2,…,xn)T;隱含層包含l個神經(jīng)元節(jié)點(j=1,2,…,l);輸出層包含m個神經(jīng)元節(jié)點(k=1,2,…,m)。ωij為輸入層神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)重;ωjk為隱含層神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)重;θj為隱含層神經(jīng)元的閾值;θk為輸出層神經(jīng)元的閾值。

BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，預(yù)測時首先要利用梯度下降法逐層訓(xùn)練和更新網(wǎng)絡(luò)的權(quán)值及閾值，通過訓(xùn)練使網(wǎng)絡(luò)具備聯(lián)想記憶和預(yù)測能力，具體訓(xùn)練過程[9]如下。

1) 參數(shù)初始化。根據(jù)系統(tǒng)輸入輸出序列(x,y)確定網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點數(shù)n和輸出層節(jié)點數(shù)m，對ωij及ωjk進(jìn)行初始化，初始化θj和θk，設(shè)置合適的網(wǎng)絡(luò)學(xué)習(xí)速率和傳遞函數(shù)。

2) 隱含層輸出計算。根據(jù)ωij及θj，由式(2)得到網(wǎng)絡(luò)隱含層輸出值H。

(2)

式(2)中:l為隱含層神經(jīng)元節(jié)點數(shù);f()為隱含層傳遞函數(shù)，有多種表達(dá)形式，在BP神經(jīng)網(wǎng)絡(luò)中通常用S型函數(shù)，其表達(dá)式為

f(x)=1/(1+e-x)

(3)

3) 輸出層輸出計算。運用H，ωjk和θk，計算輸出值O。

(4)

式(4)中:m為輸出層神經(jīng)元節(jié)點數(shù);φ為輸出層傳遞函數(shù)，通常取線性函數(shù)，其表達(dá)式為

φ(x)=x

(5)

4) 誤差計算。采用單樣本訓(xùn)練的方法計算誤差和更新權(quán)值[10]，每輸入一個樣本，都要回傳誤差并進(jìn)行調(diào)整，根據(jù)網(wǎng)絡(luò)預(yù)測誤差輸出O和期望輸出y，計算網(wǎng)絡(luò)預(yù)測誤差e。

ek=yk-Ok,k=1,2,…,m

(6)

5) 權(quán)值更新。根據(jù)e，利用梯度下降方法，通過計算誤差對相應(yīng)參數(shù)的偏導(dǎo)數(shù)，得到權(quán)值和閾值的更新值，從而更新ωij和ωjk，使誤差遞減。

式(7)和式(8)中:η為學(xué)習(xí)率，通常在0～1內(nèi)取值;i=1,2,…,n;j=1,2,…,l;k=1,2,…,m。

6) 閾值更新。根據(jù)e更新θj和θk。

式(9)和式(10)中:j=1,2,…,l;k=1,2,…,m。

7) 判斷更新后的權(quán)值和閾值計算誤差，若小于設(shè)定的網(wǎng)絡(luò)設(shè)定誤差，則迭代結(jié)束;若沒有達(dá)到要求，則重復(fù)步驟2)～步驟6),直到滿足要求。

2.2BP神經(jīng)網(wǎng)絡(luò)參數(shù)分析

2.2.1輸入輸出參數(shù)分析

為減小輸入數(shù)據(jù)間數(shù)量級差別較大引起的網(wǎng)絡(luò)預(yù)測誤差，需對輸入數(shù)據(jù)作歸一化處理，處理后所有數(shù)據(jù)都轉(zhuǎn)化為[0,1]內(nèi)的數(shù)據(jù)。這里采用離差標(biāo)準(zhǔn)化方法對訓(xùn)練數(shù)據(jù)進(jìn)行歸一化，轉(zhuǎn)換式為

(11)

式(11)中:x為原始訓(xùn)練數(shù)據(jù);maxX為訓(xùn)練數(shù)據(jù)的最大值;minX為訓(xùn)練數(shù)據(jù)的最小值;x*為轉(zhuǎn)換后的數(shù)據(jù);經(jīng)過離差標(biāo)準(zhǔn)化處理的數(shù)據(jù)消除量綱和數(shù)據(jù)取值范圍的影響，保留原來數(shù)據(jù)中存在的關(guān)系。

在運用神經(jīng)網(wǎng)絡(luò)對船舶航行行為特征值進(jìn)行預(yù)測之后,還需根據(jù)式(11)對預(yù)測結(jié)果進(jìn)行反歸一化處理，使預(yù)測得到的數(shù)據(jù)符合實際意義。

2.2.2神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)選擇

BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個數(shù)由訓(xùn)練數(shù)據(jù)的特征決定，在具體的訓(xùn)練中,隱含層神經(jīng)元個數(shù)的選擇對網(wǎng)絡(luò)的預(yù)測精度有較大影響。若節(jié)點數(shù)設(shè)置太少，則神經(jīng)網(wǎng)絡(luò)不能很好地對數(shù)據(jù)進(jìn)行學(xué)習(xí)，訓(xùn)練過程中需增加訓(xùn)練次數(shù)，網(wǎng)絡(luò)精度低；若節(jié)點數(shù)設(shè)置太多，則會導(dǎo)致訓(xùn)練時間增加和網(wǎng)絡(luò)過擬合，最終影響神經(jīng)元的性能。

對于隱藏層節(jié)點數(shù)的確定，通常采用經(jīng)驗公式確定估值，以此作為初始值,通過試驗進(jìn)行試湊，選取訓(xùn)練之后識別誤差最小的值作為隱藏層節(jié)點數(shù)。根據(jù)文獻(xiàn)[11]，采用的經(jīng)驗公式為

(12)

式(12)中:M為隱藏層節(jié)點數(shù);m為輸入層節(jié)點數(shù);n為輸出層節(jié)點數(shù);a為[0,10]內(nèi)的常數(shù)，在實際中需根據(jù)經(jīng)驗公式確定最佳范圍，采用試湊法確定最佳隱含層神經(jīng)元節(jié)點數(shù)。

2.3船舶航行行為預(yù)測模型

當(dāng)前,VTS中心主要通過接收雷達(dá)信息和船舶AIS信息獲取表征船舶航行行為的數(shù)據(jù)，這里選用船舶AIS數(shù)據(jù)。船舶行為預(yù)測是從VTS中心跟蹤和監(jiān)控海上船舶交通的需求出發(fā)，運用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行船舶行為預(yù)測，思路是將海域內(nèi)船舶的歷史行為狀態(tài)和當(dāng)前行為狀態(tài)作為網(wǎng)絡(luò)輸入，將未來船舶行為表征數(shù)據(jù)作為網(wǎng)絡(luò)輸出，通過與真實值相對比訓(xùn)練網(wǎng)絡(luò)，建立歷史船舶行為與未來船舶行為表征數(shù)據(jù)之間的映射關(guān)系，實現(xiàn)對未來船舶行為狀態(tài)的推算和預(yù)測。對于單艘船舶，其在t時刻的行為Y(t)可表示為

Y(t)={λt,φt,Vt,Ct}

(13)

式(13)中:λt,φt,Vt,Ct分別為船舶在t時刻的經(jīng)度、緯度、對地航速和對地航向。

通常船舶未來時刻的船舶行為狀態(tài)是歷史行為狀態(tài)或當(dāng)前行為狀態(tài)隨時間運動和變化的結(jié)果。因此，為提高船舶行為預(yù)測的準(zhǔn)確性，將t-2,t-1和t等連續(xù)3個時刻的船舶航行行為數(shù)據(jù)Y(t-2),Y(t-1)和Y(t)作為網(wǎng)絡(luò)輸入，將t+1時刻的船舶航行行為表征數(shù)據(jù)Y(t+1)作為輸出,訓(xùn)練神經(jīng)網(wǎng)絡(luò)的參數(shù)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的數(shù)學(xué)表達(dá)式，船舶航行行為預(yù)測模型的表達(dá)式為

(14)

對于式(14)，可從表達(dá)式形式上將其看作是一個以過去時間序列的船舶航行行為特征[Y(t-2)，Y(t-1)，Y((t)]為自變量，以未來時刻船舶航行行為特征值Y(t+1)為函數(shù)值的一個非線性映射函數(shù)。

3 實例分析

為驗證所提方法的有效性，以成山角VTS水域內(nèi)船舶AIS信息為試驗數(shù)據(jù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型,進(jìn)行船舶行為實時預(yù)測。由于船舶AIS設(shè)備發(fā)射數(shù)據(jù)的頻率取決于船舶航行速度，因此為保證預(yù)測時間間隔的一致性，選擇航速在3～14 kn的在航船舶發(fā)射的數(shù)據(jù)，此時AIS數(shù)據(jù)的發(fā)射頻率為10 s。[12]選取保證是有效傳輸和接收的時間間隔為10 s的165組船舶AIS數(shù)據(jù)作為原始數(shù)據(jù)(150組作為訓(xùn)練數(shù)據(jù)，余下15組作為測試數(shù)據(jù)),以此測試訓(xùn)練后網(wǎng)絡(luò)預(yù)測的預(yù)測性能。根據(jù)式(13)和式(14)及船舶航行行為的AIS數(shù)據(jù)表征模型可得到神經(jīng)網(wǎng)絡(luò)預(yù)測模型為一個具有12個輸入神經(jīng)元節(jié)點、4個輸出神經(jīng)元節(jié)點的網(wǎng)絡(luò)，由式(13)估算得到隱含層神經(jīng)元的最佳個數(shù)區(qū)間為[4，14]。

對訓(xùn)練數(shù)據(jù)作離差歸一化處理，設(shè)定不同隱含層神經(jīng)元節(jié)點，將t-2，t-1和t等連續(xù)3個時刻的船舶行為表征數(shù)據(jù)Y(t-2)，Y(t-1)，Y(t)作為網(wǎng)絡(luò)輸入，將t+1時刻的船舶行為表征數(shù)據(jù)Y(t+1)作為輸出，以此訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的各項參數(shù)。在試驗中，可設(shè)置不同的隱含層神經(jīng)元節(jié)點數(shù)，通過比較神經(jīng)網(wǎng)絡(luò)均方誤差值，選擇誤差最小的神經(jīng)元個數(shù)作為參數(shù)，試驗過程中不同隱含層神經(jīng)元節(jié)點下神經(jīng)網(wǎng)絡(luò)的均方誤差見圖3。

圖3 網(wǎng)絡(luò)均方誤差分布

由圖3可知，當(dāng)隱含層神經(jīng)元節(jié)點為14個時，神經(jīng)網(wǎng)絡(luò)的均方誤差最小，因此可將神經(jīng)網(wǎng)絡(luò)的最佳隱含層神經(jīng)元節(jié)點數(shù)設(shè)置為14個，所選實例的船舶航行行為預(yù)測模型是一個12-14-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。

根據(jù)確定的最佳網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)參數(shù)，將Y(148)，Y(149)和Y(150)等3個時刻的船舶行為數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的初始輸入，通過遞歸的方法逐步預(yù)測Y(151)～Y(165)的船舶行為表征值，得到的預(yù)測值及誤差分析見圖4～圖7。

圖4 船舶軌跡預(yù)測結(jié)果

a)預(yù)測值與期望值對比b)經(jīng)緯度預(yù)測誤差

圖5 船舶軌跡預(yù)測誤差

a) 航向預(yù)測

b) 航向預(yù)測誤差圖6 船舶航向預(yù)測結(jié)果

在圖4中，實心點為訓(xùn)練集船舶軌跡(經(jīng)度、緯度)分布，三角號為運用BP神經(jīng)網(wǎng)絡(luò)預(yù)測得到的船舶軌跡，可看出預(yù)測的軌跡運動延續(xù)了訓(xùn)練集船舶的航行趨勢。

為定量表達(dá)預(yù)測軌跡與期望軌跡之間的誤差，在圖5中對其進(jìn)行對比，其中實心點和三角號分別代表經(jīng)度誤差及緯度誤差。從圖5a中可看出，預(yù)測軌跡值與期望軌跡值近乎重疊;從圖5b中可看出，15個船舶經(jīng)緯度預(yù)測誤差值最大為1.5×10-4。

a) 航速預(yù)測

b) 航速預(yù)測誤差圖7 船舶航速預(yù)測結(jié)果

圖6為船舶航向預(yù)測結(jié)果，圖6a中用三角號標(biāo)識的預(yù)測航向與訓(xùn)練航向的變化趨勢一致，由圖6b可知船舶航向預(yù)測誤差最大為1°。圖7為船舶航速預(yù)測結(jié)果，由圖7b可知船舶航速預(yù)測的誤差值最大為0.06 kn。

通過對VTS中心值班人員和船舶駕駛員進(jìn)行調(diào)研可知,船舶軌跡的經(jīng)度、緯度、航向和航速等船舶航行行為特征值預(yù)測誤差均在可接受的范圍內(nèi)，預(yù)測結(jié)果的精度滿足VTS中船舶航行行為監(jiān)控和航海實踐的需求。

4 結(jié)束語

通過對船舶航行行為預(yù)測進(jìn)行研究，根據(jù)船舶AIS信息的特點，構(gòu)建基于AIS信息的船舶航行行為表達(dá)模型，提出結(jié)合AIS信息和BP神經(jīng)網(wǎng)絡(luò)的船舶航行行為預(yù)測方法。運用提出的方法對成三角VTS水域內(nèi)150組船舶航行行為數(shù)據(jù)進(jìn)行試驗，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對后續(xù)船舶行為特征值進(jìn)行預(yù)測。通過對預(yù)測值和原有的15組真實的測試數(shù)據(jù)進(jìn)行誤差對比分析，得到BP神經(jīng)網(wǎng)能對船舶的經(jīng)度、緯度、航速及航向等船舶行為特征值隨時間發(fā)展變化進(jìn)行有效的學(xué)習(xí)和辨識，從而對未來船舶航行行為進(jìn)行精確、實時的預(yù)測。該研究可為VTS中船舶航行行為預(yù)測提供新的理論依據(jù)。

本文以歷史船舶行為特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)驗證所提出方法的可行性，接下來將利用船舶行為各項預(yù)測誤差實時更新和優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，實現(xiàn)船舶行為的在線學(xué)習(xí)和預(yù)測，以進(jìn)一步減小船舶行為預(yù)測誤差，提高船舶航行行為各項特征值的預(yù)測精度。

[1] 徐鐵，蔡奉君，胡勤友，等.基于卡爾曼濾波算法船舶AIS軌跡估計研究[J].現(xiàn)代電子技術(shù)，2014，37(5)：97-100.

[2] 趙帥兵，唐誠，梁山,等.基于改進(jìn)卡爾曼濾波的控制河段船舶航跡預(yù)測[J].計算機應(yīng)用，2012，32(11):3247-3250.

[3] PERERA L P,OLIVEIRA P,SOARES C G.Maritime Traffic Moni-toring Based on Vessel Detection,Tracking,State Esti-mation,and Trajectory Prediction[J].IEEE Transactions on Intelligent Transportation Systems,2012,13(3):1188-1200.

[4] 王艷鋒，李紅祥.橋區(qū)水域失控船舶的航跡預(yù)測[J].武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報，2011，10(4):36-38．

[5] 劉錫鈴，阮群生，龔子強.船舶航行GPS定位軌跡的新預(yù)測模型[J].江南大學(xué)學(xué)報(自然科學(xué)版)，2014,13(6):686-692.

[6] 徐婷婷，柳曉鳴，楊鑫.基于BP神經(jīng)網(wǎng)絡(luò)的船舶航跡實時預(yù)測[J].大連海事大學(xué)學(xué)報，2012,38(1):9-11.

[7] TONG Xiaopeng，CHEN Xu，SANG Lingzhi，et al.Vessel Trajectory Prediction in Curving Channel of Inland River[C]//The 3rd International Conference on Transportation Information and Safety,2015.

[8] 上海邁利船舶科技有限公司.船隊在線[EB/OL].(2015-05-15)[2016-05-05].http://www.hifleet.com.

[9] 韓敏.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].大連：大連理工大學(xué)出版社，2014:49-52.

[10] 高鵬毅.BP神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究[D].武漢：華中科技大學(xué)，2012.

[11] 張慶慶，賀興時.BP神經(jīng)網(wǎng)絡(luò)結(jié)點數(shù)選取的改進(jìn)方法及其應(yīng)用[J].西安工程大學(xué)學(xué)報，2008,22(4):502-505.

[12] 孫文力，孫文強.船載自動識別系統(tǒng)[M].大連：大連海事大學(xué)出版社,2004:21.

VesselBehaviorPredictionBasedonAISDataandBPNeuralNetwork

ZHENRong，JINYongxing，HUQinyou，SHIChaojian，WANGShengzheng

(Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China)

In view of the multi-dimensional characteristics of vessel behavior,a novel method of vessel behavior prediction based on AIS(Automatic Identification System) data and BP(Back Propagation) neural network is proposed to satisfy the requirement of VTS(Vessel Traffic Service) for accurate real-time vessel behavior prediction.The feature expressions of vessel behavior based on AIS data is established.The training process is as following:the longitude,latitude,heading and speed of a vessel is taken as the ship behavior feature input to the neural network; data at three consecutive times are input to the network,and the fourth data following the input is output to train the BP neural network.The trained BP neural network is applied to the prediction of vessel behavior.The effectiveness and capability of the proposed method is verified with the AIS data from the waters of Chengshanjiao VTS.The results show that the method can predict the characteristics of vessel behavior timely with acceptable accuracy.

waterway transportation; vessel behavior; prediction; AIS data; BP neural network

U675.7;TP391

A

2017-02-26

國家自然科學(xué)基金(51379121)；國家留學(xué)基金委聯(lián)合培養(yǎng)博士生項目(201608310093)；上海市科委地方院校能力建設(shè)項目(15590501600)；上海海事大學(xué)研究生創(chuàng)新基金(2016ycx077)；上海海事大學(xué)優(yōu)秀博士學(xué)位論文培養(yǎng)項目(2017bxlp003)

甄 榮(1990—)，男，內(nèi)蒙古烏蘭察布人，博士生，從事海上交通信息處理方向研究。E-mail:zrandsea@163.com

1000-4653(2017)02-0006-05