基于AIS船舶數(shù)據(jù)的港口交通流量預(yù)測(cè)模型研究*

李 晉 鐘 鳴 李揚(yáng)威

(1.武漢理工大學(xué)能源與動(dòng)力工程學(xué)院 武漢430063;2.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢430063;3.武漢理工大學(xué)國(guó)家水運(yùn)安全工程技術(shù)中心 武漢 430063;4.武漢理工大學(xué)水路公路交通安全控制與裝備教育部工程研究中心 武漢 430063;5.中國(guó)交通通信信息中心 北京 100011)

0 引 言

“一帶一路”倡議的提出，使中國(guó)的海上經(jīng)濟(jì)通道戰(zhàn)略價(jià)值不斷提升，港口作為海上交通最重要的節(jié)點(diǎn)，價(jià)值不言而喻。同時(shí)，隨著市場(chǎng)對(duì)大型、高速船舶的需求不斷增加，港口航道上行駛的大型高速船舶越來(lái)越多，這在客觀上增加了港口交通治理的難度。通過(guò)科學(xué)預(yù)測(cè)港口區(qū)域交通流量，對(duì)于降低港口交通壓力，避免海上交通事故，為優(yōu)化航道規(guī)劃和改善通航環(huán)境，意義重大。

目前對(duì)交通流預(yù)測(cè)的方法主要可以分為4類。第一類是基于統(tǒng)計(jì)分析模型的流量預(yù)測(cè)。該方法是在分析交通流量時(shí)間序列變化特性的基礎(chǔ)上，運(yùn)用與之適用性較高的統(tǒng)計(jì)分析模型擬合流量變化趨勢(shì)，進(jìn)而實(shí)現(xiàn)對(duì)流量的預(yù)測(cè)。該方法的應(yīng)用比較成熟，主要包括歷史平均模型、時(shí)間序列模型、卡爾曼濾波理論以及非參數(shù)回歸模型等。第二類是基于非線性理論的流量預(yù)測(cè)。該方法是在分析交通流量時(shí)間序列非線性規(guī)律的基礎(chǔ)上，借助混沌理論、耗散結(jié)構(gòu)論、自組織理論等非線性系統(tǒng)理論構(gòu)建對(duì)應(yīng)的預(yù)測(cè)方法。目前發(fā)展較為成熟的預(yù)測(cè)方法有小波理論、突變理論、混沌理論等。第三類基于組合預(yù)測(cè)模型的方法。該方法同時(shí)采用2種或2種以上的預(yù)測(cè)方法對(duì)流量進(jìn)行預(yù)測(cè)，以發(fā)揮不同預(yù)測(cè)方法的優(yōu)勢(shì)。第四類基于人工智能模型的流量預(yù)測(cè)。該方法是結(jié)合交通流量時(shí)間序列自身的不可控性，將人工智能模型作為訓(xùn)練方法，進(jìn)而輸出交通流量預(yù)測(cè)值。人工智能模型主要包括神經(jīng)網(wǎng)絡(luò)模型，支持向量機(jī)模型等。通過(guò)梳理發(fā)現(xiàn)，各種交通流量預(yù)測(cè)方法的本質(zhì)是借助預(yù)測(cè)算法的某些擬合優(yōu)勢(shì)，使之適應(yīng)交通流量變化機(jī)理，進(jìn)而提高預(yù)測(cè)精度和效率。聚焦到港口交通流研究方面，預(yù)測(cè)方法大多都是借鑒道路交通而來(lái)，但是由于船舶交通流具有自身的特點(diǎn)，相關(guān)研究方法不能簡(jiǎn)單的復(fù)制套用。研究發(fā)現(xiàn)，基于組合預(yù)測(cè)方法和基于人工智能算法的預(yù)測(cè)模型對(duì)于研究船舶交通流預(yù)測(cè)問(wèn)題具有廣闊的應(yīng)用前景和實(shí)踐意義。

目前對(duì)船舶數(shù)據(jù)的采集分析方面的研究較少，主要是數(shù)據(jù)采樣手段無(wú)法達(dá)到大數(shù)據(jù)采樣的要求。2008年底，國(guó)際海事組織(IMO)將AIS技術(shù)應(yīng)用到E-航海戰(zhàn)略中，得到很好的應(yīng)用效果[1]，隨著相關(guān)技術(shù)的不斷成熟，AIS數(shù)據(jù)可以實(shí)現(xiàn)實(shí)時(shí)聯(lián)網(wǎng)等功能，豐富、穩(wěn)定、準(zhǔn)確的AIS信息使得海上交通調(diào)查研究這一工作變得更為準(zhǔn)確、科學(xué)[2-3]。筆者將利用提取天津港區(qū)主航道的AIS歷史船舶數(shù)據(jù)，通過(guò)對(duì)不同交通流預(yù)測(cè)方法的比較，建立港口交通流預(yù)測(cè)模型，再根據(jù)實(shí)時(shí)進(jìn)港船舶數(shù)據(jù)，對(duì)不同模型的結(jié)果進(jìn)行比較驗(yàn)證。

1 港口船舶交通流數(shù)據(jù)來(lái)源

根據(jù)港口的功能屬性，對(duì)研究區(qū)域的船舶數(shù)據(jù)進(jìn)行分布提取，并研究其關(guān)聯(lián)關(guān)系。以天津港進(jìn)出港主航道為例，將港區(qū)主航道分為3個(gè)斷面，見圖1。即斷面①港區(qū)與1# & 2#錨地之間，斷面②1# & 2#錨地與3# & 4#錨地之間，斷面③外泊錨地進(jìn)入主航道。通過(guò)3個(gè)斷面的船舶流量就可以描繪出船舶在主航道上的時(shí)空分布規(guī)律，并分析出各個(gè)時(shí)段船舶進(jìn)出港流量情況，通過(guò)對(duì)船舶航向的篩選，3個(gè)斷面可一次判斷船舶進(jìn)出屬性，從而為船舶流量預(yù)測(cè)打下數(shù)據(jù)基礎(chǔ)。

圖1 船舶流量統(tǒng)計(jì)Fig.1 Vessel traffic flow statistics

在選取斷面時(shí)的主要考慮因素主要包括航道的平面分布情況[4-5]，天津港的主航道由進(jìn)港和出港航道組成，航道的姿態(tài)呈現(xiàn)從西北到東南的分布，進(jìn)出天津港的船舶主要是通過(guò)這個(gè)主航道，由于進(jìn)港航道和出港航道分開并列設(shè)置，因此進(jìn)出港的船舶相互干擾較??；同時(shí)也要考慮在航道的兩側(cè)分布著幾個(gè)大小不同的錨地，這些錨地對(duì)進(jìn)出港的船舶影響較大，例如通過(guò)斷面3的船舶經(jīng)由主航道駛?cè)胩旖蚋蹠r(shí)，有可能在錨地3處停留，因此在船舶流量統(tǒng)計(jì)時(shí)需要考慮這方面的因素。

2 數(shù)據(jù)獲取方法與分析

2.1 數(shù)據(jù)獲取方法

利用“寶船網(wǎng)”(即中國(guó)交通通信信息中心運(yùn)營(yíng)和服務(wù)的基于船舶AIS數(shù)據(jù)和GIS的船舶位置服務(wù)平臺(tái))搜集的實(shí)時(shí)數(shù)據(jù)和平臺(tái)工作，對(duì)其接口進(jìn)行開發(fā)，通過(guò)地理位置標(biāo)會(huì)工具對(duì)主航道關(guān)聯(lián)錨地和水域進(jìn)行區(qū)域劃定，在某特定區(qū)域?qū)B續(xù)的某段時(shí)間里經(jīng)過(guò)的船舶進(jìn)行歷史軌跡的分析提取，再對(duì)船舶信息進(jìn)行分類和篩選，整理出歷史船舶交通流量數(shù)據(jù)，如根據(jù)船舶航向判斷其進(jìn)出港屬性，以此篩選進(jìn)出港船舶交通流，并將數(shù)據(jù)進(jìn)行分類，確保導(dǎo)入模型數(shù)據(jù)類別的準(zhǔn)確性。圖2為船舶AIS的提取邏輯圖。

圖2 數(shù)據(jù)提取邏輯圖Fig.2 Data extraction logic

2.2 數(shù)據(jù)分析

2.2.1 AIS數(shù)據(jù)質(zhì)量分析

在實(shí)際應(yīng)用過(guò)程中，AIS 動(dòng)靜態(tài)信息可能存在一定的誤差，包括：船名、船舶長(zhǎng)度、MMSI 等；羅經(jīng)(船首向)誤差較大，其中，船長(zhǎng)、船首向與船速對(duì)統(tǒng)計(jì)的結(jié)果影響最大。

2.2.2 船舶交通流量

統(tǒng)計(jì)流量樣例。通過(guò)自編軟件提取天津港主航道進(jìn)出港口的船舶流量數(shù)據(jù)(以2017年N月T日為例)，并根據(jù)靜態(tài)信息和動(dòng)態(tài)信息綜合比較，剔除錯(cuò)誤數(shù)據(jù)，得到數(shù)據(jù)見圖3。

圖3 進(jìn)出港船舶流量統(tǒng)計(jì)Fig.3 Flow statistics of vessel in and out of the port

由圖3中可知，從上午9：00開始，進(jìn)出港口船舶數(shù)量開始增加，其中在12：00—13：00，出港數(shù)量最多，達(dá)到15艘，在11：00—12：00和13：00—14：00進(jìn)港船舶數(shù)量最大，達(dá)到11艘，從15：00開始，進(jìn)出港船舶數(shù)量呈逐漸下降趨勢(shì)，因此，定義進(jìn)出港高峰時(shí)段為10：00—15：00。

2.2.3 船舶交通流速分析

根據(jù)所有采集的各艘船舶的瞬時(shí)速度，得到所有船舶的平均瞬時(shí)速度為8.4 kn，即天津港主航道的船舶瞬時(shí)流速為8.4 kn，這說(shuō)明天津港主航道船舶航速較大，且以大型船舶為主，因此，制定科學(xué)有效的交通管理措施和預(yù)測(cè)方法非常必要。

表1 部分進(jìn)出天津港船舶速度統(tǒng)計(jì)表Tab.1 Statistics of vessel in and out of Tianjin port kn

3 建立預(yù)測(cè)模型

3.1 傳統(tǒng)預(yù)測(cè)模型

通過(guò)統(tǒng)計(jì)船舶交通流量數(shù)據(jù)發(fā)現(xiàn)，其具有顯著的非線性特征，在交通流量預(yù)測(cè)上應(yīng)用較為廣泛的傳統(tǒng)預(yù)測(cè)方法，例如,K近鄰回歸預(yù)測(cè)[6]、時(shí)間序列預(yù)測(cè)模型[7]和灰色預(yù)測(cè)模型[8-9]在模型應(yīng)用時(shí)考慮到了數(shù)據(jù)的時(shí)變特征，因此將結(jié)合采集的船舶流量數(shù)據(jù)應(yīng)用上述3種預(yù)測(cè)方法進(jìn)行船舶流量預(yù)測(cè)，受于篇幅限制，這里就不再展開論述，但計(jì)算結(jié)果將在預(yù)測(cè)結(jié)果分析部分進(jìn)行闡述。

3.2 建立組合預(yù)測(cè)模型

將多種模型進(jìn)行組合可以利用各模型的優(yōu)點(diǎn)同時(shí)避免相應(yīng)的缺點(diǎn)[10-13]，因此，筆者提出一種組合模型，將k近鄰回歸預(yù)測(cè)、時(shí)間序列預(yù)測(cè)模型和灰色預(yù)測(cè)模型進(jìn)行組合?；旌夏Ｐ偷幕驹砻枋鋈缦?。

i=1,2,…,n

若記組合預(yù)測(cè)的預(yù)測(cè)誤差平方和為J，則

建立最優(yōu)組合預(yù)測(cè)方法，這種方法是根據(jù)“預(yù)測(cè)誤差平方和最小”這一原則來(lái)求取各個(gè)單項(xiàng)預(yù)測(cè)方法的權(quán)系數(shù)向量的。如果某一加權(quán)系數(shù)向量Kn使組合預(yù)測(cè)方法的預(yù)測(cè)誤差平方和J達(dá)到極小值Jmin，則稱Kn為最優(yōu)加權(quán)系數(shù)向量，其所對(duì)應(yīng)的組合預(yù)測(cè)方法為最優(yōu)組合預(yù)測(cè)方法。因此，線性最優(yōu)組合預(yù)測(cè)即為下列最優(yōu)化問(wèn)題。

則有

假設(shè)n種預(yù)測(cè)方法的預(yù)測(cè)誤差向量e1,e2,…,en是與線性無(wú)關(guān)的，則E(n)為正定矩陣，且是可逆的。顯然上式的解為求條件極值的問(wèn)題。根據(jù)Lagrange乘數(shù)法求條件極值問(wèn)題，可以推得

且可得預(yù)測(cè)誤差的精確公式為

由上可見，Jmin與組合權(quán)重K無(wú)關(guān)，說(shuō)明最小均方誤差是不依賴組合權(quán)重的。

3.3 基于基因算法的優(yōu)化改進(jìn)模型

在對(duì)天津港主航道區(qū)域數(shù)據(jù)整理和對(duì)部分傳統(tǒng)預(yù)測(cè)模型梳理的基礎(chǔ)上，建立優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型和組合的神經(jīng)網(wǎng)絡(luò)模型。

3.3.1 基因算法的優(yōu)化過(guò)程

整個(gè)優(yōu)化流程可分為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、基因算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3部分，流程見圖4。

圖4 優(yōu)化流程圖Fig.4 Flow chart of neural networkoptimized by genetic algorithm

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

隱含層數(shù)、隱含層神經(jīng)元數(shù)、激勵(lì)函數(shù)、神經(jīng)網(wǎng)絡(luò)初始值對(duì)對(duì)算法的應(yīng)用效果有比較明顯的影響[14-17]，同時(shí)學(xué)習(xí)速率也是重要的影響參數(shù)。所以需要先明確上述參數(shù)。

1) BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)。通過(guò)大量學(xué)者的期刊文獻(xiàn)可以發(fā)現(xiàn)，3層神經(jīng)網(wǎng)絡(luò)就可以滿足精度的要求[12]。因此，筆者采用輸入層、隱含層和輸出層的網(wǎng)絡(luò)形式。選用6 h的流量數(shù)據(jù)作為輸入數(shù)據(jù)，即輸入層的神經(jīng)元個(gè)數(shù)為6。將未來(lái)1 h做為預(yù)測(cè)結(jié)果，因此，輸出層的數(shù)值是1。

2) 隱含層神經(jīng)元數(shù)。隱含層神經(jīng)元數(shù)的數(shù)量直接影響著模型是否出現(xiàn)“過(guò)擬合”等情況，根據(jù)多次試驗(yàn)，確定隱含層神經(jīng)元數(shù)為8。

3) 激勵(lì)函數(shù)。根據(jù)所采集的數(shù)據(jù)特點(diǎn)，選擇雙曲正切S型函數(shù)作為輸出層的激勵(lì)函數(shù)，單極性S型函數(shù)作為隱含層的激勵(lì)函數(shù)。

4) 學(xué)習(xí)速率以及其他參數(shù)確定。根據(jù)訓(xùn)練樣本的數(shù)據(jù)量，選擇BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率為化0.01，則訓(xùn)練最大步數(shù)為4 000，訓(xùn)練目標(biāo)的最大誤差為化0.000 1。

3.3.3 基因算法優(yōu)化

運(yùn)用基因算法，確定最優(yōu)權(quán)值與閾值，提高網(wǎng)絡(luò)的學(xué)習(xí)速度和預(yù)測(cè)精度。

3.3.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算出相應(yīng)的輸出誤差。

4 預(yù)測(cè)結(jié)果分析

為了更好的對(duì)比筆者所提出的預(yù)測(cè)模型的預(yù)測(cè)效果，分別按照上述的模型方法對(duì)進(jìn)出天津港的船舶交通流量進(jìn)行預(yù)測(cè)，預(yù)測(cè)出2017年N月T+1日當(dāng)天24 h的進(jìn)出港口船舶流量，并與實(shí)際采集的船舶流量進(jìn)行對(duì)比分析。(為了方便，以下稱k近鄰回歸預(yù)測(cè)、時(shí)間序列預(yù)測(cè)模型和灰色預(yù)測(cè)模型的組合預(yù)測(cè)模型為組合模型，其預(yù)測(cè)結(jié)果為預(yù)測(cè)1；以下稱遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為改進(jìn)模型，產(chǎn)生的預(yù)測(cè)結(jié)果為預(yù)測(cè)2。)

圖5 進(jìn)港船舶預(yù)測(cè)結(jié)果對(duì)比Fig.5 Comparison of prediction results of vessel entering port

圖6 出港船舶預(yù)測(cè)結(jié)果對(duì)比圖Fig.6 Comparison of the prediction results of the vessel out of port

由圖5～6可知，通過(guò)與實(shí)際的進(jìn)出港船舶流量數(shù)據(jù)進(jìn)行對(duì)比，從預(yù)測(cè)整體情況來(lái)看，組合模型與改進(jìn)模型都能夠預(yù)測(cè)出流量變化的趨勢(shì)，且準(zhǔn)確度較高，同時(shí)預(yù)測(cè)2的結(jié)果要更優(yōu)于預(yù)測(cè)1的結(jié)果，即利用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型相比組合模型預(yù)測(cè)精度更高。

為了更加直觀的檢驗(yàn)本文所提出的預(yù)測(cè)模型的效果，對(duì)部分傳統(tǒng)流量預(yù)測(cè)模型也進(jìn)行了分析計(jì)算，并與本文提出的模型進(jìn)行結(jié)果對(duì)比。

表2 船舶流量預(yù)測(cè)結(jié)果Tab.2 Forecast result of vessel′s total quantity

由表2可見，5種預(yù)測(cè)方法都對(duì)船舶交通流取得較高預(yù)測(cè)精度，預(yù)測(cè)的平均誤差不超過(guò)1。進(jìn)一步對(duì)比表中MAE，MSE，MRE可以發(fā)現(xiàn)：在3種傳統(tǒng)的預(yù)測(cè)模型中，K近鄰回歸預(yù)測(cè)的效果最好，時(shí)間序列的預(yù)測(cè)其次，而GM(1,1)模型最差，而組合模型則有更高的精度；優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果優(yōu)于組合模型，在進(jìn)港預(yù)測(cè)上的平均相對(duì)誤差僅為9.75%，而在出港交通流量的預(yù)測(cè)僅為10.47%。

為了便于比較最后的預(yù)測(cè)結(jié)果，將5種預(yù)測(cè)結(jié)果分別合成船舶日進(jìn)港交通流量與日出港流量，計(jì)算評(píng)價(jià)指標(biāo)結(jié)果見表3。

表3 船舶流量預(yù)測(cè)結(jié)果Tab.3 Forecast result of vessel′s total quantity

對(duì)比表2與表3，可以發(fā)現(xiàn)將時(shí)刻數(shù)據(jù)合成為日流量數(shù)據(jù)，在很大程度可以降低預(yù)測(cè)的誤差。上述結(jié)果中，K近鄰回歸，組合模型，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型都能對(duì)日流量數(shù)據(jù)做出較好的預(yù)測(cè)，而灰色預(yù)測(cè)模型和時(shí)間序列模型則表現(xiàn)較差。盡管遺傳算法優(yōu)化BP網(wǎng)絡(luò)似乎取得的精度更高，但對(duì)比表2所示的結(jié)果，可能出現(xiàn)了正負(fù)誤差相抵的情況。

5 結(jié)束語(yǔ)

通過(guò)提取港口附近的船舶AIS數(shù)據(jù)，分析了船舶的交通流量和船速等參數(shù)，驗(yàn)證了本文所采集的AIS數(shù)據(jù)符合船舶交通流特點(diǎn)，證明采集方式的可行性，同時(shí)也說(shuō)明了所采集的數(shù)據(jù)是比較準(zhǔn)確的。利用實(shí)時(shí)采集的船舶AIS數(shù)據(jù)還可以有效驗(yàn)證流量預(yù)測(cè)模型的準(zhǔn)確性，為驗(yàn)證模型提供了基礎(chǔ)保證。本文又在此基礎(chǔ)上，將遺傳算法與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相結(jié)合，并將非k近鄰回歸預(yù)測(cè)、時(shí)間序列預(yù)測(cè)和灰色預(yù)測(cè)模型組合成混合模型，構(gòu)建出2種港口交通流量預(yù)測(cè)模型，并針對(duì)船舶進(jìn)出港口的流量進(jìn)行預(yù)測(cè)分析和對(duì)比，通過(guò)與實(shí)際采集數(shù)據(jù)進(jìn)行對(duì)比，證明本文提出的2種模型，都具有較高的預(yù)測(cè)準(zhǔn)確性，預(yù)測(cè)結(jié)果能有效反應(yīng)數(shù)據(jù)的時(shí)變性與非線性特點(diǎn)，對(duì)數(shù)據(jù)的規(guī)律也能正確表達(dá)。為了更直觀的驗(yàn)證本文提出的預(yù)測(cè)模型的效果，與傳統(tǒng)預(yù)測(cè)模型進(jìn)行結(jié)果對(duì)比，證明本文所提出的預(yù)測(cè)方法精度更高。在后繼的研究中，將在持續(xù)增加混合模型數(shù)據(jù)采集量的基礎(chǔ)上，繼續(xù)從數(shù)據(jù)應(yīng)用、影響條件等方面進(jìn)行優(yōu)化，改進(jìn)預(yù)測(cè)精度和速度。