基于AIS數(shù)據(jù)和LSTM網(wǎng)絡(luò)的船舶航行動態(tài)預(yù)測

任宇翔 趙建森 劉衛(wèi) 王勝正 韋雨含

摘要：為進一步提高船舶航行動態(tài)預(yù)測的精度，提出將長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)應(yīng)用到船舶航行動態(tài)預(yù)測。

將船舶自動識別系統(tǒng)（automatic identification system，AIS）數(shù)據(jù)轉(zhuǎn)化為航行動態(tài)時間序列數(shù)據(jù)用于LSTM網(wǎng)絡(luò)的訓(xùn)練和測試。將預(yù)測結(jié)果與傳統(tǒng)的航跡推算法、BP（back propagation）神經(jīng)網(wǎng)絡(luò)法等的預(yù)測結(jié)果進行對比，結(jié)果證明：基于LSTM網(wǎng)絡(luò)的船舶航行動態(tài)預(yù)測模型具有精度高、魯棒性強、通用性好等特點。預(yù)測結(jié)果可以為船舶交通管理中心（vessel traffic services，VTS）的監(jiān)管提供參考，在預(yù)警船舶碰撞、擱淺等事故方面具有較高的實際應(yīng)用價值。

關(guān)鍵詞：船舶; 航行動態(tài)預(yù)測; 船舶自動識別系統(tǒng)（AIS）; 長短期記憶網(wǎng)絡(luò)（LSTM）; BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： U675.79

文獻標(biāo)志碼： A

Abstract： In order to further improve the accuracy of ship navigation behavior prediction， the long short-term memory （LSTM） network is applied to the ship navigation behavior prediction. The ship automatic identification system （AIS） data is transformed into navigation behavior time series data for training and testing of LSTM network. The prediction results of LSTM network are compared with those of the traditional track estimation method and BP （back propagation） neural network method. The results show that the ship navigation behavior prediction model based on LSTM network is of high accuracy， strong robustness and good generality. The prediction results can provide reference for the supervision of vessel traffic services （VTS）， and have high practical application value in early warning of ship collision， stranding and other accidents.

0 引 言

實時準(zhǔn)確地獲取船舶航行動態(tài)信息對于海上交通研究與管理、船舶智能避碰有重要的作用。對于船舶交通管理中心（vessel traffic services，VTS）的監(jiān)管而言，準(zhǔn)確的船舶航行動態(tài)信息更是協(xié)調(diào)航道內(nèi)的通航船舶、管理通航水道必不可少的支持，對水域通航狀況的監(jiān)管以及碰撞、擱淺、觸礁等事故的預(yù)警有著重要的意義;對于船舶避碰而言，預(yù)測來船在未來時刻的位置、航向、航速等動態(tài)信息，以此計算船舶碰撞危險的程度、評估避讓方案的優(yōu)劣，相應(yīng)地修正避讓行動的幅度和避讓方向，可達到更好的避讓效果。

徐婷婷等[1]采用BP（back propagation）神經(jīng)網(wǎng)絡(luò)預(yù)測船舶航跡，以航速和航向作為BP神經(jīng)網(wǎng)絡(luò)的輸入，以經(jīng)度差、緯度差作為輸出，得到的船舶經(jīng)緯度的誤差很小，預(yù)測出的船舶航跡較準(zhǔn)確，但是未預(yù)測船舶的動態(tài)特征如航向、航速等;徐鐵等[2]采用卡爾曼濾波算法對船舶自動識別系統(tǒng)（automatic identification system，AIS）數(shù)據(jù)進行修正，利用AIS節(jié)點數(shù)據(jù)做最小二乘估計，并對航跡進行平滑和預(yù)測處理，得到了比較接近真實情況的船舶航跡，提高了船位預(yù)測的精確度;甄榮等[3]進一步擴展了文獻[1]的研究內(nèi)容，建立了基于BP神經(jīng)網(wǎng)絡(luò)的船舶航行動態(tài)預(yù)測模型，在已有的航跡預(yù)測的基礎(chǔ)上增加了航向和航速的預(yù)測，以此實現(xiàn)多維的船舶航行動態(tài)特征預(yù)測，并利用岸基AIS數(shù)據(jù)進行驗證，初步取得了較好的預(yù)測結(jié)果。

相比于船舶，空間飛行器航跡預(yù)測的方法種類更多、更成熟，除BP神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波等算法之外，還有利用聚類方法、函數(shù)型回歸方法、徑向基神經(jīng)網(wǎng)絡(luò)、隨機森林等機器學(xué)習(xí)方法的航跡預(yù)測方法。這對于船舶的航行動態(tài)預(yù)測也是一種啟發(fā)：利用機器學(xué)習(xí)算法來進行船舶動態(tài)預(yù)測。長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)屬于機器學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的一種[4]，在時間序列數(shù)據(jù)預(yù)測方面展示出了巨大的潛力。

目前國內(nèi)外交通領(lǐng)域?qū)STM網(wǎng)絡(luò)模型的應(yīng)用場景較為有限：王國棟[5]利用LSTM網(wǎng)絡(luò)進行了包含船舶縱傾、橫搖等的船舶姿態(tài)預(yù)測，預(yù)測結(jié)果較準(zhǔn)確;范光鵬等[6]將LSTM網(wǎng)絡(luò)與卡爾曼濾波相結(jié)合建立了公交車到站時間預(yù)測模型，該模型的預(yù)測精度比支持向量機（support vector machine， SVM）模型的更高;曹博等[7]和陳韞[8]利用LSTM網(wǎng)絡(luò)進行了短時交通流的預(yù)測，使得交通規(guī)劃更加精準(zhǔn);顧興健等[9]利用LSTM網(wǎng)絡(luò)進行了局部海域水文氣象環(huán)境預(yù)測。SALMAN等[10]利用LSTM網(wǎng)絡(luò)進行了航行天氣變化預(yù)測，有效預(yù)測了未來時刻天氣的變化;WEN等[11]利用LSTM網(wǎng)絡(luò)進行了空氣污染預(yù)測，預(yù)測結(jié)果與真實污染數(shù)據(jù)十分接近。上述研究主要集中在船舶姿態(tài)、交通流、氣象變化、環(huán)境污染等領(lǐng)域，尚未有學(xué)者將LSTM網(wǎng)絡(luò)應(yīng)用到船舶航行動態(tài)預(yù)測領(lǐng)域，因此本文提出將LSTM網(wǎng)絡(luò)應(yīng)用到船舶航行動態(tài)預(yù)測中，以期達到更好的預(yù)測結(jié)果。

本文根據(jù)原始的船舶AIS數(shù)據(jù)的特點，從中提取時間、位置（經(jīng)度、緯度）、航向、航速等要素構(gòu)建船舶航行動態(tài)時間序列數(shù)據(jù)，分析基于LSTM網(wǎng)絡(luò)的船舶航行動態(tài)預(yù)測模型的實現(xiàn)過程。利用船舶航行動態(tài)時間序列數(shù)據(jù)對LSTM網(wǎng)絡(luò)預(yù)測模型進行訓(xùn)練、測試驗證，把相同的數(shù)據(jù)用于傳統(tǒng)航跡推算、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的仿真實驗，并將實驗結(jié)果進行對比、分析和總結(jié)。

1 基于AIS的船舶航行動態(tài)模型

AIS是現(xiàn)代船舶導(dǎo)航系統(tǒng)的重要組成設(shè)備。AIS信息主要包含兩類數(shù)據(jù)，分別為：船舶靜態(tài)數(shù)據(jù)，如船名、呼號、水上移動通信業(yè)務(wù)標(biāo)識碼（maritime mobile service identity， MMSI）、國際海事組織（International Maritime Organization， IMO）識別碼、船舶類型、船長、船寬等;船舶動態(tài)數(shù)據(jù)，如位置、航向、航速等[12]。

船舶航行動態(tài)是指定船舶實時運動信息的數(shù)據(jù)表現(xiàn)形式。采用MMSI作為船舶的標(biāo)識碼，以MMSI對應(yīng)的動態(tài)信息作為船舶航行動態(tài)序列S的5個組成字段，分別為UTC、Latitude、Longitude、COG和SOG，即時間、緯度、經(jīng)度、航向和航速，見圖1。

設(shè)缺失的數(shù)據(jù)為（ti，Sti），其中ti代表缺失數(shù)據(jù)的時刻，Sti代表該時刻對應(yīng)的數(shù)據(jù);ti前一時刻tk和后一時刻tm的數(shù)據(jù)已知，分別為（tk，Stk）和（tm，Stm）。

根據(jù)式（1）對連續(xù)的AIS數(shù)據(jù)進行處理，可以得到指定的MMSI對應(yīng)的船舶航行動態(tài)記錄，這就是AIS時間序列數(shù)據(jù)。表1為截取的經(jīng)過處理的某船航行動態(tài)時間序列數(shù)據(jù)的一部分，該船的MMSI為413555880，日期為2018年2月11日，相鄰數(shù)據(jù)時間間隔為10 s。表1中有灰色底紋的數(shù)據(jù)為采用線性插值法填補的數(shù)據(jù)。

4 結(jié)束語

根據(jù)實際船舶航行動態(tài)數(shù)據(jù)的特點，從真實船舶AIS數(shù)據(jù)中提取構(gòu)建船舶航行動態(tài)時間序列，進行LSTM網(wǎng)絡(luò)的訓(xùn)練與驗證，將預(yù)測值與真實值進行對比，分析驗證了LSTM網(wǎng)絡(luò)可以對船舶航行動態(tài)做出有效、準(zhǔn)確的預(yù)測，同時避免了建立復(fù)雜的船舶運動模型，為船舶航行動態(tài)預(yù)測提供了新的思路。將預(yù)測結(jié)果與傳統(tǒng)的航跡推算法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果進行對比分析后得出：LSTM網(wǎng)絡(luò)有誤差小、精度高、魯棒性強、通用性高等優(yōu)點，可以應(yīng)用到實際工作中。在接下來的工作中，需要結(jié)合可能的應(yīng)用場景，如VTS監(jiān)管與避碰、擱淺預(yù)警等，對LSTM網(wǎng)絡(luò)進行進一步的調(diào)整、優(yōu)化，以期得到更好的預(yù)測結(jié)果與應(yīng)用。

參考文獻：

[1]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.

[2]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.

[3]甄榮， 金永興， 胡勤友， 等. 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]. 中國航海， 2017， 40（2）： 6-10.

[4]周少龍， 周鋒. 基于時間序列的港口貨物吞吐量GRNN預(yù)測模型[J]. 上海海事大學(xué)學(xué)報， 2011， 32（1）： 70-73.

[5]王國棟. 基于LSTM的艦船運動姿態(tài)短期預(yù)測及仿真研究[D]. 鎮(zhèn)江： 江蘇科技大學(xué)， 2017.

[6]范光鵬， 孫仁誠， 邵峰晶. 基于LSTM和Kalman濾波的公交車到站時間預(yù)測[J]. 計算機應(yīng)用與軟件， 2018， 35（4）：91-96.

[7]曹博， 高茂庭. 基于LSTM的短時交通流預(yù)測研究[J]. 現(xiàn)代計算機（專業(yè)版）， 2018（25）： 3-7. DOI： 10.3969/j.issn.1007-1423.2018.25.001.

[8]陳韞. 基于LSTM深度網(wǎng)絡(luò)的城市道路短時交通狀態(tài)預(yù)測模型研究[D]. 福州： 福建工程學(xué)院， 2018.

[9]顧興健， 趙璐， 金明， 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的我國典型試航海域環(huán)境短期預(yù)報方法研究[J]. 中國造船， 2017， 58（4）： 100-107.

[10]SALMAN A G， HERYADI Y， ABDURAHMAN E， et al. Single layer & multi-layer long short-term memory （LSTM） model with intermediate variables for weather forecasting[J]. Procedia Computer Science， 2018， 135： 89-98.

[11]WEN Congcong， LIU Shufu， YAO Xiaojing， et al. A novel spatiotemporal convolutional long short-term neural network for air pollution prediction[J]. Science of the Total Environment， 2019， 654： 1091-1099.

[12]黃健偉， 陸悅銘， 李義斌. AIS時代VTS面臨的新課題[J]. 上海海事大學(xué)學(xué)報， 2007， 28（3）： 19-23， 32.

[13]羅永豪. 基于AIS數(shù)據(jù)的船舶航行軌跡預(yù)測[D]. 廣州： 華南理工大學(xué)， 2017.

[14]LI Yifei， CAO Han. Prediction for tourism flow based on LSTM neural network[J]. Procedia Computer Science， 2018， 129： 277-283. DOI： 10.1016/j.procs.2018.03.076.

[15]ZHANG Jianfeng， ZHU Yan， ZHANG Xiaoping， et al. Developing a long short-term memory （LSTM） based model for predicting water table depth in agricultural areas[J]. Journal of Hydrology， 2018， 561： 918-929. DOI： 10.1016/j.jhydrol.2018.04.065.

[16]YUAN Yuan， ZHAO Yang， WANG Qi. Action recognition using spatial-optical data organization and sequential learning framework[J]. Neurocomputing， 2018， 315： 221-233. DOI： 10.1016/j.neucom.2018.06.071.

[17]王國棟， 韓斌， 孫文赟. 基于LSTM的艦船運動姿態(tài)短期預(yù)測[J]. 艦船科學(xué)技術(shù)， 2017， 39（7）： 69-72. DOI： 10.3404/j.issn.1672-7649.2017.07.014.

[18]HUANG Xiuling， SUN Jie， SUN Jian. A car-following model considering asymmetric driving behavior based on long short-term memory neural networks[J]. Transportation Research Part C： Emerging Technologies， 2018， 95： 346-362. DOI： 10.1016/j.trc.2018.07.022.

[19]潘琪祥. 關(guān)于風(fēng)流中航跡推算方法的探討[J]. 中國航海， 1998（1）： 8-11.

（編輯 賈裙平）