基于灰狼優(yōu)化支持向量回歸的船舶航跡預測

陳影玉 索永峰 楊神化

摘要：為提高船舶航跡預測精度，利用灰狼優(yōu)化（grey wolf optimization， GWO）算法求出支持向量回歸（support vector regression， SVR）模型的最優(yōu)參數(shù)，構(gòu)建基于GWO-SVR的船舶航跡預測模型。選取福建漳州古雷港水域某船航跡的AIS數(shù)據(jù)。將該模型與其他模型的預測結(jié)果進行比較。實驗結(jié)果表明，與SVR、灰狼優(yōu)化最小二乘支持向量機和粒子群優(yōu)化最小二乘支持向量機等3種模型相比，GWO-SVR模型的預測精度分別提升2.61%、10.93%和0.22%，預測誤差分別降低0.022、0.303和0.172。本文方法提高了船舶航跡預測精度，可為海事監(jiān)管人員及時作出正確決策和保障航行安全提供支持。

關(guān)鍵詞： 船舶航跡預測; 支持向量回歸（SVR）; 灰狼優(yōu)化（GWO）

中圖分類號： U676.1 ? ?文獻標志碼： A

Abstract： In order to improve the accuracy of ship trajectory prediction， the optimal parameters of the support vector regression （SVR） model are found by the grey wolf optimization （GWO） algorithm， and a ship trajectory prediction model based on GWO-SVR is constructed. The AIS data of trajectory of a ship of Gulei Port in Zhangzhou of Fujian province are selected.The model prediction result is compared with prediction results by other models. Experimental results show that， the prediction accuracy of GWO-SVR model is improved by 2.61%， 10.93% and 0.22%， and the prediction error is reduced by 0.022， 0.303 and 0.172， respectively， compared with SVR， the GWO-least squares support vector machine and the particle swarm optimization least squares support vector machine. The method in the paper improves the accuracy of ship trajectory prediction and can provide support for maritime supervisors to make correct decisions and ensure navigation safety in time.

Key words： ship trajectory prediction; support vector regression （SVR）; grey wolf optimization （GWO）

0 引 言

為了將無人船引入商業(yè)航線，必須建立有效的避碰系統(tǒng)，以確保無人船自主作業(yè)所需的安全水平[1]。船舶航跡預測結(jié)果可以用來評估船舶碰撞風險，支持主動避碰，增強海上情境態(tài)勢感知的能力，為船舶避碰決策提供參考。

目前船舶航跡預測方法可分為3類：基于統(tǒng)計模型、基于概率圖模型和基于機器學習模型的預測方法?；诮y(tǒng)計模型的預測方法有高斯回歸[2]、卡爾曼濾波[3-4]和貝葉斯網(wǎng)絡[5]等，其特點為：在建模時一般需要考慮風、流等環(huán)境對船舶運動的影響;船舶運動學方程的建立會增加模型的復雜度;隨著實驗的進行，誤差也會不斷增加?；诟怕蕡D模型的預測方法有馬爾科夫模型[6]和灰色模型[7]等，其特點為：它結(jié)合概率論與圖論，將不同領(lǐng)域的知識抽象為概率模型，將應用中的問題歸結(jié)為計算概率模型變量的概率分布;灰色模型在數(shù)據(jù)量大的情況下性能較低，運行時間較長，但改進后的預測效果優(yōu)于最小二乘法的預測效果。這類方法在一定程度上提升了預測精度，但還不夠理想?；跈C器學習模型的預測方法有循環(huán)神經(jīng)網(wǎng)絡[8]、BP神經(jīng)網(wǎng)絡[9]、長短期記憶網(wǎng)絡[10]和支持向量回歸（support vector regression，SVR）[11]等，其特點為：隨著數(shù)據(jù)量的增加，神經(jīng)網(wǎng)絡可能出現(xiàn)梯度爆炸或梯度消失、收斂速度慢、預測精度下降以及樣本訓練效率低等問題;SVR需要自主選擇參數(shù)，具有主觀性，預測耗時短，但預測精度有待進一步提高。

隨著智能優(yōu)化算法的興起和廣泛應用，越來越多的研究者開始考慮引入智能優(yōu)化算法到軌跡預測中。劉嬌等[12]通過差分進化算法對支持向量機（support vector machine， SVM）進行優(yōu)化，構(gòu)建船舶航跡預測模型。這種預測方法可反映軌跡的變化趨勢，但預測結(jié)果存在一定的誤差，且通過差分進化算法對SVM進行優(yōu)化耗時較長。SVR模型拓撲結(jié)構(gòu)簡單，能從未知分布的小樣本中提取更多的有用信息，用來處理樣本空間的非線性回歸等問題，預測精度高[13]，但其預測精度顯著受參數(shù)選擇的影響。灰狼優(yōu)化（grey wolf optimization， GWO）算法全局尋找最優(yōu)解的能力較強，已被廣泛用于全局優(yōu)化問題中。目前，GWO算法與SVR模型的組合僅用于軍用運輸機航路規(guī)劃[14]、材料損耗預測[15]、電力負荷預測[16]、風速預測[17]、住院費用預測[18]和入侵檢測[19]等領(lǐng)域，還沒有被運用到船舶航跡預測的研究中。鑒于GWO-SVR模型被運用到眾多領(lǐng)域時都表現(xiàn)出較高的預測精度和性能，本文提出將GWO-SVR模型引入船舶航跡預測研究中，為船舶的安全航行和避碰決策提供參考。采用AIS數(shù)據(jù)作為模型樣本，實現(xiàn)船舶航跡的準確預測。

1 船舶航跡預測理論模型

1.1 SVR模型

SVR模型建立在統(tǒng)計學VC（Vanpnik-Chervonenkis）維理論和結(jié)構(gòu)化風險最小原理的基礎(chǔ)上，通過回歸實現(xiàn)經(jīng)驗風險和置信范圍的最小化，增強學習機的泛化能力。它可以解決線性回歸和非線性回歸問題，在解決小樣本、非線性及高維模式辨識中具有優(yōu)勢。

SVR的基本思想是運用一個非線性映射φ將輸入向量映射到高維特征空間進行線性回歸。給定一組訓練數(shù)據(jù){（x1，y1），（x2，y2），…，（xn，yn）}，其中xi為輸入向量;yi為輸出。

2 船舶航跡預測模型的建立

對從某港口AIS數(shù)據(jù)中提取出的航跡數(shù)據(jù)進行篩選和預處理后，將其輸入預測模型，對船舶未來航跡進行預測;利用獲得的預測航跡，對預測模型進行評估，驗證預測模型的有效性?；贕WO-SVR的船舶航跡預測模型的實現(xiàn)步驟如下：

步驟1 預處理AIS數(shù)據(jù)。刪去存在數(shù)據(jù)缺失和不符合實際要求的數(shù)據(jù)，得到符合要求的AIS數(shù)據(jù)。

步驟2 初始化GWO算法參數(shù)，并將其輸入預測模型中。

步驟3 訓練SVR模型，并計算SVR模型的函數(shù)值。此函數(shù)值表示GWO算法每次運行得出的最優(yōu)解，也可理解為α狼的位置。

步驟4 調(diào)整參數(shù)值。根據(jù)SVR模型的函數(shù)值不斷更新狼群的位置和函數(shù)值，再根據(jù)這些值計算獵物位置，并對獵物進行狩獵搜索。

步驟5 判斷迭代是否結(jié)束。設定GWO算法的最大迭代次數(shù)，若沒有達到最大迭代次數(shù)，則不斷重復步驟3～5，直至實驗結(jié)束。

步驟6 輸出在目標誤差范圍內(nèi)的預測值，根據(jù)模型評估指標對其進行評估。

基于GWO-SVR的船舶航跡預測模型的流程見圖2。

GWO算法與PSO算法作為群體智能優(yōu)化算法，都有各自的優(yōu)勢。它們都能在合適的條件下滿足求解精度，但PSO算法側(cè)重于局部搜索尋優(yōu)，GWO算法側(cè)重于全局搜索尋優(yōu)。它們對數(shù)據(jù)比較敏感，不同的參數(shù)設置和不同的實驗數(shù)據(jù)會導致結(jié)果出現(xiàn)差異。

GWO算法在尋優(yōu)過程中，選出最適合SVR模型的參數(shù)，從而最大化發(fā)揮SVR模型在處理小樣本數(shù)據(jù)時回歸擬合精度高的優(yōu)勢。LSSVM模型在將所有樣本用最小二乘誤差擬合時，計算復雜度較高;而SVR模型在通過支持向量降低LSSVM計算復雜度的同時，也具備LSSVM能夠利用內(nèi)核在高維度擬合樣本的能力，即具有利用少量數(shù)據(jù)擬合復雜數(shù)據(jù)的能力。

為更直觀驗證和評價預測結(jié)果，圖5展示了這4種方法的誤差。不難看出，SVR模型的誤差波動最大，GWO-LSSVM模型的次之，GWO-SVR模型的誤差相對于其他3種方法是最小的，且一直保持在誤差為0的那條線上下波動。

為驗證模型的泛化性能，使用GWO-SVR模型對不同航跡進行預測對比。任意選擇2條航跡中的部分數(shù)據(jù)進行模型訓練和預測。預測航跡與實際航跡的比較見圖6，航跡預測效果分析見表2，航跡預測誤差見圖7。

由圖6可知，航跡1與航跡2均能大體反映船舶的運動趨勢。航跡1由于軌跡多處彎曲，形狀復雜，預測航跡點與實際航跡點之間有些許偏差，但在可接受范圍內(nèi)。航跡2為普通航跡，預測航跡點與實際航跡點基本吻合。

由圖7和表2可以明顯看出，GWO-SVR模型對其他航跡的預測效果仍然較好，誤差也在可接受范圍內(nèi)。當航跡較復雜時，比如航跡1，SVR學習性能稍差，航跡預測結(jié)果存在一定的誤差;當航跡較簡單時，比如航跡2，航跡預測誤差會保持在0值水平線上下波動，這種波動可能是實驗數(shù)據(jù)或其他因素的影響導致的，不影響對航跡的進一步研究。綜上可知，GWO-SVR模型具備一定的泛化能力。

4 結(jié) 論

結(jié)合灰狼優(yōu)化（GWO）算法的全局尋優(yōu)能力和支持向量回歸（SVR）模型良好的回歸擬合能力，通過GWO算法對SVR模型參數(shù)尋優(yōu)，構(gòu)建基于GWO-SVR的航跡預測模型。與SVR、GWO-LSSVM和PSO-LSSVM模型相比，GWO-SVR模型對船舶航跡的預測精度最高。先前熱點研究大多關(guān)注機器學習模型，本研究將智能優(yōu)化算法引入船舶航跡預測中，嘗試開拓新思路解決問題。未來研究可考慮混合其他優(yōu)化算法對相關(guān)機器學習模型的參數(shù)進行尋優(yōu)，提高預測精度，另外，如何提高優(yōu)化模型的穩(wěn)定性也是值得考慮的問題。

參考文獻：

[1] MURRAY B， PERERA L P. Ship behavior prediction via trajectory extraction-based clustering for maritime situation awareness[J]. Journal of Ocean Engineering and Science， 2021. DOI： 10.1016/j.joes.2021.03.001.

[2] 茅晨昊， 潘晨， 尹波， 等. 基于高斯過程回歸的船舶航行軌跡預測[J]. 科技創(chuàng)新與應用， 2017， 215（31）： 28-29， 31.

[3] 何靜. 利用卡爾曼濾波預測船舶航行軌跡異常行為[J]. 艦船科學技術(shù)， 2017， 39（1A）： 16-18. DOI： 10.3404/j.issn.1672-7619.2017.1A.006.

[4] 姜佰辰， 關(guān)鍵， 周偉， 等. 基于多項式卡爾曼濾波的船舶軌跡預測算法[J]. 信號處理， 2019， 35（5）： 741-746. DOI： 10.16798/j.issn.1003-0530.2019.05.002.

[5] 周巧娟. 基于貝葉斯網(wǎng)絡的船舶航行安全性預測[J]. 艦船科學技術(shù)， 2020， 42（6A）： 34-36. DOI： 10.3404/j.issn.1672-7619.2020.6A.012.

[6] CHENG Yihang， QIAO Yuanyuan， YANG Jie. An improved Markov method for prediction of user mobility[C]//2016 12th International Conference on Network and Service Management. IEEE， 2016： 394-399. DOI： 10.1109/CNSM.2016.7818454.

[7] 劉錫鈴， 阮群生， 龔子強. 船舶航行GPS定位軌跡的新預測模型[J]. 江南大學學報（自然科學版）， 2014， 13（6）： 686-692.

[8] LEE N， CHOI W， VERNAZA P， et al. DESIRE： distant future prediction in dynamic scenes with interacting agents[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017： 2165-2174. DOI： 10.1109/CVPR.2017.233.

[9] 甄榮， 金永興， 胡勤友， 等. 基于AIS信息和BP神經(jīng)網(wǎng)絡的船舶航行行為預測[J]. 中國航海， 2017， 40（2）： 6-10.

[10] 陳凱達， 朱永生， 閆柯， 等. 基于LSTM的船舶航跡預測[J]. 船海工程， 2019， 48（6）： 121-125.

[11] KIM J S. Vessel target prediction method and dead reckoning position based on SVR seaway model[J]. International Journal of Fuzzy Logic & Intelligent Systems， 2017， 17（4）： 279-288. DOI： 10.5391/IJFIS.2017.17.4.279.

[12] 劉嬌， 史國友， 楊學錢， 等. 基于DE-SVM 的船舶航跡預測模型[J]. 上海海事大學學報， 2020， 41（1）： 34-39， 115. DOI： 10.13340/j.jsmu.2020.01.006.

[13] 李俊. 基于支持向量機的船舶交通事故預測研究[D]. 武漢： 武漢理工大學， 2008.

[14] 魏燕明， 甘旭升， 劉飛， 等. 基于灰狼優(yōu)化算法的軍用運輸機航路規(guī)劃方法[J]. 火力與指揮控制， 2021， 46（1）： 155-161. DOI： 10.3969/j.issn.1002-0640.2020.01.027.

[15] 張佳琦， 顧幸生. 基于改進灰狼算法優(yōu)化的支持向量機鋅耗預測[J]. 華東理工大學學報（自然科學版）， 2021. DOI： 10.14135/j.cnki.1006-3080.20210128001.

[16] 劉輝， 李侯君， 劉雨薇， 等. 基于VMD和GWO-SVR的電力負荷預測方法[J]. 現(xiàn)代電子技術(shù)， 2020， 43（23）： 167-172. DOI： 10.16652/j.issn.1004-373x.2020.23.038.

[17] 黃文聰， 張宇， 楊遠程， 等. 模糊信息?；虶WO-SVM算法結(jié)合的短期風速范圍預測[J]. 華僑大學學報（自然科學版）， 2020， 41（5）： 674-682. DOI： 10.11830/ISSN.1000-5013.201911024.

[18] 張慧， 賀松， 張碩， 等. 基于GWO-SVR的冠心病住院費用預測[J]. 智能計算機與應用， 2020， 10（11）： 42-46.

[19] 張金霜， 梁樹杰， 左敬龍. 基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測研究[J]. 信息技術(shù)與網(wǎng)絡安全， 2020， 39（10）： 44-48. DOI： 10.19358/j.issn.2096-5133.2020.10.009.

[20] MURO C， ESCOBEDO R， SPECTOR L， et al. Wolf-pack （canis lupus） hunting strategies emerge from simple rules in computational simulations[J]. Behavioural Processes， 2011， 88： 192-197. DOI： 10.1016/j.beproc.2011.09.006.

[21] 瘙 塁 ENAL F A， GKE F， YKSEL A S， et al. A novel hybrid PSO-GWO algorithm for optimization problems[J]. Engineering with Computers， 2018， 35： 1379-1373. DOI： 10.1007/s00366-018-0668-5.

[22] MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software， 2014， 69： 46-61. DOI： 10.1016/j.advengsoft.2013.12.007.

（編輯 趙勉）