基于時(shí)空特征融合的艦船航跡預(yù)測(cè)方法

郝延彪，萬(wàn)浦波，王文博

（ 91001部隊(duì)，北京 100036）

近年來(lái)，隨著經(jīng)濟(jì)和社會(huì)發(fā)展，來(lái)往于各個(gè)海域和港口的艦船數(shù)量不斷增加，這給海域管控帶來(lái)了新的挑戰(zhàn)。只有對(duì)海域態(tài)勢(shì)實(shí)行有效地管控，才能及時(shí)、準(zhǔn)確地對(duì)海面艦船進(jìn)行跟蹤預(yù)測(cè)。同時(shí)，隨著觀測(cè)手段的增多，對(duì)于艦船軌跡的獲取也變得越來(lái)越容易，因此，迫切需要1種基于數(shù)據(jù)驅(qū)動(dòng)的算法來(lái)提高艦船航跡預(yù)測(cè)的質(zhì)量和效率。目前，已有一些學(xué)者對(duì)艦船航跡預(yù)測(cè)進(jìn)行了研究。文獻(xiàn)[1]利用卡爾曼濾波算法對(duì)艦船航跡進(jìn)行預(yù)測(cè)，但受到卡爾曼濾波對(duì)于非線性、非高斯運(yùn)動(dòng)目標(biāo)難以處理的限制，該方法對(duì)機(jī)動(dòng)艦船的航跡預(yù)測(cè)效果較差。文獻(xiàn)[2]采用擴(kuò)展卡爾曼濾波算法（Extended Kalman Filter，EKF）[3]對(duì)艦船的運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)，使得算法對(duì)機(jī)動(dòng)目標(biāo)的預(yù)測(cè)能力大大提高。之后，文獻(xiàn)[4-5]分別使用支持向量機(jī)（Support Vector Machine，SVM）[6]和灰色預(yù)測(cè)模型[7]對(duì)艦船航跡進(jìn)行預(yù)測(cè)，擴(kuò)展了航跡預(yù)測(cè)方法。文獻(xiàn)[8]結(jié)合灰色模型和馬爾可夫過(guò)程對(duì)艦船航跡進(jìn)行預(yù)測(cè)，不但能夠適用于非線性和非高斯的運(yùn)動(dòng)場(chǎng)景，而且具有較強(qiáng)的抗干擾能力。以上算法都需要利用專(zhuān)業(yè)知識(shí)構(gòu)建目標(biāo)的運(yùn)動(dòng)模型，并且需要大量的先驗(yàn)信息才能準(zhǔn)確預(yù)測(cè)航跡。在實(shí)際使用過(guò)程中，大多數(shù)艦船目標(biāo)的運(yùn)動(dòng)模型難以構(gòu)建，導(dǎo)致預(yù)測(cè)效果較差。針對(duì)這一問(wèn)題，文獻(xiàn)[9-10]提出使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行艦船航跡預(yù)測(cè)，雖有一定的效果，但由于BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，無(wú)法充分提取航跡信息，且無(wú)法對(duì)航跡時(shí)間相關(guān)關(guān)系準(zhǔn)確建模，導(dǎo)致預(yù)測(cè)結(jié)果仍不理想。文獻(xiàn)[11]利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）[12]進(jìn)行艦船航跡預(yù)測(cè)，但其僅考慮了航跡的時(shí)間序列屬性，缺少對(duì)航跡運(yùn)動(dòng)模式的有效建模，其性能仍有較大的提升空間。通過(guò)分析可知，航跡數(shù)據(jù)包含豐富的時(shí)間和空間信息，可以使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）[13]提取空間信息，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）[14]提取時(shí)間信息，然后根據(jù)提取到的航跡信息進(jìn)行航跡預(yù)測(cè)。這一方法不但可以消除傳統(tǒng)方法需要大量先驗(yàn)信息并構(gòu)建復(fù)雜運(yùn)動(dòng)模型的弊端，而且符合目前大數(shù)據(jù)的發(fā)展趨勢(shì)。本文提出了基于時(shí)空特征融合的艦船航跡預(yù)測(cè)方法，通過(guò)構(gòu)建基于CNNLSTM 的時(shí)空特征融合網(wǎng)絡(luò)，利用信息豐富且數(shù)據(jù)量大的AIS 數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試，解決艦船航跡預(yù)測(cè)問(wèn)題。

1 問(wèn)題描述

本文提出的基于時(shí)空特征融合的艦船航跡預(yù)測(cè)方法，是在給定大量歷史航跡數(shù)據(jù)的條件下，通過(guò)訓(xùn)練基于CNN-LSTM的神經(jīng)網(wǎng)絡(luò)模型，提取航跡的時(shí)間特征和空間特征，進(jìn)行艦船航跡短時(shí)預(yù)測(cè)。已知大量AIS（Automatic Identification System）數(shù)據(jù)中主要用到了艦船的經(jīng)度和緯度信息和時(shí)間信息。艦船信息表述如下：

利用[t-10,t]之間的5 個(gè)航跡位置點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)提取這一段航跡的時(shí)間特征和空間特征并進(jìn)行融合，利用融合后的特征計(jì)算出下一時(shí)刻的位置矢量Xi(t+1) ，完成航跡預(yù)測(cè)。

2 時(shí)空特征融合網(wǎng)絡(luò)和預(yù)測(cè)方法

2.1 時(shí)空特征融合網(wǎng)絡(luò)

時(shí)空特征融合網(wǎng)絡(luò)通過(guò)聯(lián)合CNN和LSTM構(gòu)建，CNN 提取航跡空間特征，LSTM 提取航跡時(shí)間特征，時(shí)空特征融合網(wǎng)絡(luò)的結(jié)構(gòu)，如圖1所示。

圖1 時(shí)空特征融合網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Schematic diagram of temporal-spatial feature fusion network

結(jié)構(gòu)主要包括多尺度卷積網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)、LSTM、融合網(wǎng)絡(luò)。多尺度卷積網(wǎng)絡(luò)針對(duì)艦船目標(biāo)運(yùn)動(dòng)復(fù)雜的特點(diǎn)，設(shè)計(jì)卷積核大小分別為1、3、5 的一維卷積從多個(gè)尺度提取航跡空間特征，以提高網(wǎng)絡(luò)的特征提取能力。殘差網(wǎng)絡(luò)由3 個(gè)殘差塊[15]組成，用來(lái)精細(xì)提取航跡運(yùn)動(dòng)特征，提高網(wǎng)絡(luò)對(duì)于艦船復(fù)雜運(yùn)動(dòng)的魯棒性。每個(gè)殘差塊由卷積核大小的分別為1、3、1的一維卷積層串聯(lián)而成，并在殘差塊的首尾添加殘差連接，使得空間特征可以越過(guò)卷積層直接傳遞，從而減少了梯度消失的影響。LSTM 用來(lái)提取時(shí)間特征，LSTM 是RNN 的1 種 變 體，與 普 通 的RNN 相 比，LSTM 添加了門(mén)控機(jī)制，包括輸入門(mén)、遺忘門(mén)和輸出門(mén)，可以控制網(wǎng)絡(luò)中信息的傳遞。輸入門(mén)控制信息的流入；遺忘門(mén)控制信息的刪除；輸出門(mén)控制信息的輸出。LSTM的輸出維度與輸入的空間特征圖的維度相同，即不改變特征圖的維度，只提取航跡的時(shí)間特征。融合網(wǎng)絡(luò)由3 個(gè)卷積核為5 的卷積層構(gòu)成，其步長(zhǎng)為2，經(jīng)過(guò)每1層的計(jì)算可使時(shí)空融合特征圖的維度降低，達(dá)到減少冗余信息的目的。

2.2 航跡數(shù)據(jù)歸一化處理

為了減小經(jīng)度、緯度、航速和航向之間數(shù)值分布差異給網(wǎng)絡(luò)預(yù)測(cè)結(jié)果帶來(lái)的影響，需要對(duì)AIS 數(shù)據(jù)進(jìn)行歸一化處理。本文使用理查標(biāo)準(zhǔn)化進(jìn)行歸一化，將AIS 數(shù)據(jù)中經(jīng)度、緯度、航速和航向分布?xì)w一化為[0 ,1] ：

2.3 預(yù)測(cè)方法

本文提出的方法是利用神經(jīng)網(wǎng)絡(luò)提取并融合航跡中的時(shí)空特征，利用時(shí)空融合特征預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)速度，計(jì)算出下一時(shí)刻的目標(biāo)位置，進(jìn)而實(shí)現(xiàn)艦船的航跡預(yù)測(cè)。

假設(shè)網(wǎng)絡(luò)的輸入為經(jīng)過(guò)歸一化處理后的艦船航跡Ti，選取其中的5個(gè)航跡點(diǎn)，首先，經(jīng)過(guò)多尺度卷積網(wǎng)絡(luò)提取航跡空間特征，提取到的特征可以表示為：

式（7）～（12）中：Wi，Wf，Wo，WC分別表示輸入門(mén)、遺忘門(mén)、輸出門(mén)、記憶單元的網(wǎng)絡(luò)參數(shù)；bi，bf，bo，bC分別表示輸入門(mén)、遺忘門(mén)、輸出門(mén)、記憶單元的偏置；σ表示Sigmoid非線性激活函數(shù)[17]：

最后，將用預(yù)測(cè)位置前一時(shí)刻的航跡經(jīng)緯度位置矢量與預(yù)測(cè)的經(jīng)緯度運(yùn)動(dòng)距離相加，即可得到預(yù)測(cè)位置的經(jīng)緯度位置矢量：

網(wǎng)絡(luò)使用均方誤差（Mean-Square Error，MSE）作為損失函數(shù)，通過(guò)比較預(yù)測(cè)航跡點(diǎn)與真實(shí)航跡點(diǎn)之間的均方誤差，使得網(wǎng)絡(luò)參數(shù)不斷優(yōu)化，以實(shí)現(xiàn)預(yù)測(cè)位置與真實(shí)位置盡可能小的差異，

式（17）中：Li(t+1) 表示t+1 時(shí)刻真實(shí)的艦船航跡位置矢量；L?i(t+1) 表示t+1 時(shí)刻預(yù)測(cè)的艦船航跡位置矢量。

3 實(shí)驗(yàn)驗(yàn)證及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)環(huán)境

本文所使用的是某海域的AIS數(shù)據(jù)。從數(shù)據(jù)庫(kù)導(dǎo)出并存儲(chǔ)為csv 格式，所用到的字段信息為：MMSI、

TIME/s 、LONGITUDE/(°) 、LATITUDE/(°) 、SOG/kn 、COG/(°)。實(shí)驗(yàn)選取了10 000 條AIS 航跡數(shù)據(jù)作為原始航跡數(shù)據(jù)，隨機(jī)選取其中的8 000 條作為訓(xùn)練集，2 000條作為測(cè)試集。

本實(shí)驗(yàn)使用的計(jì)算機(jī)環(huán)境：中央處理器為Intel酷睿i9-9900k，主頻3.6 GHz，內(nèi)存32 GB，操作系統(tǒng)為Ubuntu16.04，顯 卡 為Nvidia GTX 1080Ti，基 于Py-Torch深度學(xué)習(xí)框架[18]。

3.2 實(shí)驗(yàn)方案和評(píng)價(jià)指標(biāo)

經(jīng)過(guò)航跡數(shù)據(jù)的歸一化處理后，按照2.3 節(jié)所述的處理方法將航跡數(shù)據(jù)輸入到時(shí)空特征融合網(wǎng)絡(luò)中進(jìn)行航跡預(yù)測(cè)。實(shí)驗(yàn)采用MSE 作為艦船航跡預(yù)測(cè)質(zhì)量的評(píng)估指標(biāo)，同時(shí)也給出可視化的預(yù)測(cè)結(jié)果。MSE的值越小，代表網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果越準(zhǔn)確。

通過(guò)與傳統(tǒng)航跡預(yù)測(cè)方法進(jìn)行對(duì)比，驗(yàn)證本文提出方法的有效性。傳統(tǒng)方法將預(yù)測(cè)時(shí)刻與前一時(shí)刻之間的運(yùn)動(dòng)看作勻速直線運(yùn)動(dòng)，通過(guò)前一時(shí)刻目標(biāo)的速度與運(yùn)動(dòng)時(shí)間相乘得到目標(biāo)的移動(dòng)距離，從而得到預(yù)測(cè)結(jié)果。

3.3 實(shí)驗(yàn)結(jié)果及分析

3.3.1 預(yù)測(cè)結(jié)果可視化分析

為了得出本文所提方法和傳統(tǒng)方法之間的性能差異并證明本文所提時(shí)空特征融合網(wǎng)絡(luò)的有效性，通過(guò)仿真實(shí)驗(yàn)對(duì)本文方法和傳統(tǒng)預(yù)測(cè)方法的可視化結(jié)果進(jìn)行對(duì)比。

利用AIS數(shù)據(jù)訓(xùn)練時(shí)空特征融合網(wǎng)絡(luò)后保存模型參數(shù)，在測(cè)試集中選擇8個(gè)典型的艦船運(yùn)動(dòng)場(chǎng)景，對(duì)比2個(gè)網(wǎng)絡(luò)的航跡預(yù)測(cè)可視化結(jié)果如圖2所示。其中，藍(lán)色點(diǎn)跡表示真實(shí)的艦船航跡，紅色點(diǎn)跡表示預(yù)測(cè)的艦船航跡。

圖2 航跡預(yù)測(cè)的可視化結(jié)果Fig.3 Visualization results of track prediction

從圖2 中可以看出，時(shí)空特征融合網(wǎng)絡(luò)的預(yù)測(cè)航跡與真實(shí)航跡十分接近，但傳統(tǒng)方法的預(yù)測(cè)航跡與真實(shí)航跡差異較大。當(dāng)艦船發(fā)生機(jī)動(dòng)時(shí)，時(shí)空特征融合網(wǎng)絡(luò)仍能很好地預(yù)測(cè)艦船的航跡，但傳統(tǒng)方法預(yù)測(cè)的航跡會(huì)產(chǎn)生較大偏差，證明時(shí)空特征融合網(wǎng)絡(luò)能夠提取并融合航跡的時(shí)空特征，所得到的網(wǎng)絡(luò)能夠比較全面地?cái)M合艦船的運(yùn)動(dòng)屬性，具有較好的航跡預(yù)測(cè)能力。

3.3.2 均方誤差分析

為了能夠定量對(duì)比和分析航跡的預(yù)測(cè)效果，對(duì)本文方法和傳統(tǒng)方法預(yù)測(cè)航跡的MSE 進(jìn)行對(duì)比，MSE值小的表明此網(wǎng)絡(luò)具有更好的預(yù)測(cè)性能。

同樣，將3.3.1中的8個(gè)艦船運(yùn)動(dòng)場(chǎng)景的MSE進(jìn)行對(duì)比，如圖3 所示。藍(lán)色曲線表示時(shí)空特征融合網(wǎng)絡(luò)的MSE；綠色曲線表示傳統(tǒng)方法的MSE。

圖3 各個(gè)場(chǎng)景的均方誤差曲線Fig.3 MSE curve of each scene

根據(jù)圖3，通過(guò)對(duì)MSE 大小進(jìn)行比較，本文提出的艦船航跡預(yù)測(cè)網(wǎng)絡(luò)的MSE 遠(yuǎn)遠(yuǎn)小于傳統(tǒng)方法的MSE，證明本文提出的預(yù)測(cè)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與真實(shí)值相比差別不大，預(yù)測(cè)結(jié)果精確。而傳統(tǒng)方法的預(yù)測(cè)結(jié)果與真實(shí)值相差較大，無(wú)法獲取可靠的預(yù)測(cè)結(jié)果。通過(guò)對(duì)MSE 的波動(dòng)情況進(jìn)行比較，本文提出網(wǎng)絡(luò)的MSE 沒(méi)有較大波動(dòng)，而傳統(tǒng)方法的MSE 波動(dòng)較大。通過(guò)與圖2對(duì)比觀察發(fā)現(xiàn)，傳統(tǒng)方法MSE的較大波動(dòng)位置對(duì)應(yīng)艦船發(fā)生機(jī)動(dòng)時(shí)刻，證明本文提出的網(wǎng)絡(luò)可以適應(yīng)艦船機(jī)動(dòng)運(yùn)動(dòng)場(chǎng)景，并在艦船機(jī)動(dòng)過(guò)程中預(yù)測(cè)結(jié)果也不會(huì)發(fā)生較大偏差，預(yù)測(cè)可靠性較好。以上實(shí)驗(yàn)結(jié)果證明了時(shí)空特征融合網(wǎng)絡(luò)可以提取航跡時(shí)間特征和空間特征，與傳統(tǒng)方法相比，網(wǎng)絡(luò)能夠使MSE減少0.2～1.4，預(yù)測(cè)性能得到較大提升。

4 結(jié)論

本文提出了基于時(shí)空特征融合的艦船航跡預(yù)測(cè)方法，通過(guò)結(jié)合CNN和LSTM同時(shí)提取航跡的空間特征和時(shí)間特征，利用大量AIS數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，解決了艦船航跡預(yù)測(cè)，特別是艦船機(jī)動(dòng)航跡預(yù)測(cè)這一較為困難的問(wèn)題。利用典型AIS 場(chǎng)景和MSE 指標(biāo)對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試，測(cè)試結(jié)果表明，本文提出的網(wǎng)絡(luò)具有準(zhǔn)確的艦船航跡預(yù)測(cè)能力，能夠適應(yīng)艦船機(jī)動(dòng)運(yùn)動(dòng)場(chǎng)景。與傳統(tǒng)方法的預(yù)測(cè)結(jié)果相比，該方法能夠使預(yù)測(cè)MSE減少0.2～1.4，使預(yù)測(cè)性能大大提高。