基于DE-SVM的船舶航跡預測模型

劉嬌 史國友 楊學錢 朱凱歌

摘要：為提高船舶航跡預測精度，解決準確建模難度大和神經網絡易陷入局部最優的問題，考慮實時獲取目標船AIS數據較少的特點，提出一種基于支持向量機（support vector machine， SVM）的航跡預測模型。選擇AIS數據中的航速、航向和船舶經緯度作為樣本特征變量;采用小波閾值去噪的方法處理訓練數據;采用差分進化（differential evolution， DE）算法對模型內部參數尋優以提高模型收斂速度和預測精度。選取天津港實船某段航跡的AIS數據，比較基于DE-SVM與基于BP神經網絡的航跡預測模型的仿真結果。結果表明，基于DE-SVM的航跡預測模型具有更高的預測精度，簡單、可行、高效，且耗時少。

關鍵詞： 航跡預測; 支持向量機（SVM）; 差分進化（DE）算法; AIS; BP神經網絡

中圖分類號： U675.79 ? ?文獻標志碼： A

Abstract： In order to improve the accuracy of ship trajectory prediction， and solve the problem that accurate modeling is difficult and the neural network is prone to fall into local optimum， considering the fact that the target ship AIS data acquired in real time are less， a ship trajectory prediction model based on support vector machine （SVM） is proposed. The ship speed， course， longitude and latitude in AIS data are selected as sample feature variables， and the wavelet threshold denoising method is adopted to process the training data. The differential evolution （DE） algorithm is used to optimize the internal parameters of the model to improve the convergence speed and prediction accuracy of the model. The AIS data of a certain section of ship trajectory in Tianjin Port is selected， and the simulation results using the ship trajectory prediction models based on DE-SVM and BP neural network are compared. The results show that the ship trajectory prediction model based on DE-SVM is of higher prediction accuracy， it is simple， feasible and efficient， and it takes less time.

Key words： ship trajectory prediction; support vector machine （SVM）; differential evolution （DE） algorithm; AIS; BP neural network

0 引 言

隨著經濟全球化的飛速發展，航運作為全球貿易最主要的載體發揮著重要的作用。船舶作為海上重要的交通運輸工具，為經濟發展和社會進步作出了巨大貢獻。然而，船舶的大型化與多樣化發展給海上航行帶來了極大的安全隱患。據相關部門統計，近年來平均每年有200多艘船發生海上事故，其中有一半以上是由船舶間碰撞引起的。通過調查海上碰撞事故發現，實際海上航行時船舶會遇情況往往十分復雜，尤其是在多船避碰時，由于目標船的操船意圖不明，無法做出實時、有效的避碰決策是導致海上碰撞事故頻發的重要原因之一。考慮到上述因素，在進行避碰決策時不能僅憑借當前航行信息得出結論，應考慮目標船將來一段時間的航行行為，使避碰決策具有一定的前瞻性，有效提高避碰決策的可靠性，降低碰撞危險。因此，提出一種高精度并可實時預測船舶航跡的模型是現階段亟待解決的問題。

目前航跡預測通常采用傳統的馬爾科夫模型[1-2]、粒子濾波算法[3]、模擬退火算法[4]、卡爾曼濾波算法[5-6]等，這些方法往往具有以下不足：首先，都需要建立船舶運動學方程，而風、流等水文環境因素會大大增加模型復雜度，增大建模難度;其次，根據海上避碰決策需求，航跡預測往往要求實時預測，而建立實時、準確的數學模型往往很難實現，很多只是適用于理想情況下的研究。隨著人工智能的迅速興起，更多機器學習算法也逐漸被應用到航跡預測中，其中較為常見的是神經網絡[7-8]，但是該算法易陷入局部最優，且在海上進行實時數據訓練建模時面臨數據量少導致訓練精度不夠的問題。

基于此，本文提出一種基于差分進化算法-支持向量機（differential evolution algorithm-support vector machine，DE-SVM）的船舶航跡預測模型，利用AIS信息中的航速、航向、船位點等作為模型樣本特征變量，實現多維航跡時間序列的預測，以便更好地獲悉他船動態，使避碰決策的生成具有一定的前瞻性。

1 相關概念

1.1 SVM體系

SVM是由Vapnik于1995年首次提出的一種新穎的非線性學習方法。SVM具備堅實的理論基礎，較好地實現了結構風險最小化原則，這是神經網絡等其他機器學習方法不具備的。它通過對凸二次規劃問題進行求解，在有限樣本學習能力與模型復雜SVM體系結構度之間尋求折中，以獲取最佳泛化性能。圖1為SVM體系結構圖，其中x（i）為輸入的自變量特征值，K為核函數，通過核函數將自變量x（i）映射到高維特征空間，在該特征空間進行線性回歸[9]，得到輸出Y。

3.3.4 不同航跡序列預測對比

為驗證模型的泛化性能，用DE-SVM算法對不同的航跡進行預測對比。任意選擇不同船舶的5條航跡，并任意選取5條航跡中的部分數據進行模型訓練和預測。5條航跡預測值與實際值對比見圖6，預測誤差見表6。從圖6可以粗略看出，航跡彎曲程度越大，DE-SVM模型預測精度越低，但總體來說，航跡點的預測值與實際值基本吻合。為進一步分析不同航跡序列的預測誤差，對表6進行分析，選取預測精度最低、彎曲程度最大的航跡2的預測結果進行分析，經度、緯度的最大絕對誤差為4.684 8×10-4°，即52.055 3 m，在誤差允許的范圍內可以滿足避碰需求。其他航跡的誤差均小于航跡2的誤差，可滿足避碰需求。綜上所述，DE-SVM航跡預測模型具有較好的泛化性，可以較好地運用到避碰中。

4 結束語

分析總結了目前船舶航跡預測方法存在的問題，考慮到支持向量機（SVM）良好的全局最優擬合性能以及適合小樣本訓練的特性，提出了一種基于SVM的離線航跡預測方法。選取AIS信息中的航速、航向、經度和緯度作為模型中的樣本特征變量，對海上航行船舶航跡時間序列進行預測，以便更好地獲悉他船目前以及將來一段時間的動態，使避碰決策的生成具有一定的前瞻性。由于本文的模型是離線模型，即假設所有數據一次性獲取，一旦模型訓練完畢無法修改，而海上AIS信息是基于速度和航向間歇性采集的，如果新獲取的AIS數據與原始樣本數據差別較大，則預測誤差較大。因此，建立基于增量式SVM航跡預測模型應是下一步探討的問題。

參考文獻：

[1] 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 （CNSM）. IEEE， 2016： 394-399. DOI： 10.1109/CNSM.2016.7818454.

[2] 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. IEEE， 2015： 706-714. DOI： 10.1109/ICTIS.2015.7232156.

[3] LE Qi， ZHENG Zhongyi. Trajectory prediction of vessels based on data mining and machine learning[J]. Journal of Digital Information Management， 2016， 14（1）： 33-40.

[4] 楊淑瑩， 吳濤， 張迎， 等. 基于模擬退火的粒子濾波在目標跟蹤中的應用[J]. 光電子·激光， 2011， 22（8）： 1236-1240. DOI： 10.16136/j.joel.2011.08.022.

[5] 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]. 現代電子技術， 2014， 37（5）： 97-100. DOI： 10.16652/j.issn.1004-373x.2014.05.007.

[6] PERERA L P， OLIVEIRA P， SOARES C G. Maritime traffic monitoring based on vessel detection， tracking， state estimation， and trajectory prediction[J]. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（3）： 1188-1200. DOI： 10.1109/TITS.2012.2187282.

[7] GAO Miao， SHI Guoyou， LI Shuang. Online prediction of ship behavior with automatic identification system sensor data using bidirectional long short-term memory recurrent neural network[J]. Sensors， 2018， 18： 4211. DOI： 10.3390/s18124211.

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

[9] YANG Youlong， CHE Jinxing， LI Yanying， et al. An incremental electric load forecasting model based on support vector regression[J]. Energy， 2016， 113： 796-808. DOI： 10.1016/j.energy.2016.07.092.

[10] 李響， 賈志偉. 基于DE算法的10 kV網架結構多目標規劃[J]. 中國電機工程學報， 2018， 38（s1）： 99-104. DOI： 10.13334/j.0258-8013.pcsee.180719.

[11] 王君， 陳智龍， 楊智勇， 等. 基于改進DE算法的工業機器人時間最優軌跡規劃[J]. 組合機床與自動化加工技術， 2018（6）： 42-46. DOI： 10.13462/j.cnki.mmtamt.2018.06.012.

[12] 查進道. 一種基于DE-SVR的逼近算法及其在CPI預測中的應用[J]. 科技通報， 2012， 28（12）： 39-41. DOI： 10.13774/j.cnki.kjtb.2012.12.037.

[13] XU Xiaobo， LIU Wenxia， ZHOU Xi， et al. Short-term load forecasting for the electric bus station based on GRA-DE-SVR[C]//2014 IEEE Innovative Smart Grid Technologies -Asia （ISGT ASIA）. IEEE， 2014： 388-393. DOI： 10.1109/ISGT-Asia.2014.6873823.

[14] 羅永豪. 基于AIS數據的船舶航行軌跡預測[D]. 廣州： 華南理工大學， 2017.

[15] 盧輝斌， 李丹丹， 孫海艷. PSO優化BP神經網絡的混沌時間序列預測[J]. 計算機工程與應用， 2015， 51（2）： 224-229， 264.

（編輯 趙勉）