基于大數(shù)據(jù)的船舶航跡智能預(yù)測(cè)研究

王珊珊 梁同樂

（1、廣東輕工職業(yè)技術(shù)學(xué)院 信息技術(shù)學(xué)院，廣東 廣州510300 2、廣東郵電職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)學(xué)院，廣東 廣州510630）

為了研究性能更好的船舶航跡智能預(yù)測(cè)方法，傳統(tǒng)方法一以參考文獻(xiàn)[1]的研究?jī)?nèi)容，提出一個(gè)基于接收信號(hào)強(qiáng)度指示的測(cè)量定位技術(shù)。該方法利用神經(jīng)網(wǎng)絡(luò)GRNN 快速訓(xùn)練稀疏數(shù)據(jù)集，然后利用卡爾曼濾波KF 修正預(yù)測(cè)目標(biāo)[1]。傳統(tǒng)方法二則以文獻(xiàn)[2]提出的觀點(diǎn)為創(chuàng)新，將信息序列值作為神經(jīng)網(wǎng)絡(luò)輸入向量，采用一種中心導(dǎo)航濾波器，集中處理所有通道的預(yù)測(cè)信息，實(shí)現(xiàn)對(duì)船舶航跡的自動(dòng)化預(yù)測(cè)[2]。此次研究在上述兩種傳統(tǒng)方法的基礎(chǔ)上，提出基于大數(shù)據(jù)的船舶航跡智能預(yù)測(cè)研究方法。

1 基于大數(shù)據(jù)的船舶航跡智能預(yù)測(cè)方法

1.1 船舶運(yùn)動(dòng)和水動(dòng)力分析

將船舶的航行運(yùn)動(dòng)看成一個(gè)剛體運(yùn)動(dòng)，不考慮橫縱搖和垂蕩運(yùn)動(dòng)，計(jì)算方程式為：

公式中：g 表示船舶的質(zhì)量；gx、gy表示船舶在x 軸和y 軸方向的附加質(zhì)量；α 表示船舶縱蕩速度；β 表示船舶橫蕩速度；γ 表示船舶艏搖角速度；X1、Y1分別表示x 軸和y 軸方向的推力；Ni表示推力矩；X2、Y2分別表示不同方向的水動(dòng)力；N2表示水動(dòng)力矩；X3、Y3表示不同方向的環(huán)境干擾力；N3表示環(huán)境干擾力矩；K1、K2分別表示橫搖附加慣性矩和附加慣性矩。根據(jù)上述計(jì)算過(guò)程，實(shí)現(xiàn)對(duì)船舶運(yùn)動(dòng)和水動(dòng)力的分析。

1.2 基于大數(shù)據(jù)構(gòu)建船舶航跡智能跟蹤模型

根據(jù)大數(shù)據(jù)體量大、類型多等基本特征，構(gòu)建船舶航跡智能跟蹤模型。已知長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)LSTM是基于時(shí)間序列數(shù)據(jù)的，因此利用解析后特征數(shù)據(jù)里的時(shí)間間隔，表示輸入序列中軌跡點(diǎn)之間的時(shí)間間隔，保證船舶軌跡時(shí)刻的對(duì)應(yīng)性，下列公式為t 時(shí)刻下軌跡特征的表達(dá)式：

同樣采用離差標(biāo)準(zhǔn)化方法，對(duì)船舶航跡特征大數(shù)據(jù)進(jìn)行歸一化預(yù)處理，使得到的數(shù)據(jù)符合實(shí)際范圍和意義。此次構(gòu)建的模型神經(jīng)網(wǎng)絡(luò)，加入了時(shí)序的概念，擴(kuò)充了處理單位。因此通過(guò)該模型將神經(jīng)網(wǎng)絡(luò)的橫向操作，視為已發(fā)生的事。在訓(xùn)練過(guò)程中，LSTM模型的記憶模塊，實(shí)現(xiàn)對(duì)艦船航跡的智能跟蹤[3]。因此采用經(jīng)驗(yàn)公式確定估值，并將其作為初始值進(jìn)行試湊，選擇識(shí)別誤差最小的值作為長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)LSTM模型的節(jié)點(diǎn)數(shù)，至此在大數(shù)據(jù)特征下，實(shí)現(xiàn)對(duì)船舶航跡智能跟蹤模型的構(gòu)建。

1.3 自適應(yīng)預(yù)測(cè)算法獲取船舶航跡

利用構(gòu)建的模型跟蹤目標(biāo)數(shù)據(jù)時(shí)，需要鑒定某一時(shí)刻測(cè)量數(shù)據(jù)集與其他時(shí)刻測(cè)量數(shù)據(jù)集之間的關(guān)系，同時(shí)分析這兩個(gè)數(shù)據(jù)集合，是否屬于同一目標(biāo)的確認(rèn)結(jié)果。因此采用改進(jìn)后的自適應(yīng)預(yù)測(cè)算法，獲取船舶航跡。該算法首先利用殘差分析模型跟蹤結(jié)果和實(shí)際值之間的融合度；然后利用協(xié)方差匹配技術(shù)修正跟蹤參數(shù)，解決噪聲干擾問(wèn)題；最后在一個(gè)預(yù)測(cè)周期內(nèi)，加入模型的極限約束條件，預(yù)測(cè)模型追蹤下，預(yù)測(cè)船舶的下一時(shí)刻運(yùn)動(dòng)區(qū)域，至此實(shí)現(xiàn)基于大數(shù)據(jù)的船舶航跡智能預(yù)測(cè)方法。

2 實(shí)驗(yàn)

實(shí)驗(yàn)?zāi)M某一地區(qū)的海域特征，根據(jù)某一船舶的基本結(jié)構(gòu)參數(shù)和動(dòng)力參數(shù)，搭建仿真實(shí)驗(yàn)測(cè)試環(huán)境，將此次提出的預(yù)測(cè)方法作為實(shí)驗(yàn)A 組，將兩組傳統(tǒng)預(yù)測(cè)方法，分別作為實(shí)驗(yàn)B 組和實(shí)驗(yàn)C 組，通過(guò)仿真測(cè)試環(huán)境構(gòu)建的仿真場(chǎng)景，對(duì)比三組預(yù)測(cè)方法的性能。

表1 最優(yōu)經(jīng)度估計(jì)誤差統(tǒng)計(jì)結(jié)果（°/×10-5）

表2 最優(yōu)緯度估計(jì)誤差統(tǒng)計(jì)結(jié)果（°/×10-5）

保證實(shí)驗(yàn)測(cè)試條件一致，分別利用三個(gè)測(cè)試組對(duì)該航行軌跡進(jìn)行預(yù)測(cè)，表1 與表2 中的數(shù)據(jù)，分別為不同方法應(yīng)用下，最優(yōu)經(jīng)度估計(jì)誤差和最優(yōu)緯度估計(jì)誤差的統(tǒng)計(jì)結(jié)果。

根據(jù)表1 和表2 中的統(tǒng)計(jì)結(jié)果可知，實(shí)驗(yàn)A 組的預(yù)測(cè)精度更高一些，這是因?yàn)楦倪M(jìn)的自適應(yīng)算法在預(yù)測(cè)船舶航跡時(shí)，對(duì)存在噪聲干擾的信號(hào)進(jìn)行了修正，使基于大數(shù)據(jù)的跟蹤模型，能夠反饋更加真實(shí)的跟蹤數(shù)據(jù)，從而使自適應(yīng)算法獲得更為精準(zhǔn)的預(yù)測(cè)結(jié)果。證明了此次提出的船舶航跡智能預(yù)測(cè)方法，更加適用于艦船航行軌跡預(yù)測(cè)。

綜合上述測(cè)試結(jié)果來(lái)看，此次提出的預(yù)測(cè)方法，有更好的航跡預(yù)測(cè)效果。

結(jié)束語(yǔ)

此次提出的智能預(yù)測(cè)方法，對(duì)船舶航行過(guò)程中的特征進(jìn)行了詳細(xì)分析，結(jié)合大數(shù)據(jù)自身的特征，實(shí)現(xiàn)了對(duì)船舶航跡的智能預(yù)測(cè)，同時(shí)根據(jù)實(shí)驗(yàn)測(cè)試結(jié)果，論證了此次研究預(yù)測(cè)方法的性能更佳。但此次進(jìn)行的實(shí)驗(yàn)測(cè)試次數(shù)還不夠，將該方法應(yīng)用到實(shí)際測(cè)試環(huán)境中時(shí)，發(fā)現(xiàn)該方法預(yù)測(cè)航跡時(shí)的連續(xù)性不足，當(dāng)航行環(huán)境極為復(fù)雜時(shí)，會(huì)出現(xiàn)無(wú)預(yù)測(cè)結(jié)果和預(yù)測(cè)時(shí)間過(guò)長(zhǎng)的現(xiàn)象。因此在今后的工作中，可以對(duì)預(yù)測(cè)質(zhì)量和響應(yīng)時(shí)間進(jìn)行調(diào)整，進(jìn)一步優(yōu)化此次研究的預(yù)測(cè)方法。