基于時空特征融合的艦船航跡預測方法

郝延彪，萬浦波，王文博

（ 91001部隊，北京 100036）

近年來，隨著經(jīng)濟和社會發(fā)展，來往于各個海域和港口的艦船數(shù)量不斷增加，這給海域管控帶來了新的挑戰(zhàn)。只有對海域態(tài)勢實行有效地管控，才能及時、準確地對海面艦船進行跟蹤預測。同時，隨著觀測手段的增多，對于艦船軌跡的獲取也變得越來越容易，因此，迫切需要1種基于數(shù)據(jù)驅動的算法來提高艦船航跡預測的質量和效率。目前，已有一些學者對艦船航跡預測進行了研究。文獻[1]利用卡爾曼濾波算法對艦船航跡進行預測，但受到卡爾曼濾波對于非線性、非高斯運動目標難以處理的限制，該方法對機動艦船的航跡預測效果較差。文獻[2]采用擴展卡爾曼濾波算法（Extended Kalman Filter，EKF）[3]對艦船的運動狀態(tài)進行預測，使得算法對機動目標的預測能力大大提高。之后，文獻[4-5]分別使用支持向量機（Support Vector Machine，SVM）[6]和灰色預測模型[7]對艦船航跡進行預測，擴展了航跡預測方法。文獻[8]結合灰色模型和馬爾可夫過程對艦船航跡進行預測，不但能夠適用于非線性和非高斯的運動場景，而且具有較強的抗干擾能力。以上算法都需要利用專業(yè)知識構建目標的運動模型，并且需要大量的先驗信息才能準確預測航跡。在實際使用過程中，大多數(shù)艦船目標的運動模型難以構建，導致預測效果較差。針對這一問題，文獻[9-10]提出使用BP神經(jīng)網(wǎng)絡進行艦船航跡預測，雖有一定的效果，但由于BP 神經(jīng)網(wǎng)絡結構簡單，無法充分提取航跡信息，且無法對航跡時間相關關系準確建模，導致預測結果仍不理想。文獻[11]利用長短時記憶網(wǎng)絡（LSTM）[12]進行艦船航跡預測，但其僅考慮了航跡的時間序列屬性，缺少對航跡運動模式的有效建模，其性能仍有較大的提升空間。通過分析可知，航跡數(shù)據(jù)包含豐富的時間和空間信息，可以使用卷積神經(jīng)網(wǎng)絡（CNN）[13]提取空間信息，循環(huán)神經(jīng)網(wǎng)絡（RNN）[14]提取時間信息，然后根據(jù)提取到的航跡信息進行航跡預測。這一方法不但可以消除傳統(tǒng)方法需要大量先驗信息并構建復雜運動模型的弊端，而且符合目前大數(shù)據(jù)的發(fā)展趨勢。本文提出了基于時空特征融合的艦船航跡預測方法，通過構建基于CNNLSTM 的時空特征融合網(wǎng)絡，利用信息豐富且數(shù)據(jù)量大的AIS 數(shù)據(jù)進行網(wǎng)絡訓練和測試，解決艦船航跡預測問題。

1 問題描述

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

利用[t-10,t]之間的5 個航跡位置點作為神經(jīng)網(wǎng)絡的輸入，通過提取這一段航跡的時間特征和空間特征并進行融合，利用融合后的特征計算出下一時刻的位置矢量Xi(t+1) ，完成航跡預測。

2 時空特征融合網(wǎng)絡和預測方法

2.1 時空特征融合網(wǎng)絡

時空特征融合網(wǎng)絡通過聯(lián)合CNN和LSTM構建，CNN 提取航跡空間特征，LSTM 提取航跡時間特征，時空特征融合網(wǎng)絡的結構，如圖1所示。

圖1 時空特征融合網(wǎng)絡結構圖Fig.1 Schematic diagram of temporal-spatial feature fusion network

結構主要包括多尺度卷積網(wǎng)絡、殘差網(wǎng)絡、LSTM、融合網(wǎng)絡。多尺度卷積網(wǎng)絡針對艦船目標運動復雜的特點，設計卷積核大小分別為1、3、5 的一維卷積從多個尺度提取航跡空間特征，以提高網(wǎng)絡的特征提取能力。殘差網(wǎng)絡由3 個殘差塊[15]組成，用來精細提取航跡運動特征，提高網(wǎng)絡對于艦船復雜運動的魯棒性。每個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卷積層直接傳遞，從而減少了梯度消失的影響。LSTM 用來提取時間特征，LSTM 是RNN 的1 種 變 體，與 普 通 的RNN 相 比，LSTM 添加了門控機制，包括輸入門、遺忘門和輸出門，可以控制網(wǎng)絡中信息的傳遞。輸入門控制信息的流入；遺忘門控制信息的刪除；輸出門控制信息的輸出。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，只提取航跡的時間特征。融合網(wǎng)絡由3 個卷積核為5 的卷積層構成，其步長為2，經(jīng)過每1層的計算可使時空融合特征圖的維度降低，達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)絡預測結果帶來的影響，需要對AIS 數(shù)據(jù)進行歸一化處理。本文使用理查標準化進行歸一化，將AIS 數(shù)據(jù)中經(jīng)度、緯度、航速和航向分布歸一化為[0 ,1] ：

2.3 預測方法

本文提出的方法是利用神經(jīng)網(wǎng)絡提取并融合航跡中的時空特征，利用時空融合特征預測目標的運動速度，計算出下一時刻的目標位置，進而實現(xiàn)艦船的航跡預測。

假設網(wǎng)絡的輸入為經(jīng)過歸一化處理后的艦船航跡Ti，選取其中的5個航跡點，首先，經(jīng)過多尺度卷積網(wǎng)絡提取航跡空間特征，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、遺忘門、輸出門、記憶單元的網(wǎng)絡參數(shù)；bi，bf，bo，bC分別表示輸入門、遺忘門、輸出門、記憶單元的偏置；σ表示Sigmoid非線性激活函數(shù)[17]：

最后，將用預測位置前一時刻的航跡經(jīng)緯度位置矢量與預測的經(jīng)緯度運動距離相加，即可得到預測位置的經(jīng)緯度位置矢量：

網(wǎng)絡使用均方誤差（Mean-Square Error，MSE）作為損失函數(shù)，通過比較預測航跡點與真實航跡點之間的均方誤差，使得網(wǎng)絡參數(shù)不斷優(yōu)化，以實現(xiàn)預測位置與真實位置盡可能小的差異，

式（17）中：Li(t+1) 表示t+1 時刻真實的艦船航跡位置矢量；L?i(t+1) 表示t+1 時刻預測的艦船航跡位置矢量。

3 實驗驗證及分析

3.1 實驗數(shù)據(jù)和實驗環(huán)境

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

TIME/s 、LONGITUDE/(°) 、LATITUDE/(°) 、SOG/kn 、COG/(°)。實驗選取了10 000 條AIS 航跡數(shù)據(jù)作為原始航跡數(shù)據(jù)，隨機選取其中的8 000 條作為訓練集，2 000條作為測試集。

本實驗使用的計算機環(huán)境：中央處理器為Intel酷睿i9-9900k，主頻3.6 GHz，內存32 GB，操作系統(tǒng)為Ubuntu16.04，顯 卡 為Nvidia GTX 1080Ti，基 于Py-Torch深度學習框架[18]。

3.2 實驗方案和評價指標

經(jīng)過航跡數(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)輸入到時空特征融合網(wǎng)絡中進行航跡預測。實驗采用MSE 作為艦船航跡預測質量的評估指標，同時也給出可視化的預測結果。MSE的值越小，代表網(wǎng)絡預測的結果越準確。

通過與傳統(tǒng)航跡預測方法進行對比，驗證本文提出方法的有效性。傳統(tǒng)方法將預測時刻與前一時刻之間的運動看作勻速直線運動，通過前一時刻目標的速度與運動時間相乘得到目標的移動距離，從而得到預測結果。

3.3 實驗結果及分析

3.3.1 預測結果可視化分析

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空特征融合網(wǎng)絡的有效性，通過仿真實驗對本文方法和傳統(tǒng)預測方法的可視化結果進行對比。

利用AIS數(shù)據(jù)訓練時空特征融合網(wǎng)絡后保存模型參數(shù)，在測試集中選擇8個典型的艦船運動場景，對比2個網(wǎng)絡的航跡預測可視化結果如圖2所示。其中，藍色點跡表示真實的艦船航跡，紅色點跡表示預測的艦船航跡。

圖2 航跡預測的可視化結果Fig.3 Visualization results of track prediction

從圖2 中可以看出，時空特征融合網(wǎng)絡的預測航跡與真實航跡十分接近，但傳統(tǒng)方法的預測航跡與真實航跡差異較大。當艦船發(fā)生機動時，時空特征融合網(wǎng)絡仍能很好地預測艦船的航跡，但傳統(tǒng)方法預測的航跡會產生較大偏差，證明時空特征融合網(wǎng)絡能夠提取并融合航跡的時空特征，所得到的網(wǎng)絡能夠比較全面地擬合艦船的運動屬性，具有較好的航跡預測能力。

3.3.2 均方誤差分析

為了能夠定量對比和分析航跡的預測效果，對本文方法和傳統(tǒng)方法預測航跡的MSE 進行對比，MSE值小的表明此網(wǎng)絡具有更好的預測性能。

同樣，將3.3.1中的8個艦船運動場景的MSE進行對比，如圖3 所示。藍色曲線表示時空特征融合網(wǎng)絡的MSE；綠色曲線表示傳統(tǒng)方法的MSE。

圖3 各個場景的均方誤差曲線Fig.3 MSE curve of each scene

根據(jù)圖3，通過對MSE 大小進行比較，本文提出的艦船航跡預測網(wǎng)絡的MSE 遠遠小于傳統(tǒng)方法的MSE，證明本文提出的預測網(wǎng)絡的預測結果與真實值相比差別不大，預測結果精確。而傳統(tǒng)方法的預測結果與真實值相差較大，無法獲取可靠的預測結果。通過對MSE 的波動情況進行比較，本文提出網(wǎng)絡的MSE 沒有較大波動，而傳統(tǒng)方法的MSE 波動較大。通過與圖2對比觀察發(fā)現(xiàn)，傳統(tǒng)方法MSE的較大波動位置對應艦船發(fā)生機動時刻，證明本文提出的網(wǎng)絡可以適應艦船機動運動場景，并在艦船機動過程中預測結果也不會發(fā)生較大偏差，預測可靠性較好。以上實驗結果證明了時空特征融合網(wǎng)絡可以提取航跡時間特征和空間特征，與傳統(tǒng)方法相比，網(wǎng)絡能夠使MSE減少0.2～1.4，預測性能得到較大提升。

4 結論

本文提出了基于時空特征融合的艦船航跡預測方法，通過結合CNN和LSTM同時提取航跡的空間特征和時間特征，利用大量AIS數(shù)據(jù)訓練網(wǎng)絡模型，解決了艦船航跡預測，特別是艦船機動航跡預測這一較為困難的問題。利用典型AIS 場景和MSE 指標對網(wǎng)絡性能進行測試，測試結果表明，本文提出的網(wǎng)絡具有準確的艦船航跡預測能力，能夠適應艦船機動運動場景。與傳統(tǒng)方法的預測結果相比，該方法能夠使預測MSE減少0.2～1.4，使預測性能大大提高。