基于海洋遥感数据及AIS数据的轨迹预测研究

作     者：王思骏 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：贺彦林

授予年度：2024年

学科分类：0810[工学-信息与通信工程] 08[工学] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理] 

主      题：AIS数据 海洋遥感数据 LSTM Seq2Seq架构 轨迹预测 

摘      要：随着全球化形式的不断加剧,国际贸易总量飞速增长,其中海路运输一直是国际贸易不可或缺的一环。随着航海事业的高速发展,面对的风险也随之增加。海洋环境的变化和复杂的航行状况导致船舶的航行安全愈发难以保障。其中探索船舶轨迹在复杂海域航行过程中的行为模式,可以规划船舶航行的路线,避免航行过程中的意外发生。 基于数据驱动的轨迹预测是规划船舶航线的重要方法之一。传统的轨迹数据分析和轨迹预测算法使用的数据大多为基于航行轨迹采样的时序数据。这些数据只考虑到船舶自动识别系统(AIS)数据解码得到的本身的时空特征属性,如航行时间、船舶位置、航行状态及船舶本身参数等时空信息,没有充分挖掘船舶航行的习惯特征。然而在真实的航行过程中,降雨、洋流、温度及海面浮藻等现实情况也会导致复杂多变的航行模式。因此对数据的片面分析会造成轨迹预测精度过差的问题,从而影响对船舶航线的规划。 本文针对上述问题,做出相应研究,主要内容如下: (1)提出了一套完备的轨迹预处理方案,将轨迹按照分类排序、去噪、停留点识别分段、缺失值补充和数据标准化的流程进行处理,使用真实轨迹数据,对相关算法的可用性进行可视化展示,为后续轨迹预测提供AIS数据支撑。 (2)提出了基于自编码器和主成分分析的海洋网格环境特征提取方法。从不同数据集分辨率出发,将海域划分网格后,基于自编码器进行无监督训练和升维操作,从而获取海洋网格环境的高维潜在表示。随后基于主成分分析进行数据降维,有效地保存了特征的全面性,解决了轨迹预测中环境特征挖掘不充分的问题。 (3)提出了一种基于序列到序列(Seq2Seq)架构的并行编码器和多导向解码器的轨迹预测模型。该模型的编解码器利用长短期记忆网络(LSTM)优化网络结构,其中编码器输入AIS数据提取的动态特征信息,解码器输入AIS数据提取的静态特征信息、网格环境信息和编码器输出的隐藏状态,最终循环输出了预测轨迹的位置信息。实验部分应用旧金山海域数据集,进行相关仿真实验及定性分析,结果表明,与其它模型相比,本文提出的模型在预测轨迹上具有更高的准确率。