基于LSTM与注意力机制的船舶航迹预测模型研究

刘成勇， 乔文杰， 陈蜀喆， 万 一

(1.武汉理工大学 航运学院， 武汉 430063； 2.湖北省内河航运技术重点实验室， 武汉 430063)

随着航运业的迅速发展，内河通航水域中持续面临着如船舶交通密度增大、危险货物载量增加、水上交通管理难度增大等严峻挑战，这些挑战使得水域通航环境愈发复杂，是内河航运业保持可持续发展的潜在阻碍和难题。而安全可靠的船舶航迹预测能为内河水上交通安全管理和船舶航行提供重要依据[1]，如Dejun提出基于船舶航迹预测的船舶碰撞避免方法[2]，即首先将目标船和本船的实时数据进行航迹预测，然后将预测结果应用到船舶避碰中，以提前识别出船舶的危险情况。内河水上交通管理部门也能通过获取船舶准确有效的航迹预测数据，及时发现并处理船舶航行异常和不规范的问题，同时采取相应的策略来提高内河船舶通行的效率和安全。基于AIS数据的船舶航迹预测研究也是当前内河船舶交通流研究中的热点，传统统计理论研究方法的有如姜佰辰等提出了在传统卡尔曼滤波理论的基础上构建多项式卡尔曼滤波器拟合非线性系统[3]，补偿航迹定位数据信息缺失、更新较慢等问题，并基于经纬度信息预测船舶运动轨迹，但此类模型对数据的质量要求较高，且预测精度一般。随着神经网络的广泛使用，出现了如徐婷婷等使用经度差、纬度差、船速和航向四个特征设计了基于三层BP神经网络的航迹预测模型[4]，该模型训练预测后结果表明该算法预测精度高、算法耗时短、计算参数少，符合VTS对航迹预测的准确、实时、通用性的要求，但此类模型隐藏层单元较少且较为直接，模型表达能力有限。……