一种并行LSTM-FCN模型在船舶航迹预测中的应用

摘要：

航迹预测是保障船舶航行安全、提高海洋交通管制效能、高效搜索海面目标的关键技术.为提高船舶航迹预测精确度,针对航迹特征多维度的特点,提出一种并行LSTM-FCN(parallel LSTM-FCN,PLSTM-FCN)模型.该模型有效结合LSTM模型对时间序列数据长期趋势预测的优势和全卷积网络(FCN)模型擅于提取时间序列数据细节变化规律的特点,通过并行结构设计保证相同训练效率下提取特征参数翻倍,实现较高精确度的高维航迹数据特征提取和趋势预测.基于动态时间规整算法和拉依达准则的船舶历史航迹数据预处理方法,可提高PLSTM-FCN模型从不同类型船舶历史航迹中深度学习航行趋势和转弯细节的效率.基于船舶自动识别系统(AIS)数据的仿真实验结果表明,PLSTM-FCN模型对多维特征船舶航迹预测的精确度明显优于传统循环神经网络.

关键词：船舶航迹预测、深度学习、长短时记忆网络、全卷积神经网络、船舶自动识别系统

所属期刊栏目：37

分类号：TP183(自动化基础理论)

在线出版日期：2022-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1955-1961