交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。      

内河航运系统监管技术现状与展望

数字化、自动化及智能化监管技术是保障内河航运系统安全、高效及绿色运行的关键。从态势感知、事件监视及组织优化这3方面阐述内河航运系统监管技术研究现状，总结技术发展沿革与趋势，分析监管技术存在的不足。研究表明：内河航运监管态势感知研究伴随先进信息感知技术发展做适应性进步，从利用海事雷达技术捕捉船舶物理表象特征，逐步结合数据挖掘方法融合多源信息向多船态势感知和智能感知方向发展；事件监视研究起初受限于传感器设备感知水平不足而主要面向事件后分析，结合先进传感器技术和智能技术，逐渐向事件中检测和事件前预测方向发展；组织优化研究主要包括船舶运行空间优化方案和时间优化方案的制定，未来组织优化模型需考虑航道突发事件的影响，有利于推进组织运行方案的实际应用，更好地服务于海事监管需求。提炼内河航运系统多模式一体化融合感知网、全息场景图及智能管控系统构建的关键技术，面向未来新一代航运系统，探索内河航运平行监管模式，阐述内河要素物理及耦合关系平行建模和平行数据集建立与信息挖掘、平行监管及交互可视化等方面建设的核心内容，旨在采用基于数字孪生技术的虚实闭环交互机制实现内河航运系统的高效运行，为内河航运系统监管技术的研究与发展提出了创新方向。