基于CNN-GRU的船舶轨迹预测

针对现有基于CNN、GRU及CNN-LSTM的船舶轨迹预测模型精度不高、运行时间较长等问题,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和门控循环单元(Gated Recurrent Unit, GRU)的船舶轨迹预测混合模型(CNN-GRU).构建了基于船舶AIS信息的船舶轨迹特征表达方法,以目标船舶连续4个时刻的轨迹特征值作为输入,以第5个时刻轨迹特征值作为输出,训练构建的CNN-GRU轨迹预测网络,对未来船舶轨迹进行预测,并与现有模型进行对比.实例验证表明：CNN-GRU模型的预测精度显著提升,经度误差不超过3×10^-5(°),纬度误差不超过5.5×10^-4(°),相较于CNN-LSTM模型,预测效率显著提高,运行时间减少19.1 s.     

考虑对地航速和航向的船舶典型轨迹提取方法

基于船舶自动识别系统(Automatic Identification System, AIS)数据的船舶典型轨迹挖掘需要经过两个重要步骤,一是压缩 AIS 数据,二是聚类压缩后的 AIS 数据。传统的DP(DouglasPeucker)压缩算法,只考虑船舶轨迹的压缩形状,忽视了船舶航行中其他重要信息。为解决此问题,把对地航速和航向加入到DP算法的压缩过程中。在AIS轨迹聚类方面,传统谱聚类方法只对船舶轨迹的位置进行相似性度量,没有考虑船舶轨迹的其他维度,针对此问题,提出多属性轨迹相似性度量方法。由于不同的输入参数影响着最终的聚类质量,引入Calinski-Harabasz指标评价谱聚类算法,实现聚类参数的自适应选择。利用山东威海水域的实际AIS数据进行实例研究,并与传统谱聚类算法做比较实验。实验结果表明,利用该方法提取到的典型轨迹符合真实水域的交通情况,相较于传统谱聚类方法具有更高的聚类质量。     

基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System,AIS)在实际应用中存在错误数据频发、数据丢包等问题,本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法,利用去噪实现轨迹重构,同时,实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐,将轨迹数据转化为轨迹矩阵,从而补全轨迹中的缺失值。由于补全结果存在非常大的误差,因此,引入PLR(Patch-Based Low-Rank Minimization)算法去噪,消除误差。同时,为进一步提升补全效果,通 过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF(Intrinsic Mode Function),并分别进行PLR去噪,合并去噪结果,得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象,通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性;并与 HALRTC(High-Accuracy Low-RankTensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较,结果表明,该方法相较于HALRTC等方法具有更高的精度,并在高损失率下表现出较好的重构效果。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

改进的Sliding Window在线船舶AIS轨迹数据压缩算法

分析了船舶AIS数据的时间序列特征与船舶操纵特性, 提出了改进的Sliding Window在线压缩算法; 计算了277艘船舶总计1 026 408个坐标点的AIS轨迹数据, 确定了合适的压缩阈值, 分析了距离阈值与角度阈值对算法压缩率的敏感程度; 根据压缩率图像的阶跃点, 推荐了高、中、低3个档位的距离阈值和1个角度阈值, 对比了Douglas-Peucker算法和改进Sliding Window算法的压缩率与压缩效率。试验结果表明: 随着压缩率的提高, 压缩后所剩下的点越来越少, 数据所保留下来的有用信息也越来越少; 压缩率与距离阈值、角度阈值均呈正比; 经量纲为1化处理的高、中、低档位压缩距离阈值分别为43%、38%、33%船长; 距离阈值为130m时, 角度阈值超过9°后压缩率平稳, 所以推荐角度阈值为9°, 与《海港总体设计规范》 (JTS 165—2013) 中风流压差角8°相接近; 随着距离阈值的增大, Douglas-Peucker算法和改进Sliding Window算法压缩率趋于相近, 当距离阈值为120 m时, Douglas-Peucker算法压缩率仅比改进Sliding Window算法高1.74%;在5种距离阈值的情况下, Douglas-Peucker算法运行所用的平均时间是改进Sliding Window算法的5.39倍; 随着数据量的增大, 2种算法压缩效率的差距更加明显。可见, 改进的Sliding Window算法能在降低压缩风险的同时大幅提高压缩效率, 可以在数据持续更新的状态下一直保持压缩状态, 与普通压缩模式相比, 系统所占用的资源更少, 处理效率更高, 可用于船舶轨迹数据处理、电子海图显示与对船舶关键行为特征提取等方面。     

基于在线有向无环图的船舶轨迹压缩算法

为了解决船舶轨迹数据的压缩问题, 提出了一种船舶轨迹在线压缩算法; 使用多次滑动推算船位判断方法清洗船舶轨迹, 使用在线有向无环图在干净轨迹上建立压缩路径树并输出采样点; 为了提高轨迹队列和路径树在内存中的查询速度, 使用哈希表对其进行管理; 为了验证提出算法的效果, 比较了真实船舶自动识别系统数据与方向保留算法、道格拉斯-普克算法的压缩时间和误差, 采用可视化方法分析了原始轨迹、清洗轨迹和压缩轨迹。试验结果表明: 在压缩时间方面, 方向保留算法和道格拉斯-普克算法的压缩时间分别约为提出算法的1.1、1.3倍, 说明提出的算法比其他2种算法的处理时间更短; 提出的算法在压缩过程中保留了时间信息, 平均同步欧氏距离误差在任何压缩率下都能保持在10 m以下, 最大同步欧氏距离误差在压缩率为1%时仅有127 m, 而其他2种算法的平均同步欧氏距离误差和最大同步欧氏距离误差不受控制, 会随机变化; 在垂直距离误差方面, 提出的算法与道格拉斯-普克算法在压缩率不小于5%的条件下, 都能保证垂直距离误差小于20 m, 而方向保留算法的垂直距离误差会随机变化; 在显示效果方面, 提出的算法能有效清除轨迹噪声点, 压缩轨迹能够较好地代表原始轨迹的宏观交通流情况。可见, 提出的算法能更高效地保留原始轨迹的形状和时间信息。     

基于GRNN的船舶阻力预测

文章通过介绍广义回归神经网络(GRNN)的原理及其非线性拟合的能力,建立了基于GRNN的船舶阻力预测模型。本文将该模型运用到Taylor系列船舶剩余阻力预测中,得出预测结果。通过与实际阻力比较,得出预测阻力的相对误差在5%之内的百分比为93.98%,最后本文通过预测插值后的数据,得出相对误差在5%以内占85.38%。由此可以看出,GRNN预测船舶阻力有很高的精度和较强的泛化能力,为船舶阻力的预测提供了一种简便的预测方法。     

考虑船舶废气排放的港口群协同泊位分配研究

为了减少船舶在港区的废气排放及促进港口群泊位资源的优化配置,本文建 立了双港泊位分配协同优化模型,通过优化两港泊位分配和船舶在两港间的航速来降低 燃油消耗量和总延误时间,并探讨了限速策略的影响.采用将船舶燃油消耗函数分段线性 化的方法,将模型转化为混合整数线性规划模型.仿真实验表明,相比于传统的以计划延 误时间最小化为目标的单港泊位分配模型,双港协同优化模型不仅能够进一步优化两港 总的延误时间,而且能够明显减少船舶燃油消耗量.这从运作层面为提高港口群整体服务 水平、建设绿色港口提供了理论支持.     

考虑集装箱流恢复的班轮运输船期恢复模型

为降低干扰事件对班轮运输服务的不良影响,本文研究了班轮运输中的船期干扰恢复问题.涉及4种船期恢复策略:调整航速、缩短在港时间、交换港口挂靠顺序和取消港口挂靠.当采取"取消港口挂靠"策略时,考虑集装箱流恢复问题,建立了船期恢复问题的混合整数非线性规划数学模型,并采用LINGO软件和遗传算法分别对模型进行求解.利用来自中远集装箱公司的实际案例,对模型和求解方法进行了验证,结果表明,所提模型和求解方法是正确有效的,能够为班轮公司提供科学的干扰管理决策支持.     

货车轨迹数据在公路货运系统中应用研究综述

随着轨迹数据可获取性及精度的持续提高,货车轨迹数据被广泛应用于公路货运系统的 规划与管理中,同时,人工智能和大数据分析技术的快速发展也为公路货运系统研究带来新的机 遇与挑战。本文全面梳理并总结了公路货运轨迹数据应用领域的相关研究,从基于轨迹数据的 货运出行信息辨识、货运系统关键特征预测、货运轨迹数据进一步应用3个方面回顾现有文献的 研究目标、主要内容和研究方法。通过文献分析发现：货运出行信息辨识研究聚焦于货运停留 点、车辆和货物、活动出行模式等热点主题,但现有辨识方法多移植于旅客出行研究,需要更多地 考虑货运出行的独特特征。在货运系统关键特征预测方面,研究者主要针对货运行程时间、空间 位置、出行需求等主题展开研究,并证明了基于轨迹数据预测货运特征的可行性,但预测时空范 围较为局限,需要根据具体的货运任务、货车司机特征和货运政策进行深入研究。此外,轨迹数 据也被应用于货运出行路径选择行为、货运停车休息行为、行驶安全、货运排放和能耗分析、货运 政策评估等研究。最后,在总结现有研究不足的基础上,本文认为未来研究应重点将货运轨迹数 据与其他多源数据相结合,从3个关键技术进行突破：一是针对货运实践个体,重点探索高效货车 驾驶员的出行特征和出行模式,并在货运系统中进行推广应用;二是针对交通运输新技术和新形 势,重点开发和优化自动驾驶技术和重大应急事件影响下的货运组织模式与策略;三是针对货运 供需关系及匹配机制,重点研究货运全流程供需状态辨识与预测,并结合深度学习等方法训练和 开发智能供需匹配模型,从而优化货运系统调度,助力社会散乱运力资源整合,提高货运系统的 综合效率。     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

考虑海上意外时间和合作协议的班轮运输船期设计鲁棒优化

针对考虑海上意外时间的集装箱班轮运输船期设计问题,依据海上意外时间经验数据,设 置航行缓冲时间比例系数。运用连续最优控制原理,求解各航段船舶航行时间细分区间上燃油 消耗最小的优化航速。结合多时间窗、多起讫时刻和多挂靠港口装卸效率合作协议,以班轮运输 服务总成本最小为目标,构建班轮运输船期设计非线性混合整数规划鲁棒优化模型,设计分段离 散化线性逼近算法求解模型。以AWE1(远东-美东1)航线为例,运用100个场景的数值进行模拟 验证。结果显示：与不考虑海上意外时间或无合作协议相比,考虑海上意外时间和合作协议的班 轮运输船期设计分别降低班轮运输服务总成本14.65%和3.54%。研究表明,在恶劣天气和海况 对船舶航行影响较大的航线上或季节里,基于合作协议,设计考虑航行意外时间的鲁棒性船期, 可实现船公司、港口和客户三方共赢。