基于极限学习机的船舶航行行为预测

doi:10.3969/j.issn.1674-0696.2019.08.02

重庆交通大学学报（自然科学版） ›› 2019, Vol. 38 ›› Issue (08): 7-12.DOI: 10.3969/j.issn.1674-0696.2019.08.02

• 交通+大数据人工智能 • 上一篇下一篇

基于极限学习机的船舶航行行为预测

谢新连，陈紫薇，魏照坤，赵瑞嘉

(大连海事大学物流研究院，辽宁大连 116026)

收稿日期:2018-04-24 修回日期:2018-04-20 出版日期:2019-08-01 发布日期:2019-08-01
作者简介:谢新连(1956—)，男，辽宁大连人，教授，博士，主要从事交通运输规划与管理方面的研究。E-mail：xxlian@dlmu.edu.cn。通信作者：陈紫薇 (1994—)，女，辽宁沈阳人，硕士研究生，主要从事交通运输规划与管理方面的研究。E-mail：candice0527@sina.com。
基金资助:
国家重点研发计划项目 (2017YFC0805309)；国家自然科学基金项目(61473053)；中央高校基本科研业务费专项资金资助项目 (3132019303)

Ship Navigation Behavior Prediction Based on Extreme Learning Machine

XIE Xinlian, CHEN Ziwei, WEI Zhaokun, ZHAO Ruijia

(Logistics Research Institute, Dalian Maritime University, Dalian 116026, Liaoning, P. R. China)

Received:2018-04-24 Revised:2018-04-20 Online:2019-08-01 Published:2019-08-01

摘要/Abstract

摘要： 为提高海上监控系统效率，有效预测船舶航行行为，建立了基于极限学习机的船舶航行行为预测模型。该模型针对航行状态的改变(主要为转向或变速)，采取自动调整采样周期的方法更精准的训练网络，从而提高对船舶行为的预测精度。最后，利用琼州海峡的船舶自动识别系统(Automatic Identification System, AIS)信息将设计的预测模型与现有的灰色关联和BP模型进行对比。仿真结果表明：设计的算法有效地降低了船舶在转向及变速前后的预测误差；通过曼-惠特尼U检验证明，设计的基于极限学习机的船舶航行行为预测模型相比于传统BP神经网络及灰色关联模型，在预测精度方面具有更大的优势。

关键词: 交通运输工程, 船舶航行行为预测, 极限学习机, AIS信息, 曼-惠特尼U检验

Abstract: In order to improve the efficiency of marine monitoring system and predict ship navigation effectively, a prediction model of ship navigation behavior was established based on extreme learning machine. According to the change of navigation state (mainly for steering or speed change), the proposed model automatically adjusted the sampling period to train the network more accurately, so as to improve the prediction accuracy of ship behavior. Finally, using the information of the Automatic Identification System (AIS) in Qiongzhou Strait, the designed prediction model was compared with the current grey correlation and BP models. The simulation results show that the designed algorithm effectively reduces the prediction errors of ships before and after steering and speed change; through the Mann Whitney U test, it is proved that the proposed ship navigation behavior prediction model based on extreme learning machine has greater advantage in prediction accuracy, compared with the traditional BP neural network and grey correlation model.

Key words: traffic and transportation engineering, ship navigation behavior prediction, extreme learning machine, AIS information, the Mann-Whitney U test

中图分类号:

U675.7

谢新连，陈紫薇，魏照坤，赵瑞嘉. 基于极限学习机的船舶航行行为预测[J]. 重庆交通大学学报（自然科学版）, 2019, 38(08): 7-12.

XIE Xinlian, CHEN Ziwei, WEI Zhaokun, ZHAO Ruijia. Ship Navigation Behavior Prediction Based on Extreme Learning Machine[J]. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(08): 7-12.

参考文献

［1］ XIAO F , LIGTERINGEN H , GULIJK C V, et al. Comparison study on AIS data of ship traffic behavior［J］. Ocean Engineering, 2015, 95:84-93.
［2］ MASCARO S, NICHOLSO A E, KORB K B. Anomaly detection in vessel tracks using Bayesian networks ［J］. International Journal of Approximate Reasoning, 2014,
55(1): 84-98.
［3］ PERERA L P, OLIVEIRA P, SOARES C G. Maritime traffic monitoring based on vessel detection, tracking, state estimation, and trajectory prediction［J］. IEEE
Transactions on Intelligent Transportation Systems, 2012, 13(3): 1188-1200.
［4］魏照坤, 周康, 魏明,等. 基于AIS数据的船舶运动模式识别与应用［J］. 上海海事大学学报, 2016, 37(2): 17-22.
WEI Zhaokun, ZHOU Kang, WEI Ming, et al. Ship motion pattern recognition and application based on AIS data［J］.Journal of Shanghai Maritime University, 2016, 37
(2): 17-22.
［5］胡春芬. 利用Mehra自适应卡尔曼滤波进行船舶跟踪预测［J］. 舰船科学技术, 2016,38(11A): 52-54.
HU Chunfen. The ship tracking method based on Mehra adaptive Kalman filter ［J］. Ship Science and Technology, 2016, 38(11A): 52-54.
［6］ TONG Xiaopeng, CHEN Xu, SANG Lingzhi, et al. Vessel trajectory prediction in curving channel of inland river［C］//2015 International Conference on
Transportation Information and Safety. IEEE, 2015: 706-714.
［7］甄荣, 金永兴, 胡勤友,等. 基于AIS信息和BP神经网络的船舶航行行为预测［J］. 中国航海, 2017, 40(2): 6-10.
ZHEN Rong, JIN Yongxing, HU Qinyou, et al.Vessel behavior prediction based on AIS data and BP neural network［J］. Navigation of China, 2017, 40(2): 6-10.
［8］ SIMSIR U, ERTUGRUL S. Prediction of manually controlled vessels position and course navigating in narrow waterways using Artificial Neural Networks［J］.
Applied Soft Computing, 2009, 9(4): 1217-1224.
［9］ ZISSIS D, XIDIAS E K, LEKKAS D. Real-time vessel behavior prediction ［J］. Evolving Systems, 2016, 7(1): 29-40.
［10］ HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks［C］//2004 IEEE International Joint
Conference on Neural Networks. IEEE, 2004: 985-990.
［11］ ZHAO Yongping, SONG Fangquan, PAN Yingting, et al. Retargeting extreme learning machines for classification and their applications to fault diagnosis of
aircraft engine ［J］. Aerospace Science and Technology, 2017, 71:603-618.
［12］ WAN Yihe, SONG Shiji, HUANG Gao, et al. Twin extreme learning machines for pattern classification ［J］. Neurocomputing, 2017，260:235-244.
［13］ SOKOLOV-MLADENOVI S, MILOVAN EVI M, MLADENOVI I, et al. Economic growth forecasting by artificial neural network with extreme learning machine based on
trade, import and export parameters ［J］. Computers in Human Behavior, 2016, 65: 43-45.
［14］ LIMA A R, CANNON A J, HSIEH W W. Forecasting daily streamflow using online sequential extreme learning machines ［J］. Journal of Hydrology, 2016, 537: 431
-443.
［15］ MAO Shangbo, TU Enmei, ZHANG Guanghao, et al. An automatic identification system (AIS) database for maritime trajectory prediction and data mining
［C］//Proceedings of ELM-2016.Springer,2018:241-257.
［16］吴兆麟. 海上交通工程［M］. 大连:大连海运学院出版社, 1993.
WU Zhaolin.Marine Traffic Engineering ［M］. Dalian :Dalian Maritime College Press, 1993.
［17］徐婷婷, 柳晓鸣, 杨鑫. 基于BP神经网络的船舶航迹实时预测［J］. 大连海事大学学报, 2012,38(1): 9-11.
XU Tingting, LIU Xiaoming, YANG Xin. BP neural network-based ship track real-time prediction［J］. Journal of Dalian Maritime University, 2012,38(1): 9-11.

[1]	李晶1,2，钟鹏1，吕靖1,2. 基于系统动力学的陆港与城市经济互动研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 1-7.
[2]	李军1，朱云升2. 三角模糊层次分析的综合评价在黄河库区船舶安全评估中的应用[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 16-22.
[3]	邓萍1,2，宋莲1，黄承锋1,2. 三峡坝区过闸船舶拥堵成本测算及对坝区货物总价值影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 23-30.
[4]	程谦1 ，朱晓宁2 ，卢万胜3. 中长运距城际旅客出行方式选择行为模型——以高铁、民航为例[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 39-45.
[5]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[6]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[7]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[8]	杨庆芳1,2,3，王立强2，郑黎黎1,2,3，孟凡运2. 一种环形交叉口交通排放及燃油消耗模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 67-73.
[9]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[10]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[11]	张重阳,黄淑萍. 路网抗震可靠性及震后运输调度路径选择研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 43-51.
[12]	郭文文1，计明军2，祝慧灵3，周文杰2. 集装箱码头场桥调度优化模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 66-72.
[13]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[14]	孙元广1，茧敏2，金华2，陈绍宽2. 城市轨道交通列车故障救援延误计算与仿真[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 6-12.
[15]	王宏刚1,2，白朋1，邹庆茹2，赵玲1. 地铁车辆段股道运用优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 13-18.

基于极限学习机的船舶航行行为预测

Ship Navigation Behavior Prediction Based on Extreme Learning Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics