一种基于GA-vSVR算法的船舶轨迹预测方法

本发明属于船舶轨迹预测领域，具体涉及一种基于ga-vsvr算法的船舶轨迹预测方法。

背景技术：

1、改进的支持向量回归(v-support vector regression,vsvr)是支持向量回归(support vector regression,svr)的一种，它基于vc维和结构风险最小化理论。当前的船舶轨迹预测技术大都选择svr，而vsvr通过使用新参数v来最小化误差参数ε，这使参数的调整变得容易，预测结果变得更加精确。vsvr的任务内容为基于给定的训练集来实现对测试集的回归预测。船舶轨迹的预测流程如附图1所示，其涉及到船舶轨迹ais数据的预处理与归一化，寻找最优化参数，训练模型，模型预测。在这之中的关键是寻找到模型的最优参数，以svr模型为例，参数c、γ会对模型的预测性能产生较大影响，参数c控制模型的复杂度和学习能力，参数γ影响模型的泛化能力。惩罚系数c越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低；相反，减小c的话，容许训练样本中有一些误分类错误样本，泛化能力强，参数γ也有相类似的作用。遗传算法(genetic algorithm，ga)常被用于寻找最优参数等优化问题，ga可以将目标问题的解编码成为染色体，通过不断的选择、交叉、变异产生所需要的个体，进而得到最优解。另一个关键是建立预测模型，传统的svr需要事先确定参数ε，在某些情况下确定合适的ε是困难的，这限制了模型的预测能力。vsvr的参数v可以自动计算ε简化模型的构建难度。

技术实现思路

1、本发明的目的在于在于提供一种基于ga-vsvr算法的船舶轨迹预测技术。

2、本发明的目的通过如下技术方案来实现：

3、一种基于ga-vsvr算法的船舶轨迹预测方法，具体步骤如下：

4、步骤1：加载ais数据并预处理；

5、预处理ais数据，删去其中缺失的数据和不合理的数据；对得到的数据进行归一化，归一化区间为[0,1]；

6、步骤2：遗传算法搜索vsvr模型的参数；

7、将参数v固定在0.5，以保证拥有较快的计算速度与精度；参数c与参数γ则通过遗传算法来实现寻优；

8、步骤3：训练vsvr模型，模型预测；

9、将经过预处理的ais数据导入模型中，划分好训练集与测试集，确定输入变量与输出变量，将历史时间、经度、纬度、航向、下一时刻的时间作为输入，下一时刻的经度、纬度分别作为输出；使用ga寻找到的最优c、γ，分别建立关于经度、纬度的vsvr模型；并用已经训练好的vsvr模型对测试集进行预测，得出预测结果后将其反归一化并输出。

10、进一步地，步骤1中将经过预处理的ais数据归一化至[0,1]区间以降低样本数量级对预测精度的影响，归一化表达式为：

11、

12、式中xmin'是样本点最小值，xmax是样本点最大值。

13、进一步地，步骤2具体为：首先进行二进制编码，确定适应度函数的取值范围，确立精度及染色体编码长度，之后初始化种群；进化代数设置为50，种群数量设置为20，参数c与γ的搜索范围为[0,100]，交叉验证的折数为5；然后随机生成第一代种群；利用适应度函数评价种群，判断是否满足停止条件，若是则停止，输出最优解；否则继续进行操作；对种群进行选择、交叉、变异操作，得到下一代种群，重复上述步骤直到寻找到最优的参数c与参数γ，对其解码并输出。

14、本发明的有益效果在于：

15、本发明的目的是为了精确预测船舶轨迹，避免海上事故的发生，提出了一种由遗传算法优化的改进支持向量回归，利用船舶航行的ais数据来构建船舶轨迹预测模型。该模型对船舶的历史经度、纬度、时间、航向等信息给与充分关注。此外，本方法加强了预测模型的泛化能力，并在多条船舶的ais数据集上训练和验证了此模型，效果相对于以往的轨迹预测模型得到显著的提升。

16、本发明主要基于支持向量回归与遗传算法，提出了一种由遗传算法优化的改进的支持向量回归模型用于船舶轨迹预测。该方法可以凭借船舶的历史ais数据，输出船舶在未来一段时间的轨迹。该模型首先将vsvr应用于船舶轨迹预测领域，并应用了遗传算法对其参数进行优化。通过在训练集与测试集上的结果对比，发现其有良好的预测能力，将其与pso-vsvr模型、gs-vsvr模型、ga-svr模型的预测结果对比，发现本发明的模型的效果优于其他模型。使用本模型，对其他船舶的ais数据实行模型建立与预测发现，本发明的模型用于较为良好的泛化能力。

技术特征：

1.一种基于ga-vsvr算法的船舶轨迹预测方法，其特征在于：具体步骤如下：

2.根据权利要求书所述的一种基于ga-vsvr算法的船舶轨迹预测方法，其特征在于：步骤1中将经过预处理的ais数据归一化至[0,1]区间以降低样本数量级对预测精度的影响，归一化表达式为：

3.根据权利要求书所述的一种基于ga-vsvr算法的船舶轨迹预测方法，其特征在于：步骤2具体为：首先进行二进制编码，确定适应度函数的取值范围，确立精度及染色体编码长度，之后初始化种群；进化代数设置为50，种群数量设置为20，参数c与γ的搜索范围为[0,100]，交叉验证的折数为5；然后随机生成第一代种群；利用适应度函数评价种群，判断是否满足停止条件，若是则停止，输出最优解；否则继续进行操作；对种群进行选择、交叉、变异操作，得到下一代种群，重复上述步骤直到寻找到最优的参数c与参数γ，对其解码并输出。

技术总结
本发明公开了一种基于GA‑vSVR算法的船舶轨迹预测方法，本发明可以凭借船舶的历史AIS数据，输出船舶在未来一段时间的轨迹。该模型首先将vSVR应用于船舶轨迹预测领域，并应用了遗传算法对其参数进行优化。通过在训练集与测试集上的结果对比，发现其有良好的预测能力，将其与PSO‑vSVR模型、GS‑vSVR模型、GA‑SVR模型的预测结果对比，发现本发明的模型的效果优于其他模型。使用本模型，对其他船舶的AIS数据实行模型建立与预测发现，本发明的模型用于较为良好的泛化能力。本发明避免海上事故的发生，提出了一种由遗传算法优化的改进支持向量回归，利用船舶航行的AIS数据来构建船舶轨迹预测模型。

技术研发人员：尚晓兵,姜立超,张智,曾薄文,杨振亚
受保护的技术使用者：哈尔滨工程大学
技术研发日：
技术公布日：2024/1/11