索永峰，陈文科，杨神化，陈立媛

(集美大学航海学院，福建 厦门 361021)

0 引言

船舶自动识别系统(automatic identification system, AIS)显著提升了海上交通调度及港口管理能力，同时所积累的船舶轨迹数据通过数据挖掘可以得到包括微观的船舶行为模式和宏观的交通流特征，从而为港口工作安排部署提供科学量化依据。目前，关于船舶交通流量预测的理论方法较多，大多采用浅层交通流预测模型[1]，结构简单，误差较大，存在一定的局限性。船舶交通流具有非线性和不确定性等特点[2-3]，给海上交通领域内的船舶流量预测带来巨大挑战。随着人工智能及深度学习算法地不断发展，预测方法已由传统统计方法演变至数据驱动方法。在船舶交通流预测中，常用模型有两种：非参数模型和参数模型[4]。李晓磊等[5]将ARIMA(autoregressive integrated moving average model)模型运用于海上交通领域，通过分析季节对交通流的影响分析，改进ARIMA模型，完成船舶月交通流量预测，得到了良好的预测效果；LI等[6]运用结合模拟退火算法的SVM(support vector machines)模型预测船舶交通流量；ZHANG等[7]将遗传算法和SVM相结合，设计了船舶流量预测模型；LV等[8]将SAES应用于交通流预测，其预测结果比SVM、前馈反向传播神经网络(back propagation，BP)更好；刘承勇等[9]结合灰色理论与马尔可夫理论，运用于船舶交通流预测，将预测误差控制在10%以内。

本文根据港口条件及通航状况，利用解码和筛选后的AIS数据，构建以每4 h为间隔的船舶交通流量样本库，以此作为训练集，在预测模型中进行实验。经多次实验对比，得到模型最佳参数。……