张玉人 龚志猛

（1.中国科学院福建物质结构研究所 福州 350608）（2.华信咨询设计研究院有限公司 杭州 310052）

1 引言

船舶在开阔的航道区间内航行时，很难用一个确定的线性关系去描述船舶的运动情况。通常，研究人员采用马尔科夫过程来建立船舶航行轨迹预测非线性系统模型，但该模型结合轨迹数据建立多特征模型的复杂度较高，也无法记忆较长历史时间跨度的信息［1］。而神经网络通过模拟人脑的神经网络基本结构进行自主学习与训练，能够较好地完成非线性数据的处理工作，具有优异的非线性拟合能力。船舶航行过程中，由于GPS设备采集到的数据具有时序性，而且地理位置之间存在着上下文关联，使得循环神经网络（RNN）应用成为可能。利用RNN 学习当前环境和既有时刻基础上的船舶运动规律，然后进行航迹预测。这既避免了传统算法中繁杂的建模过程，又保证了所建立的模型符合实际逻辑。一个完善的RNN 模型可以预测任意复杂、期望的序列，但标准的循环神经网络模型不能存储过多的历史信息［2～3］。在一定的历史时间跨度下，历史记忆的长短关乎模型预测的准确度。基于上述考虑，为了能够记忆更长历史时间跨度的信息，并能在一定误差范围内运行稳定，本文采用了基于长短型记忆循环神经网络（RNN-LSTM）模型来预测船舶下一位置。并不是每个历史轨迹点位都是重要的，只有在一段时间内有诸多点位数据聚集在某个区域才有意义，这个区域也称为目标位置。……