吴春鹏，冯姣

(南京信息工程大学 电子与信息工程学院，南京 210044)

随着船舶运输行业的发展，船舶碰撞事件也急剧增加，如何通过技术手段提前预知船舶将行进位置，避开事故高发地或者隐藏障碍地，成为国内外学者的研究热点。

在船舶轨迹预测方面，有学者采用BP(back propagation)神经网络预测船舶航迹，得到的预测较为准确[1-2]，但BP网络是将一个时间步内所有数据一并输入网络，缺乏对船舶轨迹时序性的体现。有学者运用循环神经网络(LSTM,GRU)对船舶轨迹进行预测，最终预测结果相对于BP网络有明显提升[3-6]，但依然存在单一模型预测精度低的问题。有学者分别将LSTM或Bi-LSTM与注意力机制、CNN结合[7-8]，增加网络复杂度，从而提高预测精度。为进一步提升预测精度，提出将LSTM和BP结合的复合LSTM(Composite LSTM，C-LSTM)船舶轨迹预测模型，利用BP神经网络对LSTM网络的输出进行误差修正，并针对经纬度高精度的预测要求，提出运用最新的自适应优化算法AMS代替主流自适应优化算法ADAM来优化整个系统模型。

1 理论基础

1.1 BP神经网络

在神经网络设置合适权值和合理结构后，可以使用误差梯度下降优化算法来最小化输出值和真实值之间误差，以达到逼近各种非线性连续函数效果，具有一层隐藏层的BP神经网络见图1。

图1 BP神经网络

神经网络输入与输出之间关系为

(1)

式中：l为隐藏层节点数；k为输入层节点数；σ为激活函数，此处为sigmoid函数。

1.2 LSTM网络

LSTM(long short-term memory)是一种时间循环神经网络，是为解决一般RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。……