于琛，付玉慧，张逸飞，王超

(大连海事大学 航海学院，辽宁大连116026)

船舶航迹预测方法主要分为基于物理运动模型的方法和基于学习模型的方法。总结国内外学者的研究现状[1-5]，大部分学者选用了单一预测模型，但每种类型的模型并不是在所有情况下都表现良好。为了克服单个模型的局限性，有学者提出组合预测的方法，如以LSTM为主、ARIMA(autoregressive integrated moving average model，ARIMA)为辅的组合短期飞行轨迹预测模型[6]。与单模型对比提升了预测的精确度。有学者提出利用LSTM挖掘飞行轨迹中的非线性关系并结合ARIMA挖掘飞行轨迹中的线性关系的组合预测模型，将时间序列分成线性序列与非线性序列，进一步提高了飞行轨迹预测的精度[7]。ARIMA在处理线性时间序列中取得了优良的效果，但对于非线性序列部分的信息无法进行捕捉。BIGRU神经网络是LSTM循环神经网络的变体，能够很好地学习到非线性序列信息，引入注意力机制对GRU神经网络进行权重训练，可以进一步提高预测精度。有学者提出基于BIGRU和自注意力机制的情感分析模型，将注意力机制与BIGRU结合相较于单BIGRU模型预测精度取得了较大的提升[8]。综合以上分析，提出一种基于ARIMA和注意力机制的神经网络组合模型。考虑AIS数据中线性因素及非线性因素对船舶轨迹预测的影响。利用ARIMA良好的线性因素学习能力，初步预测出下一时刻船舶轨迹坐标，进而提取出预测残差，将残差特征输入BIGRU神经网络，结合注意力机制挖掘AIS数据中非线性因素对船舶轨迹的影响。……