基于DE-SVM的船舶航迹预测模型.docxVIP

PAGE 1 - 基于DE-SVM的船舶航迹预测模型 基于DE-SVM的船舶航迹预报模型 1相关概念 1.1SVM体系 SVM是由Vapnik于1995年首次提出的一种新颖的非线性学习方法。SVM具备坚实的理论基础，较好地实现了结构风险最小化原则，这是神经网络等其他机器学习方法不具备的。它通过对凸二次规划问题进行求解，在有限样本学习能力与模型冗杂SVM体系结构度之间寻求折中，以猎取最正确泛化性能。图1为SVM体系结构图，其中x〔i〕为输入的自变量特征值，K为核函数，通过核函数将自变量x〔i〕映射到高维特征空间，在该特征空间进行线性回来[9]，得到輸出Y。 3.3.4不同航迹序列预报对比 为验证模型的泛化性能，用DE-SVM算法对不同的航迹进行预报对比。任意选择不同船舶的5条航迹，并任意选取5条航迹中的部分数据进行模型训练和预报。5条航迹预报值与实际值对比见图6，预报误差见表6。从图6可以粗略看出，航迹弯曲程度越大，DE-SVM模型预报精度越低，但总体来说，航迹点的预报值与实际值基本吻合。为进一步分析不同航迹序列的预报误差，对表6进行分析，选取预报精度最低、弯曲程度最大的航迹2的预报结果进行分析，经度、纬度的最大肯定误差为4.6848×10-4°，即52.0553m，在误差同意的范围内可以满足避碰需求。其他航迹的误差均小于航迹2的误差，可满足避碰需求。综上所述，DE-SVM航迹预报模型具有较好的泛化性，可以较好地运用到避碰中。 4结束语 分析总结了目前船舶航迹预报方法存在的问题，考虑到支持向量机〔SVM〕良好的全局最优拟合性能以及适合小样本训练的特性，提出了一种基于SVM的离线航迹预报方法。选取AIS信息中的航速、航向、经度和纬度作为模型中的样本特征变量，对海上航行船舶航迹时间序列进行预报，以便更好地获悉他船目前以及将来一段时间的动态，使避碰决策的生成具有肯定的前瞻性。由于本文的模型是离线模型，即假设全部数据一次性猎取，一旦模型训练完毕无法修改，而海上AIS信息是基于速度和航向间歇性采集的，假如新猎取的AIS数据与原始样本数据差异较大，则预报误差较大。因此，建立基于增量式SVM航迹预报模型应是下一步探讨的问题。