共查询到14条相似文献，搜索用时 109 毫秒
1.
为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。 相似文献
2.
为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。 相似文献
3.
为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的. 相似文献
4.
基于PSO的BP神经网络-Markov船舶交通流量预测模型 总被引：3，自引：0，他引：3
为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。 相似文献
5.
为提高船舶交通量的预测精度,在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测,求出相对残差值,将相对残差的前8项归一化后划分为3个状态,利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%,12.3%]降低至[-9.9%,5.4%].该模型能提高船舶交通量的预测精度,用于预测船舶交通量是可行的. 相似文献
6.
针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network, ChebNet)和长短期记忆网络(long short-term memory, LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。 相似文献
7.
超大型油船(very large crude carrier，VLCC)目的港预测对海运原油流向预测以及货源地未来运力估计具有重要作用。针对VLCC的AIS目的港信息存在缺失、更新不及时、不准确等现象，提出一种基于隐马尔科夫模型的VLCC目的港预测方法。分析船舶AIS轨迹数据，得到油船历史停靠港口序列；根据VLCC轨迹提取习惯航路，以航路中的交叉点为依据设置观测线；利用船舶航行轨迹数据判断船舶是否经过观测线以及经过观测线的方向，对不同方向分别计算船舶在挂靠港间的转移概率矩阵和船舶挂靠港与观测线间的输出概率矩阵，建立VLCC目的港预测模型并进行预测。研究结果表明：在大多数情况下VLCC目的港预测的准确率可以达到70%以上；航线越固定、运行越规律的船舶，预测准确率越高；船舶越靠近目的港，预测越准确；重载状态下的船舶目的港预测更准确。 相似文献
8.
为提升船舶能耗和排放估测的准确性和灵活性,提出面向船舶自动识别系统(automatic identification system, AIS)大数据的完全自下而上的船舶能耗和排放估测新方法。该方法视船舶为一种基于船舶航迹的线排放源,在构建船舶网格化轨迹模型的基础上,考虑每个网格航段的持续时间和发动机负载,实现船舶能耗和排放的精细化建模,统一船舶排放总量和空间分布计算。实船应用表明,该方法可提供更加准确的船舶能耗估计,并可灵活计算各种航行状态、船队规模和时空尺度的能耗和排放清单。 相似文献
9.
为提高船舶进出交通流密集区域的安全性、解决数据挖掘不充分的问题,基于AIS数据,将多种算法相结合,提出一种多元化的船舶交通流框架提取方法。利用Douglas-Peucker压缩算法和航迹交会算法分别提取交通流中的船舶转向点和航迹交会点。利用密度聚类算法对包括船位点在内的3种特征点进行数据挖掘,提取出更有代表性的特征点。将3种特征点进行加权融合,得到新的多元特征点,以点的大小表示其重要程度,最终生成某水域的船舶交通流框架。实验结果表明,通过以上方法能够获得老铁山水道附近水域船舶交通流框架。该框架融合了多种航迹特征点,能够显示附近水域的重要航迹分布,充分体现船舶交通流的总体态势和密集区域;该框架从统计学角度凝结了该水域船舶行驶的习惯航线,这些航线具有较好的适航度,既可用于航路规划,还能为海事部门选取推荐航道提供参考。 相似文献
10.
陶源 《上海海事大学学报》2002,23(3):27-31
通过分析AIS技术所提供的他船数据的性能和作用 ,提出了解决长期困扰自动避碰决策技术发展的两个问题 (即他船信息来源的可靠性问题和船舶间航行、避碰意图互相通报的问题 )的办法。还提出了将AIS作为自动避碰决策系统的他船数据信息来源的设想 ,并分析了这种设想的可行性。介绍了在AIS数据的支持下 ,上述困扰自动避碰决策技术研究多年的两个问题得到解决的情况 ;分析了AIS数据中的新信息 ,例如他船状态信息 (操限船、失控船、限于吃水船等 )和他船避碰意图发现的新方法 (实时监控他船动向 )等AIS优于ARPA的数据功能对于自动避碰决策的作用 ,并研究了其应用方法 相似文献
11.
为提高惯性导航系统(inertial navigation system, INS)与全球卫星导航系统(global navigation satellite system, GNSS)相结合的组合导航系统在GNSS中断期间的精度,提出一种基于递归模糊小波神经网络(recurrent fuzzy wavelet neural network, RFWNN)的启发式神经网络结构,用于INS的速度和位置误差补偿。在GNSS正常工作时,利用INS-GNSS数据将RFWNN训练成一个高精度的预测模型;在GNSS中断期间,利用被训练好的RFWNN模型补偿INS的速度和位置误差。为对所提出的RFWNN辅助INS-GNSS的性能进行评估,进行实船试验,结果表明利用RFWNN能够有效地对GNSS中断时的速度和位置信息进行高精度修正。 相似文献
12.
针对当前船舶自动识别系统(automatic identification system,AIS)数据存在大量错误和缺失的问题,通过匹配AIS数据丢失时间制定完备AIS数据库,采用改进的Hausdorff距离公式融合轨迹空间相似度与船舶航行速度相似度,采用相似轨迹作为最小二乘支持向量机(least squares support vector machine,LSSVM)算法的输入样本,通过数据训练得到的回归模型对AIS数据进行修复。采用实际数据进行验证。结果显示,本文提出的基于粒子群优化(particle swarm optimization,PSO)的LSSVM算法能够准确还原AIS数据。结果可以提高AIS数据的连续性和完整性。 相似文献
13.
为提高船舶市场趋势预测的精度,针对以往在神经网络应用时仅单纯改进隐层环节算法的局限性,综合模糊聚类方法、数据修正和插值算法,对输入环节的数据进行降维和增量处理,构建船舶市场趋势预测的三阶段模型.首先,利用模糊聚类方法对历史数据进行分类,降低数据非线性;然后,通过数据修正和插值算法,在不改变数据规律的情况下增加每类数据的数据量;最后,利用处理完毕的数据训练神经网络.实例结果证明,三阶段模型在船舶市场趋势预测方面是有效的. 相似文献
14.
为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。 相似文献