經濟全球化程度日益增大，各國經濟貿易往來頻繁帶動航運行業欣欣向榮，海域航道以及港口水域的負載增加，造成船舶交通阻塞、船舶碰撞事件事故頻發等問題。因此，準確獲取船舶航行實時動態信息，及時發現船舶異常軌跡情況并提前預測船舶的航行運動狀態，成為國內外學者的研究熱點。

隨著AIS系統的普及，現如今收到的AIS數據遠超預期，我國AIS系統大概每天收到AIS實時報文一億條，數據量爆炸的同時蘊含很多對船舶軌跡預測和減少船舶碰撞有用的信息。AIS發送的信息包括水上移動通信業務標識碼(Maritime Mobile Service identify,MMSI) ,船舶經緯度、船舶的對地航向和對地航速等。與雷達、聲納或閉路電視等傳統海事方法相比，AIS具有許多優勢，首先AIS消息幾乎以實時方式提供了其主機的豐富信息，其次AIS數據可以在很長的距離內發送和接收(從機載收發器的20海里到衛星接收器的上千海里)，且AIS受海洋和天氣等外部因素的影響較小，對AIS數據的有效利用能對船舶軌跡預測有非常重要的現實意義。

參考如下

(8條消息) LSTM模型 軌跡經緯度預測_Muzi_Water的博客-CSDN博客_軌跡預測模型

訓練

訓練集和測試機劃分

'''train and test dataes''' ship_data1 = pd.read_csv('D:\船舶軌跡預測\服務器實驗結果\ship trajectory prediction--can run/11_30_four_input.txt', sep=',', engine='python').iloc[:, 0:4].values dataset1 = ship_data1 train_size1 = int(len(dataset1)*0.8) test_size1 = len(dataset1)-train_size1 train1, test1 = dataset1[0:train_size1, :], dataset1[train_size1:len(dataset1), :] data1 = train1 ship_data2 = pd.read_csv('D:\船舶軌跡預測\服務器實驗結果/3_18新增實驗/ship1.txt', sep=',', engine='python').iloc[:, 0:4].values #data = pd.read_csv('D:/ship trajectory prediction--can run/11_30_four_input.txt', sep=',', engine='python') dataset2 = ship_data2 train_size2 = int(len(dataset2)*0.8) test_size2 = len(dataset2)-train_size2 train2, test2 = dataset2[0:train_size2, :], dataset2[train_size2:len(dataset2), :] data2 = train2 data = np.vstack((data1, data2))

'''創建變量X,Y'''

def create_dataset(data, n_predictions, n_next):'''對數據進行處理'''dim = data.shape[1]# train_X是n個經緯度, train_Y是下一個（n+1）經緯度train_X, train_Y = [], []for i in range(data.shape[0] - n_predictions - n_next - 1):a = data[i:(i + n_predictions), :]train_X.append(a)tempb = data[(i + n_predictions):(i + n_predictions + n_next), :]b = []for j in range(len(tempb)):for k in range(dim):b.append(tempb[j, k])train_Y.append(b)train_X = np.array(train_X, dtype='float64')train_Y = np.array(train_Y, dtype='float64')return train_X, train_Y

定義模型

def trainModel(train_X, train_Y):# trainX，trainY: 訓練LSTM模型所需要的數據model = Sequential()model.add(LSTM(80,activation='tanh',input_shape=(train_X.shape[1], train_X.shape[2]),# 將輸出維度傳遞給下一層LSTM輸入return_sequences=False))# 1000個神經元大概300被置為0model.add(Dropout(0.2))# model.add(LSTM(# 120,# return_sequences=False))# model.add(Dropout(0.3))model.add(Dense(train_Y.shape[1]))model.add(Activation("tanh"))# 方法用于在配置訓練方法時，告知訓練時用的優化器、損失函數和準確率評測標準model.compile(loss='mse', optimizer='adam', metrics=['acc'])fig1 = plt.figure(figsize=(12, 8))history = model.fit(train_X, train_Y, epochs=500, batch_size=16, verbose=2)plt.plot(history.history['loss'])plt.title('model loss')plt.ylabel('loss')plt.xlabel('epoch')plt.show()model.summary()return model

主函數

if __name__ == "__main__":train_num = 5per_num = 1# set_range = Falseset_range = True # 生成訓練數據 train_X, train_Y = create_dataset(data, train_num, per_num) # train_X, train_Y, test_X, test_Y = create_dataset(data, train_num, per_num) print("x\n", train_X.shape) print("y\n", train_Y.shape)# 訓練模型 # train_X, train_Y放進去訓練 model = trainModel(train_X, train_Y) loss, acc = model.evaluate(train_X, train_Y, verbose=2) print('Loss : {}, Accuracy: {}'.format(loss, acc * 100))# 保存模型 np.save(".2022_03_18_lstm_model_trueNorm.npy", normalize) model.save(".2022_03_18_lstm_model.h5")

軌跡對比

?

總結

以上是生活随笔為你收集整理的船舶轨迹预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。