論文閱讀：基于LSTM的船舶航跡預測模型

論文下載：https://download.csdn.net/download/qq_33302004/15449386

目錄

1. 摘要

2. 文章段落主要內容概括

3. 預測模型

4. 實驗

5. 主要貢獻和有趣的思想

---

1. 摘要

2. 文章段落主要內容概括

第一章 引言：介紹了一些傳統的預測方法（包括卡爾曼濾波、競爭神經網絡、灰度預測、馬爾科夫鏈等），表示由于船舶運動具有復雜性，傳統建立數學方程的方法難以完成準確預測；而后又介紹了BP網絡的預測方法，其問題是由于網絡泛化能力有限、易陷入局部極小值點、無法在時間序列上建模；引出使用DL來處理時序輸入問題。

第二章 RNN-LSTM循環神經網絡結構：主要介紹了RNN和LSTM 的網絡結構、數學推導，屬于背景知識介紹，詳細的大家可以看原文。

第三章 基于RNN-LSTM的船舶軌跡預測模型：介紹了使用的航跡數據、預測方式、數據預處理和輸出數據處理方式、LSTM網絡的預測時序步長的選擇、LSTM層神經元個數的選擇。

第四章 模型驗證及分析：進行了LSTM和GA-BP神經網絡的對比實驗，進行了LSTM神經元數量參數選擇、預測時序步長參數選擇的對比實驗，最終給出了5項預測屬性的預測誤差。

3. 預測模型

對于某一時刻的船舶考慮五項特征：速度、航向、經度、緯度、時間。

預測時使用連續n個時刻的船舶航跡特征數據預測下一時刻的航跡特征數據。

訓練時首先對輸入數據進行歸一化處理，而后輸入LSTM網絡，LSTM網絡分為輸入層、隱含層、輸出層，輸入層和輸出層神經元的個數特征數據的維度決定，在訓練過程中LSTM層隱含神經元的個數對網絡的預測精度有較大影響，隱含層節點數量的取值經驗公式如下：

最終確定隱含層神經元數量為12，使用連續3個時刻的船舶航跡特征數據預測下一時刻的特征數據。

4. 實驗

實驗所用數據：

LSTM網絡的參數設置：

GA-BP網絡的參數配置：

兩種算法的對比結果：

針對LSTM隱含層節點數量的實驗：

針對不同step對神經網絡模型的預測精度實驗：

遞歸預測未來5個時刻航跡點的結果：

不同特征最終的預測誤差：

5. 主要貢獻和有趣的思想

① 神經網絡突出的學習能力可以讓我們省略系統建模這一步驟，特別適合規律未知或者不確定的情況。

② 船舶航跡預測本質上時運用RNN-LSTM循環神經網絡的回歸問題。

③ 在訓練過程中LSTM層神經元個數對網絡預測精度有較大影響。

④ 結合遺傳算法可以客服原有BP網絡的缺陷。

⑤ RNN-LSTM模型在考慮船舶航跡的預測問題時加入了一個時間維度，使RNN-LSTM模型也能學習到關于不同時間間隔的船舶航跡運動趨勢，更契合船舶預測回歸問題。

⑥ 這篇文章中的方法是連時間一起預測的，并不是按照等間隔輸入，預測等間隔輸出，這是一個很有趣的做法。

總結

以上是生活随笔為你收集整理的论文阅读：基于LSTM的船舶航迹预测模型的全部內容，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。