[发明专利]一种基于GA-vSVR算法的船舶轨迹预测方法

说明书

本发明公开了一种基于GA‑vSVR算法的船舶轨迹预测方法，本发明可以凭借船舶的历史AIS数据，输出船舶在未来一段时间的轨迹。该模型首先将vSVR应用于船舶轨迹预测领域，并应用了遗传算法对其参数进行优化。通过在训练集与测试集上的结果对比，发现其有良好的预测能力，将其与PSO‑vSVR模型、GS‑vSVR模型、GA‑SVR模型的预测结果对比，发现本发明的模型的效果优于其他模型。使用本模型，对其他船舶的AIS数据实行模型建立与预测发现，本发明的模型用于较为良好的泛化能力。本发明避免海上事故的发生，提出了一种由遗传算法优化的改进支持向量回归，利用船舶航行的AIS数据来构建船舶轨迹预测模型。

技术领域

本发明属于船舶轨迹预测领域，具体涉及一种基于GA-vSVR算法的船舶轨迹预测方法。

背景技术

改进的支持向量回归(v-Support Vector Regression,vSVR)是支持向量回归(support vector regression,SVR)的一种，它基于VC维和结构风险最小化理论。当前的船舶轨迹预测技术大都选择SVR，而vSVR通过使用新参数v来最小化误差参数ε，这使参数的调整变得容易，预测结果变得更加精确。vSVR的任务内容为基于给定的训练集来实现对测试集的回归预测。船舶轨迹的预测流程如附图1所示，其涉及到船舶轨迹AIS数据的预处理与归一化，寻找最优化参数，训练模型，模型预测。在这之中的关键是寻找到模型的最优参数，以SVR模型为例，参数c、γ会对模型的预测性能产生较大影响，参数c控制模型的复杂度和学习能力，参数γ影响模型的泛化能力。惩罚系数C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低；相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强，参数γ也有相类似的作用。遗传算法(Genetic Algorithm，GA)常被用于寻找最优参数等优化问题，GA可以将目标问题的解编码成为染色体，通过不断的选择、交叉、变异产生所需要的个体，进而得到最优解。另一个关键是建立预测模型，传统的SVR需要事先确定参数ε，在某些情况下确定合适的ε是困难的，这限制了模型的预测能力。vSVR的参数v可以自动计算ε简化模型的构建难度。

发明内容

本发明的目的在于在于提供一种基于GA-vSVR算法的船舶轨迹预测技术。

本发明的目的通过如下技术方案来实现：

一种基于GA-vSVR算法的船舶轨迹预测方法，具体步骤如下：

步骤1：加载AIS数据并预处理；

预处理AIS数据，删去其中缺失的数据和不合理的数据；对得到的数据进行归一化，归一化区间为[0,1]；

步骤2：遗传算法搜索vSVR模型的参数；

将参数v固定在0.5，以保证拥有较快的计算速度与精度；参数c与参数γ则通过遗传算法来实现寻优；

步骤3：训练vSVR模型，模型预测；

将经过预处理的AIS数据导入模型中，划分好训练集与测试集，确定输入变量与输出变量，将历史时间、经度、纬度、航向、下一时刻的时间作为输入，下一时刻的经度、纬度分别作为输出；使用GA寻找到的最优c、γ，分别建立关于经度、纬度的vSVR模型；并用已经训练好的vSVR模型对测试集进行预测，得出预测结果后将其反归一化并输出。

进一步地，步骤1中将经过预处理的AIS数据归一化至[0,1]区间以降低样本数量级对预测精度的影响，归一化表达式为：

式中x_min'是样本点最小值，x_max是样本点最大值。