一种基于GAN的多船轨迹预测方法

为更好地预测船舶密集水域多船会遇避碰场景中的船舶轨迹,基于生成式对抗网络思想,提出一种多船轨迹预测模型——Vessel-GAN。针对船舶轨迹特点,Vessel-GAN模型基于时序卷积网络的多船历史轨迹编解码、船舶交互特征提取、终点信息引导和避碰损失函数等技术,通过在历史轨迹上的对抗训练,实现了能够拟合船舶航行行为数据分布的多船预测轨迹生成。基于琼州海峡近5000万条由AIS数据构建的船舶交互数据集的实验表明,相较Social-GAN基准模型,Vessel-GAN在计算速度方面提升了36%,平均位移精度、终点位移精度分别提升28%、41%,生成的多船预测轨迹更加符合船舶真实行为特征,且具有更好的预测实时性和稳定性。

基于改进ESN的内河航道水位预测模型

为提高内河航道水位预测速度和准确性,提出基于改进回声状态网络(ESN)的预测模型,引入Xavier方法进行权重优化以适应水位预测任务,同时,引入概念漂移检测方法(EDDM)适应实际水位环境,监测水位数据的分布变化,在检测到概念漂移时触发相应的模型更新或适应策略,提高对现实水位的预测效果。对九个水位站的数据实验结果显示,本文模型相较传统序列预测模型(SVM、RNN、GRU、LSTM、ESN及XESN(Xavier⁃ESN)),在整体预测性能以及短期、中期、长期预测中,对每个水位站的预测均表现出更高的预测精度,进一步提升了内河航道水位的预测精度。