基于 AIS 数据的实时船舶轨迹预测模型构建

压缩轨迹算法

再航道上的应用，为什么再航道上好，如何证明，不同方法之间的效率比较

航道轨迹压缩之前有什么问题，在那里不合适，不合适到什么程度，自己的算法解决了什么问题，解决到了什么程度

提出问题—找到解决问题的方法—解决了没有—解决到了什么程度

2、要解决什么问题

3、算法在那个部分改进，结果怎么样

4、算法对比、指标评价

多船影响下的船舶预测轨迹对比，应用于船舶碰撞

研究目标：达到什么精度、解决了什么问题

拟解决的问题，关键技术：不能写到其他地方

• 背景

通过轨迹分析找到异常船舶，发现非法捕鱼、非法排油等违法行为

避免碰撞、搁浅

港口船舶调度，船舶的引导，避免阻塞

船舶航线选择

预测船舶行驶轨迹，提高交通管理系统的效率

流量监控、预测

船舶跟踪、预警

• AIS 预处理方案 ( 轨迹提取、分类、过滤、压缩 )

核密度估计（KDE）、卷积自动化器（CAE）

模糊C-Means聚类

K-means聚类

插值

EMD 模型

FA-DBSCAN 聚类

轨迹分割、频繁数据挖掘

非监督分类、聚类

根据相邻两点之前的速度过滤

网格聚类

• 轨迹预测方案

扩展 seq2seq，LSTM + GRU

LSTM + GAN

BP 网络

LSTM

高斯过程模型

人工神经网络（ANN）模型（即船舶速度，装载能力，自我重量预测船舶的轨迹，最大功率和水位）

反向传播（BP）神经网络

LSTM + ETC_BLSTM + A-BLSTM

Hausdorff 距离 + LSSVM回归模型

BP 网络 + GA（遗传算法），PSO（占群优化），ACO（蚁群优化），DE（差分演进）和 GA -pso

多项式逻辑回归 + 高斯过程回归模型

ANN 模型

SRU神经网络

规则挖掘算法 Apriorall

TPNET + LSTM

空间插值预测下一个位置

双向LSTM（Bi-LSTM）神经网络

结合 AMS 的 C － LSTM

ＲＮＮ + ＬＳＴＭ

生成对抗网络的预测（GAN-AI 模型）

改进 seq2seq

多项式卡尔曼滤波

• 问题

未考虑天气因素、风向、浪高的影响，大部分基于船舶位置、航速、航向进行研究

轨迹长时间预测问题

主要针对航道、港区、海上某一个方面进行的研究

基于单个船舶的预测，没有考虑旁边船舶的影响