论文阅读：基于LSTM的船舶航迹预测模型

论文阅读：基于LSTM的船舶航迹预测模型

论文下载：https://download.csdn.net/download/qq_33302004/15449386

目录

1. 摘要

2. 文章段落主要内容概括

3. 预测模型

4. 实验

5. 主要贡献和有趣的思想

---

1. 摘要

2. 文章段落主要内容概括

第一章 引言：介绍了一些传统的预测方法（包括卡尔曼滤波、竞争神经网络、灰度预测、马尔科夫链等），表示由于船舶运动具有复杂性，传统建立数学方程的方法难以完成准确预测；而后又介绍了BP网络的预测方法，其问题是由于网络泛化能力有限、易陷入局部极小值点、无法在时间序列上建模；引出使用DL来处理时序输入问题。

第二章 RNN-LSTM循环神经网络结构：主要介绍了RNN和LSTM 的网络结构、数学推导，属于背景知识介绍，详细的大家可以看原文。

第三章 基于RNN-LSTM的船舶轨迹预测模型：介绍了使用的航迹数据、预测方式、数据预处理和输出数据处理方式、LSTM网络的预测时序步长的选择、LSTM层神经元个数的选择。

第四章 模型验证及分析：进行了LSTM和GA-BP神经网络的对比实验，进行了LSTM神经元数量参数选择、预测时序步长参数选择的对比实验，最终给出了5项预测属性的预测误差。

3. 预测模型

对于某一时刻的船舶考虑五项特征：速度、航向、经度、纬度、时间。

预测时使用连续n个时刻的船舶航迹特征数据预测下一时刻的航迹特征数据。

训练时首先对输入数据进行归一化处理，而后输入LSTM网络，LSTM网络分为输入层、隐含层、输出层，输入层和输出层神经元的个数特征数据的维度决定，在训练过程中LSTM层隐含神经元的个数对网络的预测精度有较大影响，隐含层节点数量的取值经验公式如下：

最终确定隐含层神经元数量为12，使用连续3个时刻的船舶航迹特征数据预测下一时刻的特征数据。

4. 实验

实验所用数据：

LSTM网络的参数设置：

GA-BP网络的参数配置：

两种算法的对比结果：

针对LSTM隐含层节点数量的实验：

针对不同step对神经网络模型的预测精度实验：

递归预测未来5个时刻航迹点的结果：

不同特征最终的预测误差：

5. 主要贡献和有趣的思想

① 神经网络突出的学习能力可以让我们省略系统建模这一步骤，特别适合规律未知或者不确定的情况。

② 船舶航迹预测本质上时运用RNN-LSTM循环神经网络的回归问题。

③ 在训练过程中LSTM层神经元个数对网络预测精度有较大影响。

④ 结合遗传算法可以客服原有BP网络的缺陷。

⑤ RNN-LSTM模型在考虑船舶航迹的预测问题时加入了一个时间维度，使RNN-LSTM模型也能学习到关于不同时间间隔的船舶航迹运动趋势，更契合船舶预测回归问题。

⑥ 这篇文章中的方法是连时间一起预测的，并不是按照等间隔输入，预测等间隔输出，这是一个很有趣的做法。