典型文献
交汇水域船舶轨迹预测与航行意图识别
文献摘要：
针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法.设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型.同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化.以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87％,不确定性估计覆盖率达85.7％.与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6％,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展.
文献关键词：
交通安全;交汇水域;轨迹预测;数据驱动;意图识别;不确定性估计
中图分类号：
作者姓名：
王知昊;元海文;李维娜;肖长诗
作者机构：
武汉工程大学电气信息学院 武汉 430205;武汉理工大学智能交通系统研究中心 武汉 430063;武汉理工大学国家水运安全工程技术研究中心 武汉 430063;山东交通学院威海海洋信息科学与技术研究院 山东 威海 264200
文献出处：
引用格式：
[1]王知昊;元海文;李维娜;肖长诗-.交汇水域船舶轨迹预测与航行意图识别)[J].交通信息与安全,2022(04):101-109
A类：
B类：
交汇水域,船舶轨迹预测,意图识别,水上交通,交通场景,CNN+LSTM,组合神经网络,历史轨迹,编码器,通航环境,船舶航行,时空特征,全连接层,解码器,同步输出,来时,航路,识别模型,Dropout,结构描述,预测不确定性,核心网络,网络部,分神,列作,AIS,轨迹数据,采样频率,输入条,预测误差,mile,识别准确率,不确定性估计,船舶操纵性,智能航行,海事监管,监管技术,交通安全
AB值：
0.274771
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
