论文研读 | 基于深度学习的水上交通预测——船舶交通流量预测篇

  水上交通预测可包括船舶轨迹预测和船舶交通流量预测。两者本质上都属于时间序列预测的范围，不过前者包含有经纬度等空间信息。目前主流方法集中在机器学习和深度学习，如何利用现有问题的结构和属性，开发强有力的方法以提高预测的精度，是水上交通预测的关键。

  本期主题为船舶交通流量预测，船舶交通流量预测可以预测特定水域内船舶密度的变化，判断是否可能发生拥塞，增加碰撞风险的概率。

基于时空属性和相似分组的深度学习船舶交通流量预测（Deep learning-powered vessel traffic flow prediction with spatial-temporal attributes and similarity grouping）

Yan Li,Maohan Liang ,Huanhuan Li,Zaili Yang c,Liang Du,Zhongshuo Chen.
Year: 2023, November.
Issue:Engineering Applications of Artificial Intelligence . Volume 126, Part B, November 2023, 107012.
Group: WuHan University.

01 背景介绍

1 问题背景

  船舶交通流量(Vessel Traffic Flow,VTF）是对如航道或港口水域活动水平的定量评估。其定义为给定时间单位内通过特定位置的船舶总数。船舶密度高表明目标区域的 VTF 数据突然增加或高于传统的历史值，从而增加船舶碰撞风险或造成航道拥堵。VTF 预测研究可以预测特定水域内船舶密度的变化，以判断是否可能发生拥堵并增加碰撞风险的概率。未来的 VTF 数据与历史数据的变化特征紧密相关，因此数据驱动预测方法是当前主流研究方向。AIS 数据可以帮助收集统计 VTF 数据，为预测研究提供关键支撑。
  机器学习和深度学习是 VTF 预测的主要方法。对 VTF 预测研究的文献综述表明，深度学习方法在实际应用中存在不足，需要开展新的研究来解决两个关键问题。（1）网络训练中无法充分捕捉 VTF 数据的时变特性和周期属性。（2）当多条航线需要同时完成 VTF 预测时，实现数据变化相似性较高的两个航线之间的信息交互具有很大的挑战性。

02 方法介绍

1 总体框架

  本文提出的 VTF 预测方法，名为 Improved CNN-LSTM Network with A Similarity Grouping（ICLSGNet），包括三个角度：空间角度、时间角度和相似性分组角度。空间角度以某一时间节点的 VTF 数据为中心，与其周边数据（即相邻时间节点的数据、过去或未来几天的同一时间段的数据）形成邻域矩阵，作为 CNN 的输入，学习周期属性（即空间特征）。同样，将多个连续时间节点的局部 VTF 矩阵输入 CNN，得到不同的特征向量。然后将输出输入到时间角度（利用 LSTM）学习 VTF 数据的时间变化属性。为实现研究区域内相似度较高的两条航线之间的 VTF 信息交互，相似度分组角度根据相似度权重选择与目标航线相似度较高的航线，利用 LSTM 学习其随时间变化的 VTF 信息。输出结果将时空角度和相似性分组角度的向量融合成一个新的向量，输入到全连接网络中，得到下一个时间节点的预测数据。ICLSGNet 的框架如下。

  本文将一天划分为12个时间段，统计了92天的 VTF 数据。然后在实际网络训练时将原来92天的一维 VTF 数据转化为大小为 12✕92 的二维矩阵。矩阵的纵坐标（即1-12）表示一天中各个时间段的数据，横坐标（即 1-92）表示统计了多少天的数据。最终以某个时间段下连续几天的数据作为训练集，预测第二天的 VTF 数据。
  归一化方式为

  这种归一化方法扩大了最大最小值之间的范围，可以避免原始最大最小值对预测值的潜在干扰。

2 空间角度

  空间视图利用 CNN 挖掘特定时间节点 VTF 数据的空间特征。选取一定时间段内连续几天的 VTF 数据，形成训练集 Y={ $y_i$，$y_{i+1}$，⋯，yi+ny_{i+n}