上周文献记录

利用LSTM对内河船舶多源监测数据进行多任务分析和建模

[1].    Yuan, Z., et al., A multi-task analysis and modelling paradigm using LSTM for multi-source monitoring data of inland vessels. Ocean Engineering, 2020. 213: p. 107604.

摘要

船舶监测数据为人们实时了解船舶动态状态、进行船舶管理和运营决策提供了重要信息。但是，一些基本数据可能不完整或不可用。为了恢复或预测缺失信息，更好地利用船舶监测数据，本文结合统计分析、数据挖掘和神经网络方法，提出了一种内河船舶多源监测数据的多任务分析和建模框架。具体来说，建立长短期神经网络（LSTM）模型，并用于解决三个重要的任务，包括船舶轨迹修复，发动机转速建模和燃料消耗预测。所开发的模型已经使用真实船舶监测数据进行了验证，并显示出优于其他一些广泛使用的建模方法。此外，采用了统计和数据技术进行数据提取、分类和清理，并设计了一种识别船只航行状态的算法。

要点

1、根据需要来进行预处理。比如这篇文章是：按以下5个步骤来的：（1）按MMSI码；（2）根据每艘船的数据按航次进一步划分。即航次划分；（3）根据经纬度，按航段划分；（4）数据分类，按日期时间分类；（5）异常数据清洗。

注意：这里的数据是根据一整条船在长江干线的活动，所以可以根据航次来划分，分析相关航次内航段的船舶行为或其他研究。而我们的数据仅有长江武汉段，那么我们如果说做研究，要怎么来分？目前是全部有mmsi来分类的数据。所以还得根据具体情况来选择处理办法。

2、利用LSTM双向神经网络来对缺失的轨迹进行重建修复。

3、利用LSTM对SOG、COG（输入）跟主机转速（输出）建模。

4、利用LSTM对SOG、COG、主机转速（输入）跟油耗（输出）建模。

NOTICE：LSTM建了3个模，还跟其他BP神经网络（单层、双层）对比分析。LSTM第一次被应用于与内河船舶监控相关的应用中，并且第一次以数据驱动的方式开发了发动机速度模型。（这个建模想到了之前实验室一个同学拿船舶吨位跟船舶尺寸建模的一个作业。有点意思）

5、建立一个判断船舶航行行为的算法，即船是航行状态，还是停泊、临时停靠。具体方法是计算时间间隔δt内的平均SOG和平均发动机转速。然后将平均值与SOG和发动机转速的阈值SOG0和ES0进行比较，以决定导航状态。根据对SOG和发动机转速的初步分析，设定δt = 10分钟，SOG 0 = 1公里/小时，ES0= 300。伪码如下：

 

轨迹修复还可以研究吗？