基于深度神经网络的船舶交通流预测

摘要

为了准确预测船舶交通流量,构建一种利用特定数据集进行船舶交通流量预测的深度学习模型。选定海域横断面,统计规定时间段内穿越该海域横断面的船舶AIS数据,将这些数据筛选后作为数据集。选取GRU(gate recurrent unit)模型最佳结构和参数,对一天内的船舶流量进行预测,并选取LSTM(long short term memory)循环神经网络模型和SAES栈式编码器预测模型作为实验对照组模型,在合理参数范围内对不同参数组合进行实验。实验结果表明,与LSTM模型和SAES(stacked auto-encoders)模型相比,GRU模型预测精度更高,能适应数据规律性较弱的船舶交通流量预测的要求。