论文部分内容阅读
摘 要：随着航运业的不断发展，社会和客户对船舶航行安全和服务质量的要求不断提升，因此水上交通数据的收集和处理变得越来越重要。文章基于重庆水上交通管理监控系统的GPS轨迹数据，在进行数据预处理后设计了相关的BP神经网络航段航行时间预测模型，可以通过船舶类型和航行影响因子较为准确地预测特定航段的船舶航行时间，为水上交通数据的处理提供了一种新的思路。
关键词：航段航行时间预测；BP神经网络；GPS轨迹数据
中图分类号：U694 文献标识码：A 文章编号：1006-8937（2016）23-0064-02
1 概 述
重庆是长江上游关键的交通枢纽，是西部地区唯一与长江黄金水道相连的特大城市，为了促进长江航运业和重庆航运经济的发展，各种信息化航运系统层出不穷，航运数据量激增，但是大量数据的价值并未得到有效开发。如何最大限度地利用已有数据，提高重庆航运效率，降低航运成本，增加航运收益，是重庆长江航运新的研究热点。
首先，水上交通与地面交通存在很多相似点，因此对于航运数据的分析应多借鉴地面交通数据的分析方法。对于地面交通，浮动车系统已日趋成熟，针对浮动车系统采集的数据国内外学者进行了大量研究，其中关于路段行程时间预测，国内学者已取得了一定的研究成果。方志伟[1]以浮动车数据为基础，利用BP神经网络建立了路段平均行程时间的预测模型。罗虹[2]提出了实时公交车辆到达时间预测模型，并根据该预测模型建立了公交车到达时间预测系统。姜桂艳、常安德等[3]利用出租车 GPS数据，得到了估计精度更高的路段平均速度。
对于水上交通采集到的数据，国内学者开展的研究主要为轨迹预测。徐婷婷，柳晓鸣和杨鑫[4]提出以预测船位差实现航迹预测的思想， 并设计了基于三层BP神经网络的航迹预测模型。郭文刚[5]采用新的控制技术，对BP神经网络的船舶航迹控制进行了计算和航迹设计实现。刘锡铃，阮群生和龚子强[6]结合船载终端GPS定位数据的特点，提出了一种基于离散小波变换的数据预处理方法和一种改进的预测算法。
而针对水上交通的航段航行时间预测的研究却很少。谭觅[7]在充分利用AIS信息的基础上，提出了基于航线匹配的船舶到达时间预测算法。上文研究使用的是AIS数据，而对于船舶GPS数据利用方面，进行航段航行时间预测的研究几乎没有。本文首先对提取的船舶航行GPS轨迹数据进行预处理，得出航段航行时间数据，然后利用BP神经网络对预处理结果进行分析，设计出了时间预测模型，对船舶航行进行时间预测。
2 数据预处理
本文数据来源为重庆水上交通管理监控系统轨迹提取，为系统注册船舶发回的真实轨迹数据。重庆市水上交通管理监控系统是重庆市港航管理局委托深圳市成为软件公司开发和集成的项目。本文主要使用的是系统的船舶动态监控功能，提取船舶的经纬度、航向、速度等轨迹数据加以分析研究。
由于长江航段较长，数据量巨大，本文仅选取重庆-三峡航段的数据进行研究，其他航段的数据研究可以通过本文的方法进行类推。
数据预处理首先是对船舶GPS数据进行统计分析，将轨迹数据转化为航行数据，提取出特定航段的航行时间。然后是将船舶类型和航行影响因子量化：船舶类型字段中，1代表集装箱船，2代表滚装船，3代表化危品船；航行影响因子是对航行开始起三天内的天气情况和航行数据情况进行打分，分数为1—5分，分数越高对船舶航行的影响越大，天气数据来源为天气网，航行数据来源为重庆水上交通管理监控系统。本文示例数据，见表1。
3 基于BP神经网络的时间预测模型
该BP神经网络是典型的三层结构，如图1所示，由包含两个输入端的输入层、包含一个输出端的输出层和隐含层组成；x、y、t分别为船舶类型、航行影响因子、航行时间，x、y是模型的输入，t是模型的输出。w为输入层神经元和隐含层神经元的连接权重；v为隐含层神经元和输出层神经元的连接权重。
人工神经网络的最主要特征之一是可以学习。学习过程是通过外界输入的刺激，让神经网络的连接权值不断改变，使得模型最终的输出结果不断接近期望，本质是对各连接权值的动态调整。BP神经网络采用的学习的类型是有导师学习，学习过程，如图2所示。
本文预测模型使用MATLAB R2014b编程，隐含层有6个神经元，输出层有1个神经元，隐含层的激活函数为tansig，输出层的激活函数为logsig，训练函数为梯度下降函数，输出结果如图3所示。模型输出结果为实际时间与预测时间的比较，折线为实际航行时间，“+”表示预测时间。由图3可见，预测模型的结果误差较小，说明BP神经网络能够学会实际航行中船舶的时间规律，在船舶航行时间预测中具有实际使用价值。
4 结 语
本文分析了水上交通数据分析现状，参考地面交通数据分析方法，以船舶航行轨迹数据为基础，构造BP神经网络时间预测模型，介绍了BP神经网络的学习过程和预测结果，模型结果可以较为准确地预测船舶的航行时间，具有一定的现实意义。由于时间关系，本文存在很多不足，航行影响因子打分可以考虑更多指标进行更为细致地评估，希望在以后的学习研究中不断完善。
参考文献：
[1] 方志伟.基于浮动车数据的城市路段行程时间预测研究[D].北京：北京 交通大学，2007.
[2] 罗虹.基于GPS的公交车辆到达时间预测技术研究[D].重庆：重庆大学，
2007.
[3] 姜桂艳，常安德，李琦，等.基于出租车GPS数据的路段平均速度估计模 型[J].西南交通大学学报，2011，04：638-644.
[4] 徐婷婷，柳晓鸣，杨鑫.基于BP神经网络的船舶航迹实时预测[J].大连海 事大学学报，2012，01：9-11.
[5] 郭文刚.基于BP神经网络的船舶航迹控制技术[J].舰船科学技术，
2014，08：87-93.
[6] 刘锡铃，阮群生，龚子强.船舶航行GPS定位轨迹的新预测模型[J].江南 大学学报（自然科学版），2014，06：686-692.
[7] 谭觅.基于航线匹配的控制河段船舶航行时间预测算法研究[D].重庆：
重庆大学，2014.
关键词：航段航行时间预测；BP神经网络；GPS轨迹数据
中图分类号：U694 文献标识码：A 文章编号：1006-8937（2016）23-0064-02
1 概 述
重庆是长江上游关键的交通枢纽，是西部地区唯一与长江黄金水道相连的特大城市，为了促进长江航运业和重庆航运经济的发展，各种信息化航运系统层出不穷，航运数据量激增，但是大量数据的价值并未得到有效开发。如何最大限度地利用已有数据，提高重庆航运效率，降低航运成本，增加航运收益，是重庆长江航运新的研究热点。
首先，水上交通与地面交通存在很多相似点，因此对于航运数据的分析应多借鉴地面交通数据的分析方法。对于地面交通，浮动车系统已日趋成熟，针对浮动车系统采集的数据国内外学者进行了大量研究，其中关于路段行程时间预测，国内学者已取得了一定的研究成果。方志伟[1]以浮动车数据为基础，利用BP神经网络建立了路段平均行程时间的预测模型。罗虹[2]提出了实时公交车辆到达时间预测模型，并根据该预测模型建立了公交车到达时间预测系统。姜桂艳、常安德等[3]利用出租车 GPS数据，得到了估计精度更高的路段平均速度。
对于水上交通采集到的数据，国内学者开展的研究主要为轨迹预测。徐婷婷，柳晓鸣和杨鑫[4]提出以预测船位差实现航迹预测的思想， 并设计了基于三层BP神经网络的航迹预测模型。郭文刚[5]采用新的控制技术，对BP神经网络的船舶航迹控制进行了计算和航迹设计实现。刘锡铃，阮群生和龚子强[6]结合船载终端GPS定位数据的特点，提出了一种基于离散小波变换的数据预处理方法和一种改进的预测算法。
而针对水上交通的航段航行时间预测的研究却很少。谭觅[7]在充分利用AIS信息的基础上，提出了基于航线匹配的船舶到达时间预测算法。上文研究使用的是AIS数据，而对于船舶GPS数据利用方面，进行航段航行时间预测的研究几乎没有。本文首先对提取的船舶航行GPS轨迹数据进行预处理，得出航段航行时间数据，然后利用BP神经网络对预处理结果进行分析，设计出了时间预测模型，对船舶航行进行时间预测。
2 数据预处理
本文数据来源为重庆水上交通管理监控系统轨迹提取，为系统注册船舶发回的真实轨迹数据。重庆市水上交通管理监控系统是重庆市港航管理局委托深圳市成为软件公司开发和集成的项目。本文主要使用的是系统的船舶动态监控功能，提取船舶的经纬度、航向、速度等轨迹数据加以分析研究。
由于长江航段较长，数据量巨大，本文仅选取重庆-三峡航段的数据进行研究，其他航段的数据研究可以通过本文的方法进行类推。
数据预处理首先是对船舶GPS数据进行统计分析，将轨迹数据转化为航行数据，提取出特定航段的航行时间。然后是将船舶类型和航行影响因子量化：船舶类型字段中，1代表集装箱船，2代表滚装船，3代表化危品船；航行影响因子是对航行开始起三天内的天气情况和航行数据情况进行打分，分数为1—5分，分数越高对船舶航行的影响越大，天气数据来源为天气网，航行数据来源为重庆水上交通管理监控系统。本文示例数据，见表1。
3 基于BP神经网络的时间预测模型
该BP神经网络是典型的三层结构，如图1所示，由包含两个输入端的输入层、包含一个输出端的输出层和隐含层组成；x、y、t分别为船舶类型、航行影响因子、航行时间，x、y是模型的输入，t是模型的输出。w为输入层神经元和隐含层神经元的连接权重；v为隐含层神经元和输出层神经元的连接权重。
人工神经网络的最主要特征之一是可以学习。学习过程是通过外界输入的刺激，让神经网络的连接权值不断改变，使得模型最终的输出结果不断接近期望，本质是对各连接权值的动态调整。BP神经网络采用的学习的类型是有导师学习，学习过程，如图2所示。
本文预测模型使用MATLAB R2014b编程，隐含层有6个神经元，输出层有1个神经元，隐含层的激活函数为tansig，输出层的激活函数为logsig，训练函数为梯度下降函数，输出结果如图3所示。模型输出结果为实际时间与预测时间的比较，折线为实际航行时间，“+”表示预测时间。由图3可见，预测模型的结果误差较小，说明BP神经网络能够学会实际航行中船舶的时间规律，在船舶航行时间预测中具有实际使用价值。
4 结 语
本文分析了水上交通数据分析现状，参考地面交通数据分析方法，以船舶航行轨迹数据为基础，构造BP神经网络时间预测模型，介绍了BP神经网络的学习过程和预测结果，模型结果可以较为准确地预测船舶的航行时间，具有一定的现实意义。由于时间关系，本文存在很多不足，航行影响因子打分可以考虑更多指标进行更为细致地评估，希望在以后的学习研究中不断完善。
参考文献：
[1] 方志伟.基于浮动车数据的城市路段行程时间预测研究[D].北京：北京 交通大学，2007.
[2] 罗虹.基于GPS的公交车辆到达时间预测技术研究[D].重庆：重庆大学，
2007.
[3] 姜桂艳，常安德，李琦，等.基于出租车GPS数据的路段平均速度估计模 型[J].西南交通大学学报，2011，04：638-644.
[4] 徐婷婷，柳晓鸣，杨鑫.基于BP神经网络的船舶航迹实时预测[J].大连海 事大学学报，2012，01：9-11.
[5] 郭文刚.基于BP神经网络的船舶航迹控制技术[J].舰船科学技术，
2014，08：87-93.
[6] 刘锡铃，阮群生，龚子强.船舶航行GPS定位轨迹的新预测模型[J].江南 大学学报（自然科学版），2014，06：686-692.
[7] 谭觅.基于航线匹配的控制河段船舶航行时间预测算法研究[D].重庆：
重庆大学，2014.