论文阅读：基于 LSTM 的船舶航迹预测

航迹预测"/>

论文阅读：基于 LSTM 的船舶航迹预测

论文阅读：基于 LSTM 的船舶航迹预测

论文下载地址：

目录

1. 摘要

2. 预测模型结构和流程

3. 实验结果

4. 有趣的想法

1. 摘要

2. 预测模型结构和流程

（1）输入与输出

输出：（t+1 ）时刻的经度和纬度（预测目标）

输入：t 时刻以及前（n-1）时刻的经度、纬度、航速、航向

（2）数据预处理

采用“分箱”的方式实现异常值剔除：

采用“三次样条插值”的方式，将非等时间间隔的数据插值成为等时间间隔的数据，实现时间对齐。

对输入数据进行归一化处理：

（3）预测模型结构

（4）模型相关参数

• 数据插值后时间间隔：10 s

• 输入层节点数量：4

• 隐含层节点数据量：100

• 输出层节点数量：2

• 学习率：0.001

• 批处理大小：20

• 优化函数：adam

• 预测时间步长：5

• 误差评价指标：RMSE 均方根误差

• 模型参数初始化方式：Xavier

• 经纬度预测最大误差不超过0.0005°

（5）训练过程

3. 实验结果

实验测试使用不同的 n 取值（预测使用的历史时间长度）对预测结果的影响，结果是步长为5效果最好：

直线类型航迹的预测结果、经度误差、纬度误差：

转向类型航迹的预测结果、经度误差、纬度误差：

和灰度预测、BP算法预测的结果对比：

4. 有趣的想法

• 采用分箱的方式进行异常值剔除

• 对预测输入参数进行归一化处理、对输出数据进行反归一化处理

• 使用Xavier的方法对网络权重初始化（这个方法我之前没有了解过）

• 使用三次样条插值的方式，实现了对数据的时间对齐，将时间不均匀的数据构造成等事件间隔的数据