论文阅读：基于CNN和Bi

论文阅读：基于CNN和Bi"/>

论文阅读：基于CNN和Bi

论文阅读：基于CNN和Bi_LSTM的船舶航迹预测

论文下载：

目录

1. 摘要

2. 主要贡献

3. CNN-Bi-LSTM模型结构

4. 实验

1. 摘要

2. 主要贡献

① 根据AIS数据，设计了一种混合深度学习网络预测船舶航迹预测方法。混合深度学习是指基于卷积神经网络（CNN）+双向长短时记忆网络（Bi-LSTM）的网络模型。

② CNN（这篇文章使用的是一维卷积）的目的是用来提取数据之间的潜在关系，形成特征向量，再送入双向LSTM网络用于关联历史和未来数据的影响。作者认为，CNN可以学习数据中的依赖关系，但是如果网络输入序列的长度增加，CNN捕获依赖关系的能会变差，而Bi-LSTM模型能够捕获序列之间的长期依赖性，因此CNN和Bi-LSTM可以互补。

③ Bi-LSTM是CNN-Bi-LSTM的顶层，可以存储有关通过CNN提取的表征船舶航行状态的重要特征信息。

④ 作者认为船舶航迹预测的实质是CNN-Bi-LSTM回归问题。

⑤ 定义了船舶的行为模型：{经度、纬度、航行速度、航首向、对地航向}，这五个数据也是后面每一个时刻对应的输入。

⑥ 提到了一种测试算法准确度的方法十折交叉验证，该方法是将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率（或差错率）。10次的结果的正确率（或差错率）的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证（例如10次10折交叉验证），再求其均值，作为对算法准确性的估计。

⑦ 作者的下一步研究目标“在充足数据前提下对不同时间间隔对船舶航行轨迹的影响”。

3. CNN-Bi-LSTM模型结构

网络结构示意图如下：

数据来自MMSI 为 414228000 的船舶，部分AIS数据如下：

每一个时刻对应的数据是五维的：

训练和预测过程是输入连续3个时刻的船舶数据，预测下一时刻船舶的经度和维度。

航迹预测的主要步骤如下：

1维卷积核的大小为2，步长为1，超出边界的部分填充0保证输入输出尺寸相同，而后进行均值池化操作。前向和后向神经元个数均为80（这里的神经元个数我理解为每个cell内部神经元为80个，{W, b}可以理解为一个神经元），采用ReLU激活函数。使用MSE和MAE作为误差评估。

4. 实验