[1].?? ?Volkova, T.A., Y.E. Balykina and A. Bespalov, Predicting Ship Trajectory Based on Neural Networks Using AIS Data. Journal of Marine Science and Engineering, 2021. 9(3): p. 254.
摘要
要创建自主移动的船舶，需要确切知道如何确定船舶在选定坐标系中的当前坐标，确定船舶的实际轨迹，估计运动趋势以预测当前坐标，并计算航向修正以返回指定路径的直线。航线每一段的导航和水文条件决定了对观测精度的要求和确定船只位置所花费的时间。在自动模式下预测船舶运动轨迹的问题对于内河船舶或江海船舶尤其重要，在船舶操纵期间预测航线段的轨迹。目前，确定船只坐标最准确的方法之一是读取卫星信号。然而，当船只靠近水工建筑物时，由于干扰，可能出现与获得卫星信号相关的问题，因此，测量船只坐标的误差增加。碰撞和各种事故的可能性增加了。在这种情况下，可以使用自主导航系统来校正运动轨迹。在这项工作中，讨论了可能应用人工神经网络来创建这样一个仅使用船舶位置坐标的校正系统的机会。研究发现，这在船舶未操作的航段上是可能的（not maneuver）。
关键词：AIS数据；轨迹预测；水路运输；神经网络；自主导航
引言
（1）从卫星获取船舶位置信息有一个缺点出发：非自主性，即在出现一些已知情况时不允许使用卫星系统。主要是通信中断，或者在机动条件下，对接收数据处理时间过长，导致无法及时做出决定。在这方面，研究用于确定船舶位置的自主方法的问题具有很大的实际意义。船只运动轨迹的预测对于无人驾驶自主船只的开发和创造具有实际意义。
（2）考虑到船舶的惯性，为了及时对可能的障碍物做出反应，有必要提前预测船只的估计最近坐标。在这方面，有必要考虑到船舶技术手段的能力，以便自动驾驶做出决定所需的时间足以实施。从这个意义上说，预测船只的运动轨迹基于历史数据，即使用接收的其他船舶数据，只能非常近似地使用，因为船舶的运动轨迹非常依赖于特定的外部条件。因此，这项工作的目标是分析神经网络技术的应用，该技术使用船舶轨迹的先前坐标信息来预测船舶在河流航行期间的估计的下一个坐标。
方法
与主要在通过海峡和在港口水域移动时面临受限空间机动的海船运动不同，河船被迫在受限空间中不断运动(例如，存在大量可能的障碍物、航道有限、频繁改变航向、大量迎面而来和经过的船只)。此外，卫星导航系统的性能受可能的工业干扰源以及河岸上大量水工建筑物的影响很大。因此，AIS数据存在一定的错误。
研究目的：确定仅使用船舶运动的先前位置坐标来训练神经网络预测下一时刻船舶位置的可能性。（他这里自己用了一条内河船进行实验，获取船舶位置数据，该船相关参数如下：）
有两个天线放置在船舱的顶部，沿着船的中心平面距离为90厘米，天线之间距离为66厘米。来自第二天线的数据经过后处理，随后被接收作为参考。使用NMEA-0183协议记录所有船舶位置数据。
（这里与传统的研究不一样，别人都是用船舶的AIS数据，他这里直接使用自己安装的主从天线接收GPS数据）
?作者在实验期间采集的用于训练神经网络和验证结果的全球定位系统数据包含以下值：
（1）确定位置的格林威治标准时间；（2）经纬度（南北纬、东西经）
（3）卫星信号质量指标（0,1,2,3）；（4）卫星数量
（5）HDOP；（6）接收器天线高度高于/低于海平面
（7）大地水准面差，即WGS-84椭球和海平面(大地水准面)之间的差，“-” = 海平面低于椭球
（8）全球定位系统差分数据年龄—自上次SC104类型1或9更新以来的时间(秒)，如果不使用差分模式，则用零填充。
（9）单位：米；（10）全球定位系统差分数据年龄—自上次SC104类型1或9更新以来的时间(秒)，如果不使用差分模式，则用零填充。（11）校验
数据格式如下图：
为了获得与地理地图相关的图像，使用了将数据从NMEA协议传输到WGS84系统的算法如下：
讨论
把数据导进去后，可以明显看到船舶轨迹很乱：
?
很明显，信号要么被中断，要么没有以任何方式反映船只的真实轨迹。当系统试图恢复轨迹时，这一事实对于处理后的信号最为明显。
在这方面，任务是评估使用神经网络解决这些问题的可能性，特别是确定是否有可能建立一个神经网络，利用以前的自AIS数据恢复船只的轨迹。研究具有不同激活函数的神经网络?。
第一根天线获得的轨迹和桥下轨迹
第二根天线获得的轨迹和桥下轨迹
船舶轨迹(a)；桥下轨迹，信号后处理的结果(b)
?（他妈的扯了这么多淡，结果最后就用到经纬度数据用于神经网络，10%测试，90%训练（这里面70%训练，20%测试））就他妈用来如下表所示的数据：
?船舶经纬度作为输入，预测下一步的经纬度。使用梯度下降法，均方误差做精度度量。（该算法最充分地再现了船只运动的动态。与其他共轭梯度法相比，它的优点是计算速度快和保证收敛性。）（作者为什么要加这句）
第一个神经网络：200个输入神经元，正激活函数为tanh，隐藏层200，50次迭代就达到了10e-6直线段平均误差为0.02°（神经元数量的增加并没有导致误差的减少，而是增加了计算时间。）
也不说n是什么
?
构建和训练神经网络的第二个选项是具有以下结构的网络：第一层是神经网络的输入数据，它不参与计算；第二层是隐藏层；第三个处理从第二层接收的数据并返回所需的值。为了便于使用神经网络，输入数据转换如下：将全球定位系统坐标值除以100，使其达到区间(0；1).然后反归一化输出，24000数据训练，10000次迭代，激活函数如下：
在这种情况下，t是神经元的权重，它是在神经网络训练期间自动选择的。具有这种传递特性的神经元的特点是，它们对强信号的放大比弱信号小得多，因为强信号的区域对应于激活功能的平坦区域。应当注意，激活函数(1)和(2)仅在值的范围上不同，然而，这种差异显著地改变了神经元的可能输入和输出值，这随后影响了神经网络的学习速率和精度。
对于输入数据，使用10对纬度和经度值，从中获得下一个坐标的值。表4中的数据显示，由神经网络产生的数据的精度差，因为在这种情况下，纬度与真实数据的差异是10-5。?
神经网络预测的轨迹与路径直线段上的参考轨迹进行比较。
?
将由神经网络预测的轨迹与沿着具有数据丢失和失真的路径的参考轨迹进行比较：
在评估第二个神经网络的性能时，会出现以下特点:
所考虑的神经网络可以预测船舶在直线段上的运动轨迹；然而，由于这种预测的准确性，不可能保证船只运动的安全性(图8)；?
在GPS数据丢失或失真的区域，神经网络的前几次迭代显示出良好的结果，如图9所示；
由于缺乏稳定的预测质量，所开发的神经网络不适合长期使用
图10和11示出了2种神经网络性能的结果和从参考坐标获得的轨迹的对比。尽管第二个网络给出的结果显然比第一个网络更好，但它仍然离船的真实轨迹很远。在船舶开始进行任何机动(例如转弯)或进入干扰区时，可用的AIS数据不足以训练预测船舶位置或轨迹的神经网络。因此，需要进行额外的研究来调整神经网络技术，使其与每个特定船只的物理特征以及水文条件相关，水文条件的特征是水和空气密度的变化、浅水的影响以及其他类似的影响。
?
?
结论
实时确定船只位置的问题对于各种应用非常重要，特别是对于自动驾驶系统的开发。基于AIS数据的现有算法的使用不允许在存在影响AIS信号接收的干扰的情况下评估船只的位置。解决这一问题的方法之一是开发一个自主系统，预测船只的运动轨迹，这将是在AIS信号失真的情况下及时决策的额外信息来源。在本文中，使用神经网络技术的可能性被认为是预测船舶轨迹的选择之一。利用船只在涅瓦河航道上的真实运动实验数据，构建并训练了具有不同激活函数和不同结构的神经网络。目标是评估是否有可能仅使用从AIS获得的船舶运动坐标进行神经网络训练，即可获得可靠的结果
仿真建模表明，当船舶沿直线轨迹运动时，神经网络的使用给出了相当令人满意的结果。主要问题出现在船开始机动时。对于这种类型的运动，由训练的神经网络显示的结果并不令人满意，因为它们的工作结果和真实数据之间的差异非常大。事实上，只需提前一个坐标就可以预测轨迹，这在船舶操纵的条件下不允许使用这种技术来创建自动驾驶仪。
因此，需要进行额外的研究，以确定应该添加哪些参数来训练神经网络，从而更准确地预测船舶操纵期间的轨迹。将对这些问题进行进一步的研究。?
点评：
垃圾论文，浪费时间