摘要
随着疫情后的经济复苏，经济全球化进程持续推进，海上交通业务日趋繁忙，船舶航行安全问题也日益突出，其中在南港航道北部到吴淞口一段，是整个长江口水域交通密度最大、态势最复杂的地区之一，为了提高船舶交通服务系统(Vessel Traffic Service,VTS)的监管职能，本文主要从“船舶航行的航速和航向”的方向进行展开研究，对船舶航行行为进行预测，实现事前性预警，降低船舶进港航行时的碰撞风险，避免水域交通事故频繁发生。本文以船舶AIS数据为基础，结合BP神经网络的时间序列预测开展关于船舶航速和航向的相关研究。
对于AIS数据中可能出现的信息丢失和信息不准确的情况，本文在保留船舶原有的航行行为特征的基础上，对问题数据进行清洗。
信息经历了采集、封装、传输、接收等多个过程后，因为噪音等原因，信息可能会出现缺失和误差，需要进行填补，为了最大可能满足预测数据的准确性和时效性，本文采用了线性插值法对缺失数据进行补充。
船舶AIS在接收信息前，经历多个阶段，难免会受到噪音的影响，从而最终影响预测数据的精度，为了使得船舶数据更加准确，本文在采用神经网络预测前将会对数据进行奇异谱分析，最大程度上还原数据的真实性，去掉可能是噪音的部分，从而使预测结果更加准确。
考虑到AIS数据传输过程中可能会受到噪音影响，本文通过构建SSA-BP神经网络的组合模型研究实现了对船舶航行行为的预测，并通过与不经奇异谱分析的BP神经网络预测分析结果对比，证明了去噪的对还原原始数据的必要性和基于SSA-BP神经网络预测模型的精确性。该成果对降低船舶进港航行时的碰撞风险，保障船舶通航安全具有现实意义。
关键词：船舶航行；航速和航向；AIS数据；线性插值法；BP神经网络；奇异谱分析
目录
摘要V
Abstract VI
1前言/绪论1
1.1研究的背景和意义1
1.2国内外船舶航行行为预测现状1
1.3本领域存在的问题2
1.4论文的创新2
1.4.1本文主要内容和创新点2
1.5论文组织结构3
2相关理论基础4
2.1船舶航行行为预测4
2.1.1问题描述4
2.1.2基本流程分析4
2.2船舶自动识别系统4
2.2.1 AIS消息类型4
2.3奇异谱分析学习6
2.4 BP神经网络学习8
3研究实验数据平台14
3.1实验平台数据简介14
3.2实验平台区域介绍14
3.3实验数据采集15
4 AIS信息预处理16
4.1数据的采集16
4.2数据的清洗16
4.2.1MMSI码校验16
4.3数据的缺失值处理17
4.3.1线性插值法17
5参数分析19
5.1SSA参数分析19
5.1.1窗口长度L的选择19
5.1.2奇异值数目r的选择19
5.2BP神经网络参数分析19
5.2.1输入输出参数分析19
5.2.2 BP神经网络隐含层神经元个数选择20
6 BP神经网络预测模型21
7实例分析22
7.1隐含层神经元节点的确定22
7.2BP神经网络预测结果23
7.3SSA-BP神经网络组合模型的预测结果28
7.4BP神经网络预测结果和组合模型预测结果分析32
结论33
致谢34
参考文献35
附录1锦江之星的船舶航速的奇异值分解36
附录2矩阵重构公式证明:42
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：打字小能手，如若转载，请注明出处：https://www.447766.cn/chachong/186942.html,
