基于1DCNN-LSTM的船舶轨迹分类方法

• 作者: 崔彤彤 王桂玲 高晶
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 船舶轨迹分类 一维卷积神经网络 长短期记忆网络 分布特征向量 时序特征向量
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 计算机图形学&多媒体
• 页码范围: 175-184
• 页数: 10页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11896/jsjkx.191000162

摘要

由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫.近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能.针对使用传统二维卷积神经网络(Convolutional Neural Network,CNN)对船舶轨迹分类存在特征压缩和时序特征表达能力匮乏的问题,文中提出了一种一维CNN(One-Dimensional CNN,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的混合分类模型,对采集到的船舶自动识别系统(Automatic Identification System,AIS)数据进行船舶类型识别.首先,针对AIS采集到的船舶轨迹数据进行预处理,过滤噪声数据;然后,针对隐含在船舶轨迹信息中的特征对于1DCNN而言过于隐晦的问题,提出了一种针对大规模航舶轨迹数据的,且1DCNN能够识别的轨迹分布特征向量的构建算法,同时在此基础上提取了LSTM能够识别的时序特征向量;最后,将训练后的1DCNN模型与LSTM模型进行数据融合得到混合船舶分类模型.以渤海区域2016年6月的船舶AIS数据为基础,使用1DCNN与LSTM相结合的混合模型对渔船、客船、油船、集装箱船和散货船5类典型船舶的轨迹数据进行分类,并将其与使用一种神经网络如LSTM作为分类器的方法进行对比,结果表明所提方法具有明显的有效性,是一种有效的船舶轨迹分类方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王桂玲		13	56	3.0	7.0
2	高晶		6	9	2.0	2.0
3	崔彤彤		1	0	0.0	0.0