1.本发明涉及船舶流量预测技术领域，具体涉及一种面向区域船舶交通流量方法及系统。
背景技术：
2.船舶流量预测是船舶交通流研究的重要内容，挖掘水上交通模式，进行精确的船舶流量预测可以为港口和航道的容量规划提供一定的参考依据。现有对船舶流量预测的研究多是基于固定截面，对通过固定截面的流量进行统计和预测，对一定时间段、指定区域内的船舶流量进行统计的研究较少。而当一个区域内的船舶密度较大时，船舶之间互相影响，航速、航向都会随着流量变化而发生改变。
3.通过对现有船舶交通流量预测模型进行总结，发现现有交通预测模型均没有考虑对一定时间段、指定区域内的船舶流量进行预测，也没有考虑区域内的船舶密度较大时船舶之间的相互影响，导致现有交通预测模型的预测精度较低。
技术实现要素：
4.为解决目前船舶流量预测过程中较少考虑复杂交通环境下的船舶航行行为导致存在流量预测精度不高等问题，本发明提供了一种面向区域船舶交通流量预测方法，基于船舶ais数据绘制密度热力图并选出多个目标区域，并采用射线法和船舶系数换算方法得到船舶流量数据，以及基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型对目标水域内不同类型船舶的流量进行预测，有效提升了区域船舶交通流量预测的准确性。本发明还涉及一种面向区域船舶交通流量预测系统。
5.本发明的技术方案如下：
6.一种面向区域船舶交通流量预测方法，其特征在于，包括以下步骤：
7.数据获取及预处理步骤：获取不同类型船舶的ais数据，并对ais数据进行预处理；
8.热力图绘制步骤：根据预处理后的ais数据绘制密度热力图，并在密度热力图中框选出多个目标区域；
9.船舶数量判断步骤：根据预处理后的ais数据中船舶当前的经纬度位置坐标和构成各个目标区域的各顶点坐标，每隔一段时间采用射线法自动判断出在各个目标区域内的船舶数量；
10.系数换算步骤：基于ais数据对各个目标区域内不同类型船舶的船舶数量通过数据挖掘技术进行船舶系数换算，根据换算后的船舶系数得到各个目标区域内各类型船舶的船舶流量数据；
11.流量预测步骤：根据船舶流量数据，基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型，根据船舶流量预测模型预测出未来某个时间段内各个区域各类型船舶的船舶流量。
12.优选地，所述流量预测步骤中，所述切比雪夫网络采用切比雪夫多项式作为谱图
卷积的卷积核，将全域卷积转换为局部卷积以减少模型的计算时间。
13.优选地，所述数据获取及预处理步骤中，对ais数据进行预处理包括删除航行中船舶速度小于预设速度阈值的船舶的ais数据。
14.优选地，所述流量预测步骤中，还根据预测的船舶流量和实际的船舶流量建立评估指标，根据评估指标并采用对比模型对船舶流量预测模型进行评估，验证船舶流量预测模型为最优模型；
15.所述评估指标包括均方根误差、平均绝对百分比误差、平均绝对误差、对称平均绝对百分比误差和均方误差，所述对比模型包括长短期记忆网络模型、图卷积网络模型和图注意力网络模型。
16.优选地，所述数据获取及预处理步骤中，所述ais数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船长、船宽和船名，所述动态数据包括船舶经纬度位置信息、航行状态、时间戳、对地航速、吃水、出发港、目的港和预抵时间。
17.一种面向区域船舶交通流量预测系统，其特征在于，包括依次连接的数据获取及预处理模块、热力图绘制模块、船舶数量判断模块、系数换算模块和流量预测模块，
18.所述数据获取及预处理模块，获取不同类型船舶的ais数据，并对ais数据进行预处理；
19.所述热力图绘制模块，根据预处理后的ais数据绘制密度热力图，并在密度热力图中框选出多个目标区域；
20.所述船舶数量判断模块，根据预处理后的ais数据中船舶当前的经纬度位置坐标和构成各个目标区域的各顶点坐标，每隔一段时间采用射线法自动判断出在各个目标区域内的船舶数量；
21.所述系数换算模块，基于ais数据对各个目标区域内不同类型船舶的船舶数量通过数据挖掘技术进行船舶系数换算，根据换算后的船舶系数得到各个目标区域内各类型船舶的船舶流量数据；
22.所述流量预测模块，根据船舶流量数据，基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型，根据船舶流量预测模型预测出未来某个时间段内各个区域各类型船舶的船舶流量。
23.优选地，所述流量预测模块中，所述切比雪夫网络采用切比雪夫多项式作为谱图卷积的卷积核，将全域卷积转换为局部卷积以减少模型的计算时间。
24.优选地，所述数据获取及预处理模块中，对ais数据进行预处理包括删除航行中船舶速度小于预设速度阈值的船舶的ais数据。
25.优选地，所述流量预测模块中，还根据预测的船舶流量和实际的船舶流量建立评估指标，根据评估指标并采用对比模型对船舶流量预测模型进行评估，验证船舶流量预测模型为最优模型；
26.所述评估指标包括均方根误差、平均绝对百分比误差、平均绝对误差、对称平均绝对百分比误差和均方误差，所述对比模型包括长短期记忆网络模型、图卷积网络模型和图注意力网络模型。
27.优选地，所述ais数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船长、船宽和船名，所述动态数据包括船舶经纬度位置信息、航行状态、时间戳、对
地航速、吃水、出发港、目的港和预抵时间。
28.本发明的有益效果为：
29.本发明提供的一种面向区域船舶交通流量预测方法，依次设置数据获取及预处理步骤、热力图绘制步骤、船舶数量判断步骤、系数换算步骤和流量预测步骤，各步骤相互配合协同工作，首先获取不同类型船舶的ais数据，并对获取的ais数据进行预处理，再根据预处理后的数据绘制密度热力图，并在密度热力图中框选出多个目标区域，然后根据预处理后的ais数据中船舶当前的经纬度位置坐标和构成各个目标区域的各顶点坐标，每隔一段时间采用射线法自动判断出在各个目标区域内的船舶数量，再基于ais数据对各个目标区域内不同类型船舶的船舶数量通过数据挖掘技术进行船舶系数换算，能够有效增加海上交通量研究的可比性及准确性，使船舶数量统计结果更具真实性与说服力，并根据换算后的船舶系数得到各个目标区域内各类型船舶的船舶流量数据，然后根据船舶流量数据，基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型，切比雪夫网络采用切比雪夫多项式作为谱图卷积的卷积核，将全域卷积转换为局部卷积能够大大减少模型的计算时间，最后根据船舶流量预测模型预测出未来某个时间段内各个区域的船舶流量，有效提升了区域船舶交通流量的预测速度和预测的准确性，可以有效地提取船舶流量数据的时空特征，在不同场景下都表现出了较高的精度和准确性，预测精度得到较大提高，可以为水上交通智能航行提供数据支撑。
30.本发明还涉及一种面向区域船舶交通流量预测系统，该系统与上述的面向区域船舶交通流量预测方法相对应，可理解为是一种实现上述面向区域船舶交通流量预测方法的系统，包括依次连接的数据获取及预处理模块、热力图绘制模块、船舶数量判断模块、系数换算模块和流量预测模块，各模块相互协同工作，基于船舶ais数据绘制密度热力图并选出多个目标区域，并采用射线法和船舶系数换算方法得到船舶流量数据，以及基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型对目标水域内船舶流量进行预测，能够有效增加海上交通量研究的可比性及准确性，使船舶数量统计结果更具真实性与说服力，大大减少模型的计算时间，并有效提升区域船舶交通流量的预测速度和预测的准确性。
附图说明
31.图1是本发明面向区域船舶交通流量预测方法的流程图。
32.图2是本发明射线法的示意图。
33.图3-图5是本发明船舶流量预测模型与其他对比模型预测各区域船舶交通流量的效果图。
具体实施方式
34.下面结合附图对本发明进行说明。
35.本发明涉及一种面向区域船舶交通流量预测方法，该方法的流程图如图1所示，依次包括以下步骤：
36.数据获取及预处理步骤：用于对原始水域内的ais数据进行数据分析，选定研究区域，并依据选定的研究区域，得到筛选后的ais数据，包括获取不同类型船舶的ais数据，并对ais数据进行预处理。
37.具体地，首先获取不同类型船舶的ais数据，并对原始水域内的ais数据进行处理分析，将处于航行中的船舶作为统计对象对ais数据进行预处理，删除掉航行中船舶速度小于预设速度阈值的船舶的ais数据，即将船舶速度＜1节的ais数据删除掉。
38.热力图绘制步骤：根据预处理后的ais数据绘制密度热力图，并在密度热力图中框选出多个目标区域。
39.具体地，根据预处理后的ais数据绘制密度热力图，并在密度热力图上框选出数据量密度较大的多个目标区域，例如，选取比较具有代表性的三个目标区域，并将选择的三个目标区域分别对应到船讯网地图上，分别对应甬江口水域、沈家门港水域和虾峙门水域，这三个目标区域不仅数据量密度较大，同时也比较具有代表性。其中，甬江门水域地行复杂，转弯较多，对船舶的灵活性和船员的技术都有一定要求；虾峙门水域是舟山水域重要且繁忙的航道，亦是大型船舶进出舟山水域的重要通道；而沈家门港水域既是我国重要的渔港又是中转航道，进出港船舶较多。
40.船舶数量判断步骤：根据预处理后的ais数据中船舶当前的经纬度位置坐标和构成各个目标区域的各顶点经纬度位置坐标，每隔一段时间采用射线法自动判断出在各个目标区域内的船舶数量。利用射线法筛选得到各个目标区域的ais数据，即从待判断的船舶当前的经纬度位置坐标点向某一个方向引射线，计算和目标区域交点的个数，如果个数是偶数或者0则船舶当前的坐标点在目标区域外，如果是奇数，则船舶当前的坐标点在目标区域内。
41.具体地，如图2所示，定义任意点p(x0，y0)，判断其在四边形区域(即目标区域)内还是四边形区域外，本质是判断从点p出发的射线与四边形区域的交点个数，可以看作是与四条线段的交点数量。定义交点总数为s
num
，规定从任意点出发，水平向右画射线，共分为以下四种情况：
42.1)判断点p是否与顶点重合，其表达式如下：
43.x0＝xi(i＝a，b，c，d)且y0＝yiꢀꢀꢀꢀ
(1)
44.2)判断点p是否在除顶点以外的边上，如射线v2，以线段ad为例，ad的线段表达式如下：
45.(y-yd)/(y
a-yd)＝(x-xd)/(x
a-xd) (yd＜y＜ya)
ꢀꢀꢀꢀ
(2)
46.代入x0和y0，若(y
0-yd)/(y
a-yd)-(x
0-xd)/(x
a-xd)＝0，则点p在ad边上，其他边亦然。
47.3)判断从p点出发的射线是否经过四边形区域的顶点，规定线段的两个端点，相对于另一个端点在上面的顶点称为上端点，下面的是下端点。如果射线经过上端点，则s
num
加1，如果经过下端点，则s
num
不必加1。如射线v1，经过两个上端点，s
num
为2是偶数，则点p在四边形区域外。
48.4)当排除以上三种情况时，剩下的为常规情况，仍然以ad边为例，首先判断y0是否在ya与yd之间，若yd＜y0＜ya，判断s
num
是否加1的表达式如下：
[0049][0050]
最后，以5min为时间间隔，将1天24小时分成288个时间段，统计每5min内三个区域
的船舶数量。
[0051]
需要说明的是，考虑到船舶ais数据的发送时间间隔较短，为避免重复统计，以船舶mmsi码为索引，同一区域，每5min时间间隔内，同一条船舶只统计一次，得到初步的船舶流量结果。
[0052]
系数换算步骤：用于对筛选后的ais数据进行数据挖掘，得到船舶流量数据，包括基于ais数据对各个目标区域内不同类型船舶的船舶数量通过数据挖掘技术进行船舶系数换算，根据换算后的船舶系数得到各个目标区域内各类型船舶的船舶流量数据。
[0053]
具体地，在水上交通中，由于各类型船舶的特征参数不同，即船长、船宽和船速等的不同，故应进行相应的船舶系数换算，以增加海上交通量研究的可比性及准确性，使船舶数量统计结果更具真实性与说服力。其中，通过数据挖掘技术，对使用的ais数据中船舶的船长情况进行统计，统计结果显示，船舶长度在26～50米之间的船舶数量最多，占比超过50％，因此指定船长在26～50米之间的船舶换算系数为1.00，其他船长的船舶换算系数如表1所示。
[0054]
表1
[0055][0056]
在船舶系数换算后，根据换算后的船舶系数可以得到各个目标区域内不同类型船舶的船舶流量数据。
[0057]
流量预测步骤：用于将船舶流量数据通过chebnet网络捕获数据的空间特征，再将空间特征传输到lstm网络以学习时间特征并进行最终预测，包括根据船舶流量数据，基于切比雪夫网络和长短期记忆网络建立船舶流量预测模型，根据船舶流量预测模型预测出未来某个时间段内各个区域各类型船舶的船舶流量。
[0058]
具体地，首先将船舶流量数据通输入切比雪夫网络(chebnet)捕获数据的空间特
征，切比雪夫网络(chebnet)和gcn图卷积神经网络一样，是提取非欧空间特征的神经网络，主要由卷积层、池化层和全连接层组成，使用relu作为激活函数，chebnet网络使用切比雪夫多项式作为谱图卷积的卷积核，将全域卷积转换为局部卷积，表达式如下所示：
[0059][0060]
其中，a是图信号；*表示图卷积操作，g
θ
是可以训练的图滤波器，k是切比雪夫多项式的顶序，θk是切比雪夫系数向量，是k阶切比雪夫多项式，u为输入特征。
[0061]
切比雪夫多项式是定义在区间[-1，1]之间的一组正交多项式，其递推公式如下所示：
[0062][0063]
其中，i是单位矩阵，表示缩放和标准化后的拉普拉斯矩阵，表达式如下：
[0064][0065]
其中，λ
max
是拉普拉斯矩阵l的最大特征值。chebnet网络在采用切比雪夫多项式代替谱域的卷积核后，不再需要对拉普拉斯矩阵进行特征分解，省略了这一相对耗时的步骤，有效减少了模型的计算时间。
[0066]
然后，将捕获的空间特征传输到长短期记忆网络(lstm)以学习时间相关性建立船舶流量预测模型(即chebnet-lstm模型)，并根据chebnet-lstm模型预测出未来某个时间段内各个区域各类型船舶的船舶流量。其中，长短期记忆网络是rnn的一种变体，能够有效地解决rnn在训练过程中存在的梯度消失和梯度爆炸问题，在处理长时间依赖的问题上更有优势。lstm网络由输入门，遗忘门和输出门构成，并通过激活函数引入了非线性要素。lstm的核心在于引入了门(gate)机制用来控制特征的流通及损失。
[0067]
遗忘门f
t
控制着记忆单元，即前一时刻状态信息被遗忘的程度。为学习更长的时间序列信息，记忆单元会选择性地忘记以前的信息，从而避免梯度爆炸和梯度消失问题。输入门i
t
通过前一时刻的输出h
t-1
和当前输入u
t
来控制细胞状态的更新程度，从而控制当前候选状态信息被保留的程度。输出门o
t
则决定了当前状态下需要输出的信息，即控制当前状态信息c
t
被输出的程度。计算过程如下，
[0068]ft
＝σ(wf·
[h
t-1
,u
t
] bf)
ꢀꢀ
(7)
[0069]it
＝σ(wi·
[h
t-1
,u
t
] bi)
ꢀꢀ
(8)
[0070][0071][0072]ot
＝σ(wo·
[h
t-1
,u
t
] bo)
ꢀꢀ
(11)
[0073]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀ
(12)
[0074]
其中，f
t
为衰减系数，也是遗忘门输出，wf、wi、wc和wo分别表示遗忘门、输入门、记忆
单元和输出门的权重矩阵，bf、bi、bc和bo分别表示遗忘门、输入门、记忆单元和输出门的偏置条件，σ为sigmoid激活函数，tanh为激活函数，
⊙
为点积运算。
[0075]
此外，为了评估chebnet-lstm模型的预测性能，根据预测的船舶流量和实际的船舶流量建立评估指标，根据评估指标并采用对比模型对船舶流量预测模型进行评估，其中，选择在三种不同的区域下进行实验，并将chebnet-lstm模型的预测结果分别与chebnet、lstm、gcn及gat模型的预测结果进行比较，并选取五个评估指标对各模型的预测精度和准确性进行直观、综合的评价，选取均方根误差(e
rmse
)、平均绝对百分比误差(e
mape
)、平均绝对误差(e
mae
)、对称平均绝对百分比误差(e
smape
)和均方误差(e
mse
)等评价指标。其计算公式分别如下所示：
[0076][0077][0078][0079][0080][0081]
上式中，为船舶流量预测值，yi为船舶流量真实值，n为预测船舶交通流量数据点总数。
[0082]
例如，如图3-图5所示，通过对舟山水域中三个不同的区域的船舶交通流量进行预测，并由表2不同区域中不同算法进行区域船舶交通流量预测性能表现中的评价指标数值对比可得出结论，gat模型在区域一和区域三的预测效果不理想，综合五个评价指标对比来看，chebnet、lstm和gcn模型的预测效果比较接近，而本发明采用chebnet-lstm组合模型在chebnet模型提取空间特征和lstm模型提取时间特征的共同作用下，预测精度得到明显提升，五个评价指标的结果都是最好的。在区域一中，与chebnet模型相比，e
rmse
和e
mae
提高5.74％，e
mape
提高6.78％，e
smape
提高5.68％，e
mse
提高11.16％；在区域二中，与其他模型相比，e
rmse
至少提高5.24％，e
mape
至少提高12.79％，e
mae
至少提高10.63％，e
smape
至少提高11.24％，e
mse
至少提高9.51％，最高可达18.97％；在区域三中，与chebnet、lstm和gcn三个模型相比，e
rmse
提高9.24％～12.71％，e
mape
提高16.17％～25.11％，e
mae
提高14.61％～20.51％，e
smape
提高15.8％～21.16％，e
mse
提高18.67％～27.33％。这表明单一的神经网络模型难以很好地考虑到时间和空间的双重特性，相比之下组合模型可以更好地捕获时空特性。因此，合理地认为本发明船舶流量预测模型(chebnet-lstm模型)预测值最接近真实值，在不同场景下都表现出了较高的精度和准确性，预测性能较好，优于其他对比模型。
[0083]
表2
[0084][0085]
值得注意的是，区域二的各项指标均高于区域一和区域三，通过检查数据发现，区域二的数据波动较大，流量最大值与最小值之间相差约130艘船舶，而区域一和区域三的数据波动较小，区域一的流量最大值与最小值之间相差约60艘船舶，区域三的流量最大值与最小值之间相差约40艘船舶。
[0086]
本发明还涉及了一种面向区域船舶交通流量预测系统，该系统与上述面向区域船舶交通流量预测方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据获取及预处理模块、热力图绘制模块、船舶数量判断模块、系数换算模块和流量预测模块，具体地，
[0087]
数据获取及预处理模块，获取不同类型船舶的ais数据，并对ais数据进行预处理；
[0088]
热力图绘制模块，根据预处理后的ais数据绘制密度热力图，并在密度热力图中框选出多个目标区域；
[0089]
船舶数量判断模块，根据预处理后的ais数据中船舶当前的经纬度位置坐标和构成各个目标区域的各顶点坐标，每隔一段时间采用射线法自动判断出在各个目标区域内的船舶数量；
[0090]
系数换算模块，基于ais数据对各个目标区域内不同类型船舶的船舶数量通过数据挖掘技术进行船舶系数换算，根据换算后的船舶系数得到各个目标区域内各类型船舶的船舶流量数据；
[0091]
流量预测模块，根据船舶流量数据，基于切比雪夫网络和长短期记忆网络建立船
舶流量预测模型，根据船舶流量预测模型预测出未来某个时间段内各个区域各类型船舶的船舶流量。
[0092]
优选地，所述流量预测模块中，切比雪夫网络采用切比雪夫多项式作为谱图卷积的卷积核，将全域卷积转换为局部卷积以减少模型的计算时间。
[0093]
优选地，数据获取及预处理模块中，对ais数据进行预处理包括删除航行中船舶速度小于预设速度阈值的船舶的ais数据。
[0094]
优选地，流量预测模块中，还根据预测的船舶流量和实际的船舶流量建立评估指标，根据评估指标并采用对比模型对船舶流量预测模型进行评估，验证船舶流量预测模型为最优模型；
[0095]
评估指标包括均方根误差、平均绝对百分比误差、平均绝对误差、对称平均绝对百分比误差和均方误差，所述对比模型包括长短期记忆网络模型、图卷积网络模型和图注意力网络模型。
[0096]
优选地，ais数据包括静态数据和动态数据，所述静态数据包括船舶移动业务识别码、船长、船宽和船名，所述动态数据包括船舶经纬度位置信息、航行状态、时间戳、对地航速、吃水、出发港、目的港和预抵时间。
[0097]
本发明提供了客观、科学的面向区域船舶交通流量预测方法及系统，基于船舶ais数据绘制密度热力图并选出多个目标区域，并采用射线法和船舶系数换算方法得到船舶流量数据，以及基于切比雪夫网络捕获数据的空间特征和将该特征传输到长短期记忆网络以学习时间相关性进而建立船舶流量预测模型对目标水域内不同类型船舶的流量进行最终预测，还可进一步选取若干评价指标对各模型的预测精度和准确性进行直观、综合的评价，有效提升了区域船舶交通流量预测的准确性，可以有效地提取船舶流量数据的时空特征，在不同场景下都表现出了较高的精度和准确性，预测精度得到较大提高，可以为水上交通智能航行提供数据支撑。
[0098]
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。