1.1目的及意义

随着水上交通运输的快速发展和智能航海技术的迅速进步，船舶数据特别是AIS数据呈现爆炸式增长。这些海量的AIS数据蕴含有与海上交通有关的物流、航运等信息；另一方面，航迹规划在很大程度上决定了船舶智能化操纵水平的髙低，对船舶的安全、经济、快速航行至关重要。以AIS数据为基础，利用BP神经网络等机器学习方法,对预处理过的AIS数据进行挖掘，研究适用于船舶轨迹预测的算法模型。航迹预测模型可以在异常预警、航线规划等方面应用，对保障船舶安全经济航行，提高船舶航行效率，降低营运成本，避免海上交通事故的发生、减少船舶 运输对环境的影响具有重要意义。

1.2国内外研究现状分析

机器学习是人工智能的一个分支，它通过系统的应用算法来综合数据和信息之间的潜在联系，随着人工智能技术的发展和计算机技术的进步，机器学习正在迅速得到应用。目前分类算法、聚类算法、神经网络算法的机器学习方法已经被大量的运用到AIS的数据处理之中，包括AIS数据的预处理，船舶到港时间预测，船舶航迹预测都大量的运用了机器学习的算法

李永攀，刘正江，郑中义等在 DBSCAN 算法基础上综合考虑时间和空间要素，提出船载 AIS 数据时空聚类算法，并对实际数据开展分析。刘磊、蒋仲廉、初秀民、钟诚、张代勇等针对船舶 AIS 数据丢失或错误等问题，借助分段三次 Hermite 插值实现 AIS 数据初步修复或预测，建立 神经网络训练集和测试集，开展单点和连续多点 AIS 数据修复和预测；对比分析了 BP 神经网络与三次样条插值、分段三次 Hermite 插值方法在船舶 AIS 数据修复和预测中的精度。杨博辰基于AIS 数据样本，结合神经网络和深度学习，研究适用于船舶轨迹预测的算法模型。基于解析后的AIS 数据，设计并实现了船舶轨迹预测模型的训练仿真实验。最后对航迹预测模型在异常预警、航线规划等方面的应用进行了研究。

Niels Willems等人采用核密度估计在船舶AIS数据的基础上对船舶的速度分布、轨迹密度、船舶航向等动态特征进行了可视化研究。Kraiman等人提出利用自组织映射模型对船舶轨迹进行聚类，再用高斯混合模型进行建模，进而对船舶行为进行检测； Berle提出的是基于关联神经网络的方法，对船舶的巧为特征参数（位置、航速、航向）进行建模学习，并把模型用于预测船舶行为。

2. 研究的基本内容与方案

2.1 基本内容

主要研究内容：

（1）目标区域AIS数据收集。通过学院大数据实验室平台对长江航段的AIS数据进行收集。

（2）AIS数据预处理。首先通过对收集的AIS信息进行解析，构建AIS数据库，然后对AIS数据进行预处理，包括轨迹分离，时间间隔标准化，数据清洗。