内河船舶AIS缺失数据拟合补偿方法

内河船舶ais缺失数据拟合补偿方法
技术领域
1.本发明涉及一种缺失数据的拟合方法，尤其涉及内河船舶ais缺失数据拟合补偿方法，属于信息技术领域。


背景技术：

2.内河航运具有运输量大，成本低等优势，在我国经济发展中占据重要的地位。船舶在航行过程中，通过船舶自动识别系统(automatic dentification system,ais)来发送位置、船速等信息，从而达到调度船舶、优化航运等目的。而由于各种外界干扰因素的影响，数据在传输、存储环节中存在数据缺失的情况，导致管理部门无法获取真实的船舶信息，进而直接影响内河航运效率。因此,数据缺失值修复已经成为交通领域的一个重要研究内容。
3.目前针对数据缺失的补偿算法较多应用的是样条插值法、支持向量机等技术，但是这些方法由于自身限制，只能处理少量的散点，且拟合精度往往不能满足工程技术的要求。


技术实现要素：

4.为了解决现存在的不足，本发明的目的在于提供一种缺失数据拟合方法，实现对缺失数据的准确预测，从而对不完整数据库进行补偿，提高数据完整度，扩大数据的应用范围。
5.为了达到上述目的，本发明所采用的技术方案是内河船舶ais缺失数据拟合补偿方法，该方法的实施过程如下，
6.已有船舶ais训练数据集{x,y}，其中x∈r
n*m
为表示已知的ais历史数据，n为ais历史数据的样本数，m为维度；y＝{yj}表示需要预测的ais缺失数据，j＝1,2,
…
q，q为ais缺失数据的个数。构建具有输入层、隐含层和输出层的编码器网络模型，p＝ps表示隐含层的神经元，s＝1,2,
…
,s，s为隐含层神经元的数量，即从ais历史数据中获得的特征变量个数。根据ols理论，则得到ais特征变量ψ＝x
·
p，其中且ais特征变量的相应参数ω＝[ω1,ω2,
…
ωs]由以下公式计算：
[0007]
ω＝ψ
·
a-1
[0008]
其中为中间参数。利用pso算法优化神经元的权重和偏差，并逐个添加到编码器网络模型的隐含层中。
[0009]
s1、向编码器网络模型的隐含层中加入第一个神经元。首先利用pso算法随机生成一组粒子{p
i,r
},(1≤i≤d,1≤r≤r)，其中d代表候选神经元的数量，r代表pso算法迭代的最大值。p
i,r
为第r次迭代中的第i个粒子，表示神经元的权重和偏差，则根据ols理论，每个粒子p
i,r
的贡献度为：
[0010][0011]
其中
[0012]
选取令贡献度值最大的粒子并标记为即第r次迭代中的第i个粒子p
i,r
被选为隐含层神经元的权重和偏差。因此，可得到ais数据的第一个特征变量和相应参数ω1。
[0013]
s2、向隐含层中加入第二个神经元。利用pso算法随机生成一组新的粒子{p
i,r
},(1≤i≤d,1≤r≤r)，同样p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第二个候选神经元的权重和偏差。则根据ols理论，每个粒子p
i,r
的贡献度为：
[0014][0015]
其中
[0016]
选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第二个隐含层神经元的权重和偏差。因此，可得到ais数据的第二个特征变量和相应参数ω2。
[0017]
s3、向隐含层中加入第t个神经元。利用pso算法随机生成一组新的粒子{p
i,r
},(1≤i≤d,1≤r≤r)，同样p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第t个候选神经元的权重和偏差。则根据ols理论，每个粒子p
i,r
的贡献度为：
[0018][0019]
其中
[0020]
选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第t个隐含层神经元的权重和偏差。因此，可得到ais数据的第t个特征变量和相应参数ω
t
。
[0021]
s4、重复步骤3，向神经网络中逐次加入隐含神经元，直到隐含层中的神经元数量达到最大值s或是错误率小于某阈值υ：
[0022][0023]
至此，编码器网络模型构建完成。
[0024]
s5、当船舶在航行过程中，若ais数据缺失，则可根据所建立的编码器网络模型实
现对ais缺失数据的准确预测。
[0025]
与现有技术相比较，本发明构建了一种隐含层神经元相互正交的编码器模型，可以最大程度上提取ais历史数据的特征变量，并根据特征变量进一步预测ais缺失数据。与现有技术相比，本发明具有模型结构简单、预测精度高的特点。
附图说明
[0026]
图1为隐含层神经元添加过程。
具体实施方式
[0027]
以下结合附图和实施例对本发明进行详细说明。
[0028]
已有船舶ais训练数据集{x,y}，其中x∈r
n*m
(n＝10，m＝4)表示已知的ais历史数据，如表1所示；三个维度分别表示船舶的经度(longitude)、纬度(latitude)、船向(truehead)和速度(speed)：
[0029]
表1
[0030]
no.longitudelatitudetrueheadspeed1105.71628.8792294.12105.71628.8792394.23105.71528.8782374.24105.71528.8782354.35105.71428.8782294.26105.71428.8772314.17105.71328.87723648105.71328.8772363.79105.71228.8762383.610105.71228.8762353.6
[0031]
y＝{yj},(j＝1,2,
…
10)表示需要预测的ais缺失数据，如表2所示。
[0032]
表2
[0033][0034][0035]
构建具有输入层、隐含层和输出层的编码器网络模型，p＝ps,(s＝1,2,3)表示隐
含层的神经元，即从ais历史数据中获得的特征变量个数为3。根据ols理论，则可得到ais特征变量ψ＝x
·
p，其中且ais特征变量的相应参数ω＝[ω1,ω2,ω3]由以下公式计算：
[0036]
ω＝ψ
·
a-1
[0037]
其中为中间参数。接下来，利用pso算法优化神经元的权重和偏差，并逐个添加到编码器网络模型的隐含层中。
[0038]
1、向隐含层中加入第一个神经元。首先利用pso算法随机生成一组粒子{p
i,r
},(1≤i≤20,1≤r≤30)，其中20代表候选神经元的数量，30代表pso算法迭代的最大值。p
i,r
为第r次迭代中的第i个粒子，表示神经元的权重和偏差，则根据ols理论，每个粒子p
i,r
的贡献度为：
[0039][0040]
其中
[0041]
选取令贡献度值最大的粒子并标记为即第r次迭代中的第i个粒子p
i,r
被选为隐含层神经元的权重和偏差。因此，可得到ais数据的第一个特征变量被选为隐含层神经元的权重和偏差。因此，可得到ais数据的第一个特征变量和相应参数ω1＝[0.087,0.02,0.212,-0.318,0.02,0.233,0.045,0.175,0.08,0.184]
t
。
[0042]
2、向隐含层中加入第二个神经元。利用pso算法随机生成一组新的粒子{p
i,r
},(1≤i≤20,1≤r≤30)，同样p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第二个候选神经元的权重和偏差。则根据ols理论，每个粒子p
i,r
的贡献度为：
[0043][0044]
其中
[0045]
选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第二个隐含层神经元的权重和偏差。因此，可得到ais数据的第二个特征变量和相应参数ω2＝[0.02,,0.194,0.013,-0.015,0.172,0.039,0.08,0.066,0.187,0.075]
t
。
[0046]
3、向隐含层中加入第3个神经元。利用pso算法随机生成一组新的粒子{p
i,r
},(1≤i≤20,1≤r≤30)，同样p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第3个候选神经元的权重和偏差。则根据ols理论，每个粒子p
i,r
的贡献度为：
[0047][0048]
其中
[0049]
选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第3个隐含层神经元的权重和偏差。因此，可得到ais数据的第3个特征变量和相应参数ω3＝[0.102,0.072,0.087,0.033,-0.151,0.106,0.244,0.117,0.094,0.155]
t
。
[0050]
4、重复步骤3，向神经网络中逐次加入隐含神经元，直到隐含层中的神经元数量达到最大值3或是错误率小于某阈值0.1：
[0051][0052]
至此，编码器网络模型构建完成。
[0053]
5、当船舶在航行过程中，若ais数据缺失，则可根据所建立的编码器网络模型实现对ais缺失数据的准确预测。

技术特征：
1.内河船舶ais缺失数据拟合补偿方法，该方法的实施过程如下，已有船舶ais训练数据集{x,y}，其中x∈r
n*m
为表示已知的ais历史数据，n为ais历史数据的样本数，m为维度；y＝{y
j
}表示需要预测的ais缺失数据，j＝1,2,
…
q，q为ais缺失数据的个数；构建具有输入层、隐含层和输出层的编码器网络模型，p＝p
s
表示隐含层的神经元，s＝1,2,
…
,s，s为隐含层神经元的数量，即从ais历史数据中获得的特征变量个数；根据ols理论，则得到ais特征变量ψ＝x
·
p，其中且ais特征变量的相应参数ω＝[ω1,ω2,
…
ω
s
]由以下公式计算：ω＝ψ
·
a-1
其中为中间参数；利用pso算法优化神经元的权重和偏差，并逐个添加到编码器网络模型的隐含层中；s1、向编码器网络模型的隐含层中加入第一个神经元；首先利用pso算法随机生成一组粒子{p
i,r
},其中d代表候选神经元的数量，1≤i≤d,1≤r≤r，r代表pso算法迭代的最大值，；p
i,r
为第r次迭代中的第i个粒子，表示神经元的权重和偏差，则根据ols理论，每个粒子p
i,r
的贡献度为：其中选取令贡献度值最大的粒子并标记为即第r次迭代中的第i个粒子p
i,r
被选为隐含层神经元的权重和偏差；得到ais数据的第一个特征变量和相应参数ω1；s2、向隐含层中加入第二个神经元；利用pso算法随机生成一组新的粒子{p
i,r
},p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第二个候选神经元的权重和偏差；则根据ols理论，每个粒子p
i,r
的贡献度为：其中选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第二个隐含层神经元的权重和偏差；得到ais数据的第二个特征变量和相应参数ω2；s3、向隐含层中加入第t个神经元；利用pso算法随机生成一组新的粒子{p
i,r
},p
i,r
为第r次迭代中的第i个粒子，每个粒子表示第t个候选神经元的权重和偏差；则根据ols理论，每个粒子p
i,r
的贡献度为：
其中选取令贡献度值最大的粒子并标记为即r次迭代中的第i个粒子p
i,r
为第t个隐含层神经元的权重和偏差；得到ais数据的第t个特征变量和相应参数ω
t
；s4、重复s3，向神经网络中逐次加入隐含神经元，直到隐含层中的神经元数量达到最大值s或是错误率小于某阈值υ：至此，编码器网络模型构建完成；s5、当船舶在航行过程中，若ais数据缺失，则根据所建立的编码器网络模型实现对ais缺失数据的准确预测。

技术总结
本发明公开了内河船舶AIS缺失数据拟合补偿方法，本发明基于已有船舶AIS训练数据集构建隐含层神经元相互正交的编码器模型，利用PSO算法优化神经元的权重和偏差，并逐个添加到编码器网络模型的隐含层中；本方法可以最大程度上提取AIS历史数据的特征变量，并根据特征变量进一步预测AIS缺失数据。与现有技术相比，本发明具有模型结构简单、预测精度高的特点。点。点。


技术研发人员：王燕霞 甘少君 叶劲松 梁山 陈艳艳
受保护的技术使用者：北京工业大学
技术研发日：2023.03.15
技术公布日：2023/7/18