摘要：近年来，数据驱动的智能船舶运动姿态预测成为一个热门研究方向，为未来的航海提供了更多的可能性。借助先进的传感器、大数据分析和机器学习等技术，数据驱动方法通过对大量实际航行数据的分析，采用机器学习、深度学习等技术手段从中寻找规律，预测船舶在未来一段时间内的运动状态

水路交通控制全国重点实验室 武汉理工大学 湖北东湖实验室

柳芊 李诗杰 刘佳仑 胡欣珏 沈文何

近年来，数据驱动的智能船舶运动姿态预测成为一个热门研究方向，为未来的航海提供了更多的可能性。借助先进的传感器、大数据分析和机器学习等技术，数据驱动方法通过对大量实际航行数据的分析，采用机器学习、深度学习等技术手段从中寻找规律，预测船舶在未来一段时间内的运动状态。

智能船舶，作为数字与智能技术时代的重要组成部分，正引领着全球航运业的未来。随着全球智能船舶行业蓬勃发展，各国正积极研发包括智能航行、远程操控、编队航行在内的核心技术，以适应未来的智能航运需求。而运动姿态预测技术为智能船舶提供了关键的预判能力，不仅提升了安全性，还优化了能效和自动化水平，是智能航运发展的基础。

船舶运动姿态预测技术应用现状

荷兰ABB Marine & Ports早在2009年开发了OCTOPUS海洋顾问系统，采用多种机器学习与深度学习算法预测船舶的摇摆、纵倾运动趋势，利用数字孪生技术构建船舶及其环境的虚拟模型，通过不断更新实时数据，实时监测与预测船舶的运动状态。挪威Kongsberg Maritime开发了云平台Kognifai用于存储、优化与分析船舶运营数据，基于历史和实时数据预测船舶轨迹，通过数据挖掘技术分析船舶历史轨迹，协助船舶运营商更好地规划航线，减少能耗，提高航行效率与安全性。

Windward公司利用人工智能（AI）和大数据技术，通过分析全球范围内的自动识别系统（AIS）数据、船舶的历史行为数据、实时气象信息等，为客户提供海上风险评估、船舶行为预测及合规管理等解决方案。2016年，中国船舶重工集团公司（CSIC）开展了智能船舶的相关研究，开发了基于人工智能和大数据的船舶运动姿态预测系统，实时监测船舶状态，并提供精准的航行建议。

综上，船舶运动姿态预测技术已经有了相对成熟的落地应用，尤其是在北欧、美国和日本等国家。但在国内整体推广速度相对较慢，许多中小企业仍处于技术观望阶段。近年来，随着技术与感知手段的完善，船舶运动姿态预测研究领域取得了一定进展，数据驱动方法能够快速适应复杂动态环境，进行实时预测，提高安全性。因此本文提出了一系列基于机器学习和深度学习等方法。

数据驱动的船舶运动姿态预测方法的研究现状

1、船舶运动姿态预测问题

运动姿态预测问题是指在已知当前时刻运动状态、环境条件和控制输入的情况下，预测目标在未来时间段内的姿态变化。这些姿态变化通常包括横摇角、纵摇角、升沉等。在船舶运动姿态预测中，通常使用环境感知数据、历史轨迹数据和智能船舶系统提供的控制输入信息。表1是船舶运动姿态预测的各个控制变量和状态变量的对比。

2、数据驱动方法研究现状

基于数据驱动的船舶运动姿态预测方法大概可以分为传统的机器学习、深度学习、多模型融合、多任务学习及迁移学习等。表2是对各个方法的简单描述。

（1）传统机器学习

支持向量机（SVM）：能够根据船舶数据的分布选择合适的核函数，利用历史数据训练SVM模型，获得最佳的超平面分割。然后使用训练好的模型对新的数据进行预测，通过输入新的船舶状态和环境特征，输出船舶未来的位置、速度等运动参数。为了提升SVM在船舶运动姿态预测中的精度和适应性，研究者们提出了多种创新方法，如多核SVM、自适应SVM及增量SVM等，这些方法扩展了SVM在船舶运动姿态预测中的应用范围，使其不仅在静态场景下表现良好，也在动态和复杂的环境中表现出色。

决策树和随机森林 ：在进行船舶运动姿态预测时，决策树和随机森林都能够处理缺失值和异常值。决策树通过其节点的分裂来自动进行特征选择，能够识别出对船舶运动影响较大的特征，如天气条件、海洋、船舶负载等参数。而随机森林还通过集成多个决策树提高了预测的稳定性和准确性。随着数据的积累，决策树和随机森林模型可以通过增量学习的方法进行持续优化，进一步提高预测的准确性和可靠性。因此，决策树适用于对实时性要求高且数据相对简单的船舶运动姿态预测任务，而随机森林在处理复杂的船舶运动姿态预测任务时表现更为出色。

K 近邻（KNN）：可以用于分类和回归任务，因此在船舶运动姿态预测中既能用来对船舶运动状态进行分类又能预测船舶的具体运动参数。船舶运动姿态预测涉及多个特征，KNN 算法能够有效利用这些特征构建特征空间，并基于特征之间的相似性进行预测。由于KNN算法的简单性，使得其在实时船舶运动姿态预测中具有优势，能够快速响应新的数据输入。但在大规模数据中，KNN的计算开销较大。因此KNN在数据集较小且特征明显的场景下有较好应用。

（2）深度学习

长短期记忆网络（LSTM）：能够捕捉数据中的长期依赖关系，适合处理时间序列数据。船舶运动数据通常是时间序列的，并且受到多种因素的影响。LSTM能够通过其内部的门控机制有效地选择重要信息，且该方法能够自动学习和提取输入数据中的特征，消除了手动特征工程的需要。通过适当的数据预处理和模型优化，或者结合其他方法如传统机器学习算法或卷积神经网络可能会进一步提升预测准确性和模型的泛化能力。

卷积神经网络（CNN）：在船舶运动姿态预测中，CNN通常用于空间特征提取，与循环神经网络或LSTM结合后，可以同时捕捉空间和时间特征。CNN 通常需要大量标注数据进行训练，数据量不足可能导致模型过拟合。但不可否认的是，卷积神经网络在船舶运动姿态预测中具有显著的应用潜能，因其具有独特的卷积结构、共享权重以及多层次特征提取能力，能够有效处理多维数据。随着数据获取和计算能力的提升，CNN 在船舶运动姿态预测中的应用前景将更加广阔。

变分自编码器（VAE）：可以用于从复杂的船舶运动数据中学习潜在特征。这些特征可以帮助理解船舶运动规律，并用于后续的预测模型中。在训练数据不足的情况下，可以利用VAE生成合成的船舶运动数据，丰富数据集。但生成样本的质量可能不如CAN，尤其是在高维数据中，可能出现模糊或不清晰的样本。

生成对抗网络（GAN）：通过对抗性训练方式，能够生成与真实数据分布相似的新数据，可以模拟不同环境和条件下的船舶行为，这对于训练模型和增强数据集非常有用。但是GAN的训练过程可能不稳定，容易出现模式崩溃，且设计和训练GAN通常需要较高的技术水平，涉及多个超参数的调整过程。有些研究将VAE用于特征提取，再利用GAN生成船舶运动轨迹，从而能够在数据不足的情况下增强模型的泛化能力和鲁棒性。

（3）集成学习

Boosting ：通过组合多个模型来改善预测性能。Boosting是一种特定的集成学习方法，通过逐步构建模型来提高整体性能，常见的Boosting算法有AdaBoost和梯度提升树（Gradient Boosting Trees，GBT）。

AdaBoost ：在船舶运动姿态预测中，AdaBoost通过给每个基学习器分配权重，专注于纠正前一轮学习器的错误，从而提高整体模型的准确性。另外，AdaBoost可以融合不同来源的数据，通过集成学习的方式来提升预测的准确性。这种方法适合于处理具有简单非线性的运动预测任务。且AdaBoost能够聚焦错误分类的样本，可以提高对复杂情况的适应能力，尤其适合船舶运动中经常发生的突发运动状态变化。

梯度提升树（GBT）：GBT 是一种强大的集成学习算法，广泛用于分类和回归问题。通过对每个特征的分裂条件进行优化，GBT能够有效利用可用信息，从而在缺失数据的情况下仍能进行有效预测。并且GBT能够通过特征选择和重要性评估，自动处理这些多维数据，提取关键特征，从而提高模型的性能。研究表明，GBT在船舶运动姿态预测中通常能够提供比传统线性回归或单一决策树模型更高的预测精度。

（4）多任务学习

多任务学习（Multi-task Learning, MTL）是一种机器学习方法，通过同时学习多个相关任务来提高模型的泛化能力和性能。多任务学习可以同时预测多种航行工况下的船舶运动参数，如速度、航向和加速度。在船舶运动数据中，不同的特征可能存在数据不平衡或者缺失的问题。传统的单任务模型往往无法充分利用这些数据。而多任务学习可以通过共享信息，使得某些任务的数据匮乏问题得到缓解。在船舶运动姿态预测中，这意味着模型在应对新海域、新环境条件时，能够表现得更加鲁棒。这种方法能够通过共享底层特征表示来提高各个任务的预测准确性。

（5）迁移学习

迁移学习（Transfer Learning）是一种在目标任务的数据有限或训练难度较高的情况下，从相似的源任务中获取知识，并将其应用于目标任务的机器学习方法。例如在船舶运动姿态预测中，可以通过船舶模拟器生成大量的仿真数据，但与真实环境中的数据存在一定差异。迁移学习可以从模拟环境中学习特征，将其迁移到真实环境中，提升模型在实际海域中的预测能力。迁移学习在船舶运动姿态预测中展现出良好的应用前景，尤其是在数据稀缺、特征重用和泛化能力提升方面。

上述算法在船舶运动姿态预测领域应用有着各自的优势，本文总结了在一般情况下不同算法在不同要求下的表现情况（如表 3）。

尽管数据驱动方法在船舶运动姿态预测中具有明显的优势，但仍然面临以下挑战 ：

（1）数据不足与标签不一致 ：高质量的标注数据较为稀缺，模型训练效果受限。

（2）复杂海况下的鲁棒性 ：极端天气的条件下，模型的预测精度往往会下降。

（3）动态交互场景的建模 ：多船场景下的动态交互增加了模型设计的复杂性。

3、数据驱动方法进行船舶运动姿态预测的优势

数据驱动方法之所以受到青睐，原因在于它能够从海量的历史数据中挖掘出规律，并将其应用到预测中。相比于传统方法，数据驱动方法具有以下几点优势：

（1）复杂环境中的高适应性和实时性

传统的船舶运动姿态预测方法在复杂海况下往往难以适应多变的环境因素。数据驱动模型可以通过在线学习和增量更新实时适应新的数据，而传统方法更新模型需要较长时间和复杂的重新计算。数据驱动方法在经过训练后，预测过程极其高效。例如，经过训练的神经网络可以在毫秒级别进行预测，适用于实时应用场景。传统方法由于复杂的物理计算和模拟，通常需要更长的时间来完成预测。数据驱动方法还能够实时处理和分析流式数据，如船舶的AIS实时位置数据。传统方法往往难以处理实时数据流，反应速度较慢。

（2） 高精度和处理非线性数据

通过不断地训练和优化，数据驱动模型可以从大量历史数据中学习最佳的预测模式和参数，而传统方法依赖于物理模型和经验，难以全面捕捉复杂的运动模式。许多传统方法在默认情况下假设线性关系，但通过适当的特征变换、模型选择和参数优化，很多传统方法能够处理非线性数据。然而，效果往往不如深度学习算法显著。而数据驱动方法能够通过从大量历史数据中学习这些复杂的非线性关系，实现精度更高的预测。

（3） 多源数据的融合能力

船舶运动涉及多个因素，包括船舶的速度、航向、位置、环境数据等。数据驱动方法可以整合多种数据源，捕捉不同数据之间的关系，综合考虑多种因素对船舶运动的影响，而传统方法通常只能处理单一数据源或需要复杂的手动数据融合。

数据驱动的船舶运动姿态预测应用场景

数据驱动的船舶运动姿态预测已经在多个领域得到了应用。

1、航线优化

在船舶路线优化中，需要考虑各种因素，包括航行速度、航行区域的水深、水流等干扰。通过精准预测船舶的航行轨迹，航运公司可以规划出最优路线。传统的优化算法，如线性规划和动态规划等在处理复杂的航行问题时可能会遇到计算瓶颈。而数据驱动的算法如深度学习和强化学习等能够处理更加复杂的模型，挖掘出潜在的航行模式和趋势。航线优化常常需要平衡多个目标，例如减少燃料消耗、缩短航行时间、提高安全性等。数据驱动算法可以通过多目标技术如遗传算法等来同时考虑这些目标，从而提供更为综合的解决方案。

2、避碰规划

预测船舶的避碰轨迹需要考虑船舶和其他船舶的航行状态。船舶的航行状态可以通过定位或惯性导航直接获得，也能使用AIS、雷达、视频和电子海图等来源来感知其他船只的航行状态信息。但是获得的船舶运动的信息通常包含错误和不确定性。因此，它需要使用短程预测算法来预测他们的运动趋势，并计算最小遭遇距离和最近遭遇时间。通过预测船舶的航行轨迹，可以提前识别潜在的碰撞风险，避免碰撞事故。并且船舶运动姿态预测结合实时数据，能够动态调整航线，避开潜在的碰撞风险区域，从而提高航行的安全性。

3、海上搜救

海上搜救是一项复杂且具有挑战性的工作，需要考虑多种因素以确保搜救工作的有效性和成功率。而数据驱动的预测方法在海上搜救中起着至关重要的作用。它利用大量历史航行数据、实时交通数据、气象数据等进行分析，能够帮助模型更好地理解和预测航行中的各种动态变化。许多国家的海上搜救组织已经开始实施数据驱动的预测技术。例如美国海岸警卫队使用数据分析来优化搜救行动，提高响应速度 ；欧洲海事安全局（EMSA）通过整合海洋数据和船舶信息，提高搜救效率。

4、环境监测

近年来，国际组织发布了多项关于海上环境保护的政策与法规，旨在减少船舶对海洋环境的污染，而船舶运动姿态预测可以用于预防和管理污染物扩散，也可以支持海洋生态系统保护、气候变化研究等。通过实时掌握海洋和气象环境信息，船舶能够做出更加智能化的决策，确保高效、安全、环保的航行。这不仅有助于提升船舶运营效率，还能够确保遵守国际法律法规，减少对海洋环境的影响。

数据驱动的船舶运动姿态预测的发展趋势

随着人工智能技术、计算机技术的不断进步，数据驱动的船舶运动姿态预测在未来有着广阔的发展前景。未来，船舶运动姿态预测技术将朝着以下方向发展 ：

1、基于多源传感器数据融合的轨迹预测

在避免碰撞的复杂导航场景中，单个传感器对目标识别存在限制。船舶运营商需要根据自己经验组合来自不同传感器的信息，难以有效感知障碍物。因此多个传感器的数据融合进行轨迹预测，提供更准确的船舶导航遭遇评估是未来需要攻克的一个难关。未来的预测模型将不仅依赖于航行数据，还会结合气象卫星、船舶传感器、AIS系统等多种数据源，实现更精确的预测。

2、时间序列建模和实时决策

对船舶运动状态的传统预测在很大程度上依赖于船舶运动的精确数学模型。这些模型与船舶在不同环境中的响应错综复杂地集成在一起，利用模型预测方法来预测船舶的运动。错综复杂的挑战在于船舶运动和导航环境的时变性质，这使得数学模型的使用变得复杂。因此，建立从高精度数据衍生的时间序列模型成为船舶运动姿态预测和控制的关键必要条件。未来的系统将能够提供实时或近实时的预测，使船舶能够根据最新的环境条件和交通状况做出快速决策。这对于提高航行安全性和效率至关重要。

3、智能决策系统

随着船舶朝着自动化和智能化的方向发展，传统船舶正在采用先进的传感器来支持导航决策和控制。结合船舶运动姿态预测与智能决策系统，未来的船只不仅能够自我预测，还能根据预测结果进行智能决策，例如调整航线、避开危险海域等。机器学习和深度学习算法的日益普及有望显著增强船舶航行过程中的感知和决策能力。这种向高级算法的转变预计将增强智能船舶的自主性，从而减少人为干预，提高效率和安全性，并降低运营成本。通过数据驱动的建模、积累、迭代和更新进行的持续进化，将有助于提高船舶导航环境和运动控制模型的准确性。

数据驱动的船舶运动姿态预测为航海领域带来了全新的机遇。随着技术的不断进步，船只的安全性、效率和环保水平都将显著提高。我们有理由相信，未来的海上运输将更加智能化，为全球经济和环境保护做出积极贡献。

来源：中国船检