中国航海

基于GRU-Attention-BiLSTM的船舶轨迹预测模型

PDF下载

袁志涛 ¹^,² , 李泽伟 ¹ , 刘克中 ¹^,² , 陈默子 ¹^,² , 袁航 ¹

中国航海 | 智能航运 2025,48(4): 132-140

收起

中国航海 | 智能航运 2025, 48(4): 132-140

基于GRU-Attention-BiLSTM的船舶轨迹预测模型

全屏

袁志涛¹^,², 李泽伟¹, 刘克中¹^,², 陈默子¹^,², 袁航¹

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．内河航运技术湖北省重点实验室，湖北武汉 430063

通讯作者:

袁志涛（1986—），男，硕士生导师，研究方向为水路交通安全保障等。E-mail: ztyuan@whut.edu.cn

Research on ship trajectory prediction model based on GRU-Attention-BiLSTM

Zhitao YUAN¹^,², Zewei LI¹, Kezhong LIU¹^,², Mozi CHEN¹^,², Hang YUAN¹

Affiliations

^1.School of Navigation, Wuhan University of Technology, Wuhan 430063, China

^2.Hubei Key Laboratory of Inland Shipping Technology, Wuhan 430063, China

出版时间: 2025-12-25 doi: 10.3969/j.issn.1000-4653.2025.04.015

文章导航

摘要

收起

针对复杂通航水域中船舶轨迹预测准确性不高的问题，提出了基于GRU-Attention-BiLSTM的船舶轨迹预测模型，该模型编码器部分使用门控循环单元（GRU）来捕捉轨迹序列中的时序特征，解码器采用双向长短期记忆网络（BiLSTM）并加入注意力（Attention）机制来调整数据特征的权值。以历史时刻的船舶经度、纬度、速度及航向为模型输入基础特征，同时引入中值滤波平滑处理后的水域船舶密度作为附加特征。选取宁波舟山港核心港区2024年3月的AIS数据进行模型的训练和验证，并与GRU、LSTM、Seq2Seq-LSTM、Attention-BiLSTM和Transformer模型进行定量和定性对比，结果表明本文模型在不同的预测时长和航行场景下都有更优的预测结果。

关键词

复杂通航水域 / 船舶轨迹预测 / 注意力机制

Abstract

收起

To address the issue of low accuracy in ship trajectory prediction in complex navigable waters, this paper proposes a GRU-Attention-BiLSTM model for ship trajectory prediction. In the encoder part, the Gated Recurrent Unit (GRU) is employed to capture temporal features in trajectory sequences. The decoder adopts a Bidirectional Long Short-Term Memory Network (BiLSTM) integrated with an Attention mechanism to adjust the weights of data features. The model input is based on the longitude, latitude, speed and heading of the ship at the historical moment, and the ship density in the water area after median filtering smoothing is introduced as an additional feature. Using Automatic Identification System (AIS) data from the core port area of Ningbo-Zhoushan Port in March 2024, the model was trained and validated. Quantitative and qualitative comparisons with GRU, LSTM, Seq2Seq-LSTM, Attention-BiLSTM, and Transformer models demonstrate that the proposed model achieves superior prediction performance across different prediction durations and navigation scenarios.

Key words

complex navigable waters / ship trajectory prediction / attention mechanism

引用本文

袁志涛, 李泽伟, 刘克中, 陈默子, 袁航. 基于GRU-Attention-BiLSTM的船舶轨迹预测模型. 中国航海, 2025 , 48 (4) : 132 -140 . DOI: 10.3969/j.issn.1000-4653.2025.04.015

Zhitao YUAN, Zewei LI, Kezhong LIU, Mozi CHEN, Hang YUAN. Research on ship trajectory prediction model based on GRU-Attention-BiLSTM[J]. Navigation of China, 2025 , 48 (4) : 132 -140 . DOI: 10.3969/j.issn.1000-4653.2025.04.015

基金

收起

国家自然科学基金项目(52031009)

参考文献

收起

2025年第48卷第4期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1000-4653.2025.04.015

接收时间：2025-01-02
首发时间：2026-03-17
出版时间：2025-12-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-01-02

基金

国家自然科学基金项目(52031009)

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．内河航运技术湖北省重点实验室，湖北武汉 430063

通讯作者:

袁志涛（1986—），男，硕士生导师，研究方向为水路交通安全保障等。E-mail: ztyuan@whut.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zghh/CN/10.3969/j.issn.1000-4653.2025.04.015

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT