中国航海

基于改进LSTM的波浪作用下船舶操纵运动在线预报方法研究

PDF下载

陈立家 ¹^,²^,³^,^* , 周欣蔚 ¹^,²^,³ , 刘克中 ¹^,²^,³ , 张乃锋 ¹^,²^,³

中国航海 | 海上交通安全 2026,49(2): 15-24

收起

中国航海 | 海上交通安全 2026, 49(2): 15-24

基于改进LSTM的波浪作用下船舶操纵运动在线预报方法研究

全屏

陈立家¹^,²^,³^,^*, 周欣蔚¹^,²^,³, 刘克中¹^,²^,³, 张乃锋¹^,²^,³

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．武汉理工大学内河航运技术湖北省重点实验室，湖北武汉 430063

^3．武汉理工大学水路交通控制全国重点实验室，湖北武汉 430063

陈立家（1979—），男，教授，博士，研究方向为智能航海与仿真技术。

通讯作者:

^*navisky@qq.com

Online prediction method of ship maneuvering motion under wave influence based on improved LSTM neural network

Lijia Chen¹^,²^,³^,^*, Xinwei Zhou¹^,²^,³, Kezhong Liu¹^,²^,³, Naifeng Zhang¹^,²^,³

Affiliations

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

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

^3.State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology, Wuhan 430063, China

出版时间: 2026-04-25 doi: 10.3969/j.issn.1000-4653.2026.02.002

文章导航

摘要

收起

针对波浪等环境扰动导致的船舶操纵运动预报模型实时性不足与长周期精度下降等问题，提出一种基于改进长短时记忆（Long Short-Term Memory, LSTM）神经网络的船舶操纵运动在线预报方法。以多层LSTM为核心，通过嵌入的滑动窗口结构，实时计算窗口内误差指标，当窗口平均误差超过设定阈值时触发模型训练更新，从而达到适时更新的在线预报目的。试验结果表明：与离线预报相比，在线预报方法在波浪工况不断切换的长周期工况下仍能保持稳定的预报精度；在相同窗口长度下，采用更严格阈值设置的在线预报方法的均方根误差（RMSE）结果最高改善达56.85%，同时累计更新时间仅为3.82 s。所提出的在线预报方法在船舶操纵运动的长期预报工作中能实现良好的预报效果，对复杂海况下船舶操纵运动的长周期精确预报工作具有一定的应用价值。

关键词

航行安全 / 在线预报 / 长短时记忆神经网络 / 船舶操纵运动 / 波浪作用 / 滑动窗口

Abstract

收起

To address the insufficient real-time capability and long-horizon accuracy degradation of ship maneuvering motion prediction under environmental disturbances such as waves, an online prediction method based on an improved Long Short-Term Memory (LSTM) neural network is proposed. A multi-layer LSTM is adopted as the core predictor, and an embedded sliding-window structure is introduced to compute the error metrics within the window in real time. When the window-averaged error exceeds a preset threshold, model retraining and updating are triggered, thereby achieving timely online prediction. The results indicate that, compared with offline prediction, the proposed online method maintains stable prediction accuracy under long-horizon conditions with continuously switching wave states. With the same window length, the online method with a stricter threshold achieves a maximum RMSE improvement of 56.85%, while the cumulative update time is only 3.82 s. The proposed online prediction method delivers satisfactory long-horizon prediction performance for ship maneuvering motion and shows practical value for accurate long-horizon prediction under complex sea conditions. Key words:navigation safety; online prediction; long short-term memory neural network; ship maneuvering; wave influence; sliding time window

引用本文

陈立家, 周欣蔚, 刘克中, 张乃锋. 基于改进LSTM的波浪作用下船舶操纵运动在线预报方法研究. 中国航海, 2026 , 49 (2) : 15 -24 . DOI: 10.3969/j.issn.1000-4653.2026.02.002

Lijia Chen, Xinwei Zhou, Kezhong Liu, Naifeng Zhang. Online prediction method of ship maneuvering motion under wave influence based on improved LSTM neural network[J]. Navigation of China, 2026 , 49 (2) : 15 -24 . DOI: 10.3969/j.issn.1000-4653.2026.02.002

基金

收起

国家自然科学基金重点项目(52031009)

参考文献

收起

2026年第49卷第2期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1000-4653.2026.02.002

接收时间：2025-01-25
首发时间：2026-05-19
出版时间：2026-04-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-01-25

基金

国家自然科学基金重点项目(52031009)

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．武汉理工大学内河航运技术湖北省重点实验室，湖北武汉 430063

^3．武汉理工大学水路交通控制全国重点实验室，湖北武汉 430063

通讯作者:

^*navisky@qq.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zghh/CN/10.3969/j.issn.1000-4653.2026.02.002

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