基于深度双向长短时记忆网络的集装箱港口卡车轨迹预测.pdfVIP

基于深度双向长短时记忆网络的集装箱港口卡车轨迹预测--第1页

珠江水运

2024年02月135

学术·基于深度双向长短时记忆网络的集装箱港口卡车轨迹预测·

基于深度双向长短时记忆网络的集装箱港口卡车

轨迹预测

123

◎夏喻义庞铖高明琪

1.上海沪东集装箱码头有限公司；2.上海沪东集装箱码头有限公司；3.上海海洋大学

摘要：车辆轨迹预测是交通工程和人工智能领域中的一个关键研究议题，具有广泛的

应用前景，包括自动驾驶、交通管理和智能交通系统等。在本研究中，着重解决港口区域

内用于搬运集装箱的卡车在遭受遮挡时出现的瞬时定位误差。为此，本文设计了一种数

据驱动的车辆轨迹预测框架。该框架通过先行处理大规模GPS数据集，并采用深度双向

长短时记忆网络（DeepBiLSTM）进行模型训练。针对从实际港口内收集而来的轨迹数

据，使用DeepBiLSTM网络与传统算法（如卡尔曼滤波器）、机器学习技术（如支持向量

回归）进行了对比。实验结果显示，DeepBiLSTM在均方根误差（RMSE）、平均绝对误差

（MAE）、F1分数以及轨迹重构误差（TRE）等多个评价指标上均表现出色，相对于传统

方法，性能提升约为70%。因此，本文所提出的这一基于数据驱动的目标轨迹预测方法在

准确度和实用性方面均具有明显优势，为港口内集装箱卡车的精准定位提供了有效的解

决方案。

关键词：数据驱动；轨迹预测；长短时记忆网络

1.引言为了突破传统技术的限制，并迹的方法；王晓龙[4]等人开发了长期

1.1背景问题最大限度地发挥数据驱动技术的预测方法，结合基于轨迹分类和粒子

车辆轨迹的时间序列预测在港潜能，本文提出了一种新的轨迹预滤波框架；潘迪夫[6]等人使用了一种

口内具有显著的研究价值和应用前测方法：深度双向长短时记忆网络基于粒子滤波器的定位方法，使用固

景。港口作为全球贸易和物流的重要（DeepBiLSTM）。该方法汇集了深定地标的距离和方位信息；张学工[8]

节点，其内部交通流动性和效率不仅度学习、注意力机制和高级优化策略等人将基于模型的方法和数据驱动

直接影响着港口的整体运营效能，的优势，能够精确预测港口内集装箱的方法相结合，使用卡尔曼滤波器来

还关系到更广泛的供应链管理和全卡车的行驶轨迹。预测车辆轨迹。然而，传统的目标预

球贸易平衡。集装箱卡车作为港口内1.2相关工作测模型存在局限性，难以处理嘈杂和

部物流的关键组成部分，其行驶轨近年来，车辆轨迹预测任务备受易变轨迹，不能完全捕捉目标动力学

迹的精准与高效预测成为一个至关关注，许多学者已经通过不同的方法的复杂性和不确定性。

重要的问题。提高集装箱卡车行驶进行探索。轨迹预测方法中，基于运随着硬件算力的不断提升，各种

轨迹预测的准确性，不仅可以提高物