学位论文简介
船舶交通作为全球贸易和经济发展的重要组成部分，其安全、高效的运行引起了广泛的关注。然而，由于航海环境的复杂性和天气条件的不确定性，探索高准确度和可靠性强的船舶轨迹预测模型一直是一个极具挑战性的问题。因此，本文主要围绕提高船舶轨迹预测精度这一主题，基于深度学习方法，建立了有助于在大数据量和多场景下的高可靠性和适应性船舶轨迹预测模型和方法。取得了以下主要创新型研究成果：
针对现有船舶轨迹预测模型获取历史轨迹数据特征不足的问题，提出了一种基于门控循环单元网络(GRU)的双层数据驱动船舶轨迹预测模型。该模型采用门控循环单元网络(GRU)和双向门控循环单元网络(BiGRU)构建双层数据驱动子模型提取船舶历史航行数据特征，并采用自注意力机制深度获得数据中行为特征，从而提高模型的预测精度。
针对现有船舶轨迹预测模型缺乏对后向历史数据考虑的问题，提出了一种基于AIS数据的双向数据驱动轨迹预测模型。该模型将目标预测轨迹后的历史数据扩展到轨迹预测模型当中，打破已有的单向预测方法，利用长短期记忆网络(LSTM)使得模型能够从数据中提取更多的特征。从而更好地实现对目标轨迹预测进行精准预测。
针对现有船舶轨迹预测模型对多源数据适应性不强的问题，提出了一种基于多源AIS数据的自适应数据融合模型。该模型利用深度学习网络提取多源AIS是数据的差异特征来适应预测不同海域的船舶轨迹。同时扩展邻接距离标签约束增强历史轨迹点之间的数据关联关系，为建立强适应性和高准确性的预测技术提供方案。
针对现有船舶轨迹预测模型对海上错综复杂环境因素考虑不足的问题，提出了一种海事交通服务系统下基于多模态的深度学习船舶轨迹预测(MDL-TP)框架。该框架不仅考虑船舶位置和行为特征因素，还考虑了海上环境如风、能见度和气温等因素对船舶轨迹预测精度的影响。框架实现了对多模态数据进行预处理，构建合适的特征提取网络和融合网络，以及如何训练深度网络和构建网络架构。具体来说，该框架介绍和开发了五种船舶轨迹预测模型，并在MDL-TP框架中进行统一。为海事交通服务系统提供了多模态可靠的轨迹预测方案。
主要学术成果
学术论文：
Ye Xiao, Xingchen Li*, Wen Yao, Jin Chen, Yupeng Hu*. Bidirectional Data-Driven Trajectory Prediction for Intelligent Maritime Traffic[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 24(2): 1773-1785. (中科院SCI 1区，JRC 1区，IF=8.5)
Ye Xiao, Xingchen Li, Jiangjin Yin, Wei Liang, Yupeng Hu*. Adaptive multi-source data fusion vessel trajectory prediction model for intelligent maritime traffic[J]. Knowledge-Based Systems, 2023, 277: 110799.(中科院SCI 1区，JRC 1区，IF=8.8)
李乾, 胡玉鹏, 叶振宇, 肖叶，秦拯. 基于蚁群优化算法的纠删码存储系统数据更新方案[J]. 计算机研究与发展, 2021. (中文核心)
发明专利：
[1] 胡玉鹏, 肖叶, 黄靖, 旷文鑫, 刘乾桢, 肖雨婷. 船舶轨迹预测方法、终端设备及存储介质. 2023,申请号: 2023106044854
[2] 胡玉鹏, 唐斌, 肖叶, 叶振宇, 辛钰雯. 一种基于空闲节点主动的安全内存共享方法. 专利号:ZL202210040640.X, 授权日期：2022年4月8日
