基于深度学习和时空特征融合的海洋渔船密度预测方法.pdf

第 卷 第 期应 用 海 洋 学 学 报，年 月 ，基于深度学习和时空特征融合的海洋渔船密度预测方法丁依婷，胡志远，董帝渤 收稿日期：资助项目：福建省海洋灾害基础调查与评估项目（）；福建省财政科研资助项目（）作者简介：丁依婷（），女，博士，博士后；：通讯作者：董帝渤（），男，博士，副教授；：（福建社会科学院博士后创新实践基地，福建 福州，；福建师范大学理论经济学博士后科研流动站，福建 福州，；福建理工大学智慧海洋与工程研究院，福建 福州，）摘要：为了从海量渔船轨迹数据中挖掘隐含的信息和知识，进而为渔业行政主管部门的决策提供科学依据，本研究以 渔船轨迹数据为研究对象，提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先，利用渔船轨迹数据集对渔船行驶区域进行网格划分；其次，筛选出渔船高密度区域进行研究，避免数据稀疏性问题；再次，根据渔船轨迹数据的时空分析，构建三维时空融合矩阵；最后，通过卷积循环神经网络模型捕获渔船分布的时间和空间特征，并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试，结果表明渔船密度预测值与真实值非常接近，平均绝对误差为，模型较好地拟合了渔船密度分布特征，有效地提高了渔船捕捞热点预测的准确性和鲁棒性。关键词：渔业资源；渔船密度预测；深度学习；卷积神经网络：中图分类号：、文献标识码：文章编号：（）渔船密度预测是指通过渔船轨迹历史数据，预测未来一段时间指定区域内的渔船数量和密度分布情况，可以对渔船捕捞热点作业时间和空间进行短时预测。渔船密度预测常被应用于多种场景，包括海洋资源勘探、海上交通管制、海上安全等。渔船轨迹数据可以通过船舶自动识别系统（，）收集，也可通过船舶与岸基、船舶与船舶之间通信，实现船舶自动识别与跟踪，其中 系统提供了大量的渔船轨迹数据，详细记录了渔船的时间和空间变化信息，可以反映渔船在海面的真实行驶状态和行为模式，为渔船密度预测提供数据支撑。通过渔船轨迹数据进行分析挖掘可以获取很多有意义的信息，其结果有效服务于捕捞强度评估、渔业资源管理、海洋生态保护等方面，有助于推动海洋渔业向信息化、智能化、现代化转型升级。当前，渔船密度预测仍存在较多难点：一是渔船航行与车辆行驶不同，海面上没有路网约束，增加了渔船密度分布的随机性；二是渔船活动轨迹会受天气、鱼群分布、季节和捕捞类型等多种因素影响，使得渔船密度分布具有较强的不确定性。因此，渔船密度预测需要综合考虑多种因素，精准的渔船密度预测仍存在一定难度。传统的统计学分析方法可以应用于渔船密度预测工作中，主要包括回归分析和时间序列分析等，通过分析渔船历史捕捞数据、海洋气象数据的变化趋势和规律进行预测。基于统计学的方法不仅需要大量历史数据，而且难以捕捉到渔船季节性捕捞习惯和渔船个体差异等因素，所以效果并不理想。深度学习技术经过多年的发展与完善，实现了强大的学习特征能力，相关算法在多个领域取得了显著成果。深度学习技术可以捕获数据中非线性特征，自适应地学习高维数据中的潜在模式，具有较高的鲁棒性（）。常见的深度学习网络，如全连接神经网络（，）是一种前馈神经网络，包含输入层、隐藏层和输出层，层与层之间的神经元采用全连接方式；相较而言，卷积神经网络（，）则通 期丁依婷，等：基于深度学习和时空特征融合的海洋渔船密度预测方法 过卷积核与上一层特征面进行局部连接，大大缩小了全连接网络的参数量，常被用于图像检测、图像识别以及空间特征学习方面。随着网络的不断加深，残差网络（，）通过引入短连接来解决网格难以训练、网络退化等问题；长短期记忆网络（，）则是一种递归神经网络，特别适用于学习时间序列的特征，通过三种门控机制实现长短时时间特征挖掘，然而整个计算过程均采用全连接网络，使得模型参数较多，导致模型训练时间加长，而且缺少对空间特征的捕获能力。目前，国内外关于渔船密度预测的研究较少，等基于渔船位置、海洋化学元素、海水深度等信息，构建了随机森林模型来预测渔船密度分布，但是该研究方法缺少对渔船轨迹分布的时间和空间特征的考量。等基于卷积网络和残差网络，判断网格的入流和出流来提取时间和空间特征，从而实现了对渔船密度分布的预测，然而该研究方法对渔船密度分布的时间特征挖掘并不充分。基于此，为了更好地挖掘渔船轨迹数据的时间和空间特征，使模型能够及时准确地预测渔船密度分布，本研究基于深度学习技术构建渔船密度预测模型，提出了一种面向时空特征融合的渔船密度预测方法，通过构建三维矩阵来模拟渔船轨迹数据的时间和空间特征，并利用卷积长短期记忆网络（，）和卷积神经网络学习动态的渔船时间和空间模式，实现了对未来渔船捕捞热点作业时间的短时预测，达到了较好的渔船密度预测效果。材料与方法 技术流程渔船轨迹数据中包含着丰富的时间和空间信息，所以不仅需要利用时间序列特征，还要同时考虑时间和空间数据融合的多维特性。为了提升模型对渔船密度的预测能力，本研究提出了一种基于深度学习和时空特征融合的渔船密度预测方法，通过三维矩阵将渔船轨迹数据的时间和空间特征进行融合，并利用 和 学习数据时间和空间维度的特征，整体的算法流程如图 所示。图 基于时空特征融合的渔船密度预测方法技术流程 应 用 海 洋 学 学 报 卷 数据源及预处理本研究选取了中国东海海区 渔船行驶轨迹数据作为研究对象，其时间跨度为 年 月 日：到 年 月 日：，渔船活动范围在东经 和北纬 的海域之内，作 业 类 型 包 括 围 网、拖 网 和 刺 网，总 计 条轨迹数据，涉及渔船 艘，其中包含围网渔船 艘，拖网渔船 艘和刺网渔船 艘，数据点的时间间隔为 。图 展示了不同作业类型的渔船轨迹数据量月分布情况，受季节气候变化、海鱼生活习性和渔船管控制度等因素的综合影响，渔船活动强度在休渔期后的 月至次年 月大致呈现先增后减再增的规律。图 不同作业类型的渔船轨迹数据量月分布情况 渔船轨迹数据包括渔船、纬度、经度、航速、航向、时间、作业类型等信息。表 展示了渔船 为 的前 条数据详细信息。为了更好地利用渔船轨迹数据训练模型，提升渔船密度预测精度，需要对渔船轨迹数据进行预处理，处理流程如图 所示。首先，对渔船轨迹数据进行数据统计与分析，得到数据的时间范围、经度和纬度范围，用于确认网格划分的时间边界和空间边界，进而将渔船行驶区域划分成网格。通过计算每条渔船航行的经纬度范围和平均值，判断渔船的平均航行范围，确定网格的划分大小。本研究按照经纬度跨度为划分网格，并根据渔船密度分布热力图选定渔 期丁依婷，等：基于深度学习和时空特征融合的海洋渔船密度预测方法 船分布比较密集的区域进行研究，如图 中红色框所示，从而解决数据稀疏性问题，提升模型性能。其次，筛选出选定区域的渔船，重新统计选定数据的时间范围、经度和纬度范围等信息，进而统计出每个网格中的渔船数量，得到了一个时间点的经纬度网格数据。最后，将网格数据按照时间间隔为 进行整合，构建三维的时间和空间矩阵，用于下游模型训练学习。表 渔船轨迹数据表 北纬东经速度 方向时刻作业类型 ：围网 ：围网 ：围网 ：围网 ：围网 注：表中所示 条渔船轨迹数据日期为 年 月 日。图 渔船轨迹数据预处理流程 研究方法 与 技术原理卷积长短期记忆网络（）是将卷积操作和 进行结合的递归神经网络模型。相较于传统的 模型，采用卷积核替换了全连接网络，从而降低了网络参数的数量。并且，具有较强的空间特征捕获能力，所以能够同时获取数据中的时间和空间特征，具体计算过程如下：（）（）（）（）（）（）应 用 海 洋 学 学 报 卷（）（）（）（）式（）至（）中：表示数据输入，和 表示可学习参数；，表示三个门控，分别是输入门，遗忘门和输出门；表示上一个时刻的隐状态；是一个记忆状态；（）和 （）是 和双曲正切激活函数。和分别表示卷积操作和 积。卷积神经网络（）是机器视觉领域最常用的网络结构之一，通过卷积计算，提取图像等结构化数据的信息。多层 网格的层层堆叠，可以逐层提取出特定特征。低层 网络主要用于学习低层次的语义信息，而高层 网络则用于学习更高层次的语义信息。因此，本文利用 的这一特性来捕获渔船密度分布网格的空间特征，从而更好地完成预测任务，具体计算公式如下：（，），()，()()（）式（）中：表示输入数据，表示输出数据；表示可学习的卷积核，卷积核大小为 ；为可学习的偏置项。渔船密度预测模型构建渔船密度预测是指通过历史的渔船密度分布数据，预测未来指定时间的渔船密度分布情况，计算方法如下：，()（）式（）中：表示第 个时刻的历史渔船密度分布，即每个网格中 点总数与网格面积之比；表示未来第 时刻的渔船密度分布；表示预测模型，模型通过历史的 个时刻的数据来预测未来 个时刻的数据。本研究基于 构建时间和空间特征融合的渔船密度预测模型，模型框架如图 所示。首先，将表示渔船密度的时空矩阵数据输入到时空特征学习层，该层由多个 层组成，主要用于学习数据中的时间和空间特征。其次，将学习到的时空特征送到输出层，输出层主要通过不同尺度的卷积操作学习空间特征，提升渔船预测精度。本研究通过多层模型的堆叠，提高了模型的学习能力。图 模型框架图 通过 框架搭建模型，使用 层 模块，卷积模块中包含 个卷积层，卷积核设置为 和。预处理后的数据集共有 条数据，设定训练集和测试集分别占比 和，即训练数据量为 条，测试数据量为 条。学习率为，损失函数使用均方误差（，），学习轮数为 轮，时间长度为。评价指标选取实验选取了 个评价指标，分别是均方误差、均方根误差（，）、平均绝对误差（，）。和 可以衡量渔船密度预测模型的预测值与真实值的平均差异程度，通过计算模型预测值与真实值的平均绝对误差，用于衡量模型对于异常值的鲁棒性。通过对 个指标的综合分析，可以更全面地评估模型或方法的预测性能，具体计算方法如下：（）（）（）（）期丁依婷，等：基于深度学习和时空特征融合的海洋渔船密度预测方法 （）结果与分析图 中展示了训练和测试过程中损失值的变化，随着迭代轮数的增加，损失值不断下降，说明模型参数不断更新，模型学习到了数据中真实密度分布规律。同时，模型的评价指标 的值为、的值为、的值为，表明预测结果和真实结果非常相近，模型可以捕获到渔船轨迹数据中的时空模式。图 训练和测试过程的损失值比较 为了进一步说明模型预测的准确性，本研究选取了两个较为密集的网格进行展示，网格左上角经纬度坐标分别为（，）和（，），网格高度与宽度设置为，如图（）和（）所示。图中展示了 个时间点，每个时间点代表 分钟内的渔船数量，灰色虚线表示渔船密度的真实值，橙色实线表示渔船密度的预测值，二者非常相近，说明了模型的有效性。网格中渔船数量随着时间不断变化，由于数据的周期性规律较弱，模型在面临渔船密度突变幅度较大或较不规则情况时，存在时空信息较难捕捉的问题。为了进一步测试模型对不同网格跨度的预测效果，将网格高度与宽度设置为，进行渔船密度预测，如图（）和（）所示，分别展示了左上角经纬度坐标为（，）和（，）的两个网格的渔船密度真实值和预测值曲线，可以看出数据在陡峭和平坦的变化过程中都呈现了较好的预测效果，证明文中提出的模型可以有效地学习到数据的时间和空间模式。渔船分布热力图如图 所示。图（）表示真实的密度分布，图（）为模型预测的密度分布。通过对比可知，预测的密度分布和真实的密度分布非常相近，例如图（）中黄色框没有渔船分布，对应的图（）中也没有渔船，图（）中绿色框的渔船密度分布规律和图（）预测的渔船密度分布相近，说明模型可以有效的捕获到渔船轨迹分布的空间和时间特征。结论与展望渔船密度预测可以识别渔船的作业区域，从而评估渔业资源状况和渔业可持续发展水平。据此，本研究基于 年我国东海海区渔船 轨迹数据，提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测模型的构建方法和测试方法，充分利用了经纬度、速度、方向等 数据字段信息，综合考量了围网、拖网、刺网这 种作业类型的渔船轨迹数据，重点探讨了 与 模块级联技术在渔船密度预测方面的应用，尝试将三维时空融合数据的深度学习技术运用到渔船密度预测研究，得到了以下结论：（）基于渔船轨迹数据的三维时空融合矩阵，将卷积长短期记忆网络与卷积神经网络模块级联技术用于渔船密度预测方法，可以充分发挥二者的时间序列处理能力和空间特征处理能力，并通过多层堆叠增强了预测模型的拟合效果和泛化效果，可以为海洋捕捞活动信息获取和渔业资源保护提供参考依据。（）本研究通过我国东海渔船轨迹数据开展训练和测试，结果表明在不同网格分辨率划分的情况下，模型对渔船密度的预测均取得准确结果，同时通过真实和预测渔船整体分布热力图对比可知，模型可以有效捕获渔船密度分布的潜在模式，实现了渔 应 用 海 洋 学 学 报 卷船密度分布的短期预测。图 两个网格的渔船分布真实值与预测值比较 （）、（）为网格 的预测结果，（）、（）为网格 的预测及结果。海量 渔船轨迹数据的高效挖掘和准确预测是一项复杂又系统的工作，渔民捕捞行为的不 期丁依婷，等：基于深度学习和时空特征融合的海洋渔船密度预测方法 图 真实和预测渔船整体分布热力图对比 （）为真实的密度分布，（）为模型预测的分布。确定性和渔船海上航行的相对自由性，导致渔船行驶轨迹非常复杂，规律性不强，增加了渔船密度预测的难度。密集的网格划分将导致模型的计算成本迅速增加，而且对影响渔船密度分布的外部因素考虑不足。由于缺少对渔船作业类型的区分和对季节周期性因素的考虑，该预测模型会模糊不同类型渔船的季节性和周期性作业特点，对渔船密度分布的长期预测效果有待优化。未来，将从轻量化模型角度思考，使预测模型可以应用到更加密集的网格上，并充分考虑区域地理特征、政策管理因素、突发紧急状况等对渔船轨迹可能产生影响的外部因素，提升模型的全面性和可拓展性。此外，文中所提出的渔船密度预测方法还缺少系统性的应用，后续研究工作将通过构建完整的渔船密度和捕捞热点分布的预测分析框架，将该方法应用到更为广泛的实际工作中。应 用 海 洋 学 学 报 卷参考文献：，：，：陈仁丽，吴晓青，刘柏静，等 基于 的海上渔船捕捞活动聚集区提取方法研究 地球信息科学学报，（）：，（）：陈仁丽，吴晓青，刘柏静，等 基于 的渤海及其邻近海域捕捞活动聚集区时空特征分析 海洋渔业，（）：，（）：刘承基 渔船 和 轨迹融合方法研究及系统实现 大连：大连海洋大学，：，杨胜龙，张胜茂，原作辉，等 基于渔船捕捞行为特征的远洋延绳钓渔场捕捞强度计算 中国水产科学，（）：，（）：，：，（）：解钦 基于人工智能的渔船航行数据挖掘研究 青岛：青岛科技大学，：，孙允超 基于卷积神经网络的轨迹热点预测 青岛：青岛科技大学，：，汤先峰，张胜茂，樊伟，等 基于深度学习的刺网与拖网作业类型识别研究 海洋渔业，（）：，（）：，：周飞燕，金林鹏，董军 卷积神经网络研究综述 计算机学报，（）：，（）：，：，：，（）：，：，：，：，：，：，：，（）：，（，；，；，）：，期丁依婷，等：基于深度学习和时空特征融合的海洋渔船密度预测方法 ，：；：（：）（责任编辑：杜俊民）