A multi-task analysis and modelling paradigm using LSTM for multi-source monitoring data of inland vessels
A multi-task analysis and modelling paradigm using LSTM for multi-source monitoring data of inland vessels
复制标题
基于LSTM的内河船舶多源监测数据多任务分析建模范式
DOI：
10.1016/j.oceaneng.2020.107604
复制
发表时间：
2020-08
影响因子：
5
通讯作者：
Ryan Wen Liu
中科院分区：
文献类型：
--
作者：
Zhi Yuan;Jingxian Liu;Yi Liu;Qian Zhang;Ryan Wen Liu
船舶监测数据为人们真实的了解船舶动态状况、做出正确的船舶管理和运营决策提供了重要信息。然而，一些基本数据可能不完整或不可用。为了恢复或预测缺失的信息，充分利用船舶监测数据，结合统计分析、数据挖掘和神经网络等方法，提出了一种内河船舶多源监测数据的多任务分析建模框架。具体而言，一种先进的神经网络，长短期记忆（LSTM），被定制并用于解决三个重要任务，包括船舶轨迹修复，发动机速度建模和燃料消耗预测。所开发的模型已被验证，使用现实生活中的船舶监测数据，并显示优于其他一些广泛使用的建模方法。此外，采用统计学和数据技术对数据进行提取、分类和清洗，并设计了船舶航行状态识别算法。
The vessel monitoring data provide important information for people to understand the vessel dynamic status in real time and make appropriate decisions in vessel management and operations. However, some of the essential data may be incomplete or unavailable. In order to recover or predict the missing information and best exploit the vessels monitoring data, this paper combines statistical analysis, data mining and neural network methods to propose a multi-task analysis and modelling framework for multi-source monitoring data of inland vessels. Specifically, an advanced neural network, Long Short-Term Memory (LSTM) was tailored and employed to tackle three important tasks, including vessel trajectory repair, engine speed modelling and fuel consumption prediction. The developed models have been validated using the real-life vessel monitoring data and shown to outperform some other widely used modelling methods. In addition, statistics and data technologies were employed for data extraction, classification and cleaning, and an algorithm was designed for identification of the vessel navigational state.
登录
查看更多内容
DOI：
10.1201/9780429505294-14
发表时间：
2018-04
期刊：
--
影响因子：
--
作者：
H. Tian;B. Wu;X. Yan
通讯作者：
H. Tian;B. Wu;X. Yan
DOI：
10.1145/3321619.3321671
发表时间：
2018-12
期刊：
--
影响因子：
--
作者：
Hankun Shi;Xuelin Wang
通讯作者：
Hankun Shi;Xuelin Wang
影响因子：
2.9
作者：
Gers, FA;Schmidhuber, J;Cummins, F
通讯作者：
Cummins, F
影响因子：
3.9
作者：
Li, Huanhuan;Liu, Jingxian;Xiong, Naixue
通讯作者：
Xiong, Naixue
DOI：
--
发表时间：
2012-07
期刊：
2012 15th International Conference on Information Fusion
影响因子：
--
作者：
K. Kowalska;Leto Peel
通讯作者：
K. Kowalska;Leto Peel