科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题，提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框架，通过规范客户端数据集规模以及客户端正则项，在保持原有客户端数据特征的前提下，减小数据非独立同分布特征对全局模型的影响，加快收敛速度。面向海洋通信资源短缺场景，建立基于船舶自动识别系统(AIS)数据的CNN-GRU船舶轨迹预测模型，解决了船舶终端设备计算能力不足的问题。在MarineCadastre开源和舟山海洋船舶航行AIS数据集上的实验结果表明，E-FVTP在预测误差比集中式训练降低40%的情况下，收敛速度提升67%、通信代价降低76.32%，可实现复杂海洋环境中船舶轨迹的精确预测，保障海上交通安全。
- 单位
