系統預測精度優化

在系統預測精度優化方式，研究除了持續進行系統預測模型演算 法與不同資料組合方式外，並建置另一系統預測模型，並與原預測模型

3-16

進行參數設定及預測精度之比較與其差異分析。其優化後之船舶航行 安全預測模型架構如圖3.17所示。在模型架構方面，增加了第二層雙向 LSTM的神經元數，藉以提升模型的學習能力，並使用TimeDistributed 層使雙向LSTM的每個時間戳記之輸出應用至全連接層上，提高雙向 LSTM對模型的影響力。在訓練資料處理方面，則是將最大預測時間改 為10分鐘，由前一船舶行為預測系統模型結果可以看出，過高的最大預 測時間會大幅降低模型對時間欄位的學習能力，且欲以AIS資料特性準 確預測20至30分鐘後的船舶經緯度座標將會產生較大的誤差。

圖3. 17 優化後之船舶航行安全預測模型

3-17

以下研究將進行優化後之船舶航行安全預測模型隨機取樣間隔之 預測結果，以及依據時間差及經緯度區間數據量之預測結果的呈現。其 隨機取樣間隔的平均誤差為119公尺。其中平均誤差為系統預測結果與 船舶實際經緯度座標之大圓距離。

圖3.18為預測模型使用隨機取樣間隔進行預測之結果。t表示第三 筆特徵與標籤的時間差(s)，可以發現與原系統預測模型有著相同問題，

在t>268的預測結果相較於t<268的預測結果來說是較差的，而t>268的 預測結果的平均誤差則下降至157公尺，t<268預測結果的平均誤差則是 106公尺。在使用優化後的船舶航行安全預測模型能夠大幅的降低平均 誤差且差距也能有效縮小。由此可知優化的系統預測模型對t數值有著 較好的適應能力。

圖3. 18 優化系統預測模型之預測結果

表3- 3 優化系統預測模型之AIS資料隨機取樣間隔分析 Mean Min 25% 50% 75% Max

225 33 160 201 268 600

3-18

接著，研究同樣以優化之系統預測模型對進行區域性範圍預測，證 明預測區域範圍大小與預測精度之間不具影響關聯。圖3.19為東經 119.5至120、北緯23.5至24做為預測範圍之結果。圖3.20則是以東經122 至122.5、北緯21.5至22做為預測範圍之預測結果。

圖3. 19 優化之系統預測模型區域性範圍預測結果 (a)

圖3. 20 優化之系統預測模型區域性範圍預測結果 (b)

以圖3.19為例，此範圍數據量佔整體數據量的2.003%，平均誤差值 為115公尺。以圖3.20為例，此範圍數據量則是佔整體數據量的0.044%

，平均誤差值為124公尺。在深度學習的模型中，雖無法避免數據量因 為佔整體數據量較少而有較大的誤差結果。但研究在優化系統預測模 型後，已能有效縮小兩者間差距，亦即代表模型的預測更為平滑，並不 會過度擬合部分資料。

4-1