文摘针对传统的神经网络模型因超参数众多,在实验中比对最优参数组合效率低下导致误差较大和反应速度慢的问题。本文提出一种基于北方苍鹰优化(Northern Goshawk Optimization,NGO)算法和双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit, Bi-GRU)的船舶轨迹预测模型NGO-Bi-GRU(Northern Goshawk Optimization Bidirectional Gated Recurrent Unit)。利用NGO对Bi-GRU模型的学习率、隐藏节点和正则化系数进行寻优,然后将寻优得到的网络超参数代入Bi-GRU进行船舶轨迹预测。将该模型与长短时记忆神经网络(Long Short Term Memory, LSTM)和门控循环单元神经网络模型(Gated Recurrent Unit, GRU)以及使用该算法优化的长短期神经网络模型进行实验对比,将均方误差、均方根误差、平均绝对误差作为评价标准。结果表明,NGO-Bi-GRU模型在经度和纬度预测上误差较小、精确度较高且数值波动更加稳定。
