国内研究现状#

在漂流轨迹方面，茅晨昊等基于高斯过程回归算法对船舶航行轨迹之后24分钟进行预测。在前9分钟精度接近原本船舶轨迹，最后偏差率达到8.9%^[1]。夏山宏等分别基于解析法和蒙特卡罗方法建立了落水人员漂移轨迹预测模型。实现了落水人员漂移轨迹预测及落水位置12小时内百米精度查询^[2]。

LightGBM方面，史永胜等采用LightGBM模型，使用GridSearchCV算法的GBRD和RF模型在相同条件下进行比较，该方法能够显著加快模型运算速度。预测的最大MAE、MSE、RMSE分别不超过3.0、17.7、4.2^[3]。陈勤达等提出一种基于鲸鱼优化算法（WOA）与轻量级梯度提升机（LightGBM）的无创血压检测模型WOA-LightGBM。预测的平均绝对误差均±5mmHg，与传统结果有高度一致性^[4]。高治鑫等提出一种基于贝叶斯优化与五折交叉验证的模型搜索方案，结合LightGBM模型应用于大坝变形预测中，与其他模型相比。该模型具有更高的预测精度和泛化能力，在3种定量评估指标中均取得最好表现^[5]。

国外研究现状#

漂流轨迹方面，Melissa Cook等将海龟漂移数据与美洲海洋系统（AMSEAS）水动力模型的输出相结合，应用于另外247只搁浅的海龟，以产生5d拉格朗日回溯漂移，得出死亡源位置概率图。达到了97.34%的评估精度^[6]。Piotr Borkowski等提出了一种船舶运动轨迹预测算法，该算法通过数据融合，考虑了来自多个加倍的自主设备对船舶当前位置的测量。大大增加了预测的可靠性和准确性^[7]。

LightGBM方面，Indu Chhillar等将获得的特征连接起来形成一个特征集。具有纹理、颜色和组合特征的LightGBM。分别以97.72%、99.92%和100%的准确率完成对肺癌和结肠癌图像进行分类^[8]。Abdul Rahaman Wahab Sait等提出CNN技术用于特征提取，使用多线程的LightGBM模型进行脑组织分类。以99.6%的准确率和灵敏度成功地对脑组织进行了分类^[9]。Baoshan Xie等使用最大相关最小冗余算法、斯皮尔曼等级相关系数和极端梯度提升特征重要性方法计算所有特征的权重并进行融合，筛选出最优特征子集，利用改进的LightGBM方法进行训练。该模型的评估精度为99.34%，均方误差维持在0.00001水平，在第45次迭代时达到最优收敛值^[10]。

XGBoost#

梯度提升决策树（GBDT）的核心思想在于通过迭代训练决策树，从而逐步优化模型性能，以达到构建最优模型的目的。在训练过程中，GBDT通过不断拟合前一轮迭代后的残差，使得模型能够逐步逼近真实值，从而提高预测精度。此外，由于GBDT采用了集成学习的思想，通过结合多个弱学习器（即决策树）来构建强学习器，有效提高了模型的鲁棒性和稳定性。因此，GBDT在各类机器学习应用中展现出了良好的性能和优势。XGBoost是GBDT的一种，属于Boosting算法。它是一种多项式级的算法，可以通过一定的规则，将弱学习器提高成强学习器^[11]。GBDT和XGBoost最大的差异是目标函数的定义。带入损失函数后，每个叶子节点的权重取得最小值时，整个目标函数也达到最小值点。

但是这样的预排序算法的缺点也很明显，消耗内存大、时间开销大且无法对Cache进行优化。

LightGBM#

LightGBM结合了梯度提升决策树和基于树的学习算法的优点，原理上与XGBoost相似，都是通过对采用损失函数的负梯度作为残差预测值进行新一轮的拟合，但相比于XGBoost，能够在不降低准确率的前提下加快模型训练速度。LightGBM使用了带有深度限制的节点展开的带深度限制的节点展开Leaf-wise算法，决策树的层级不会无限制地增长。引入直方图算法，降低了梯度的计算复杂度^[12]。

基本思想是：对每个节点遍历所有特征；对节点遍历所有特征，为每个特征构建直方图，每个直方图中应该保存该直方图中样本的梯度和样本数；遍历所有特征，将梯度和以及样本数统计进入直方图中；对特征遍历直方图，分别以当前bin为划分点，得到划分结果，同时根据父节点和叶子节点相减得到另一个兄弟节点的直方图结果。

在构建直方图的过程之中，遍历所有样本，并根据它们的特征值(f_{i})将它们归入相应的桶中。最后更新每个桶的梯度之和以及样本数量。同时，LightGBM还提供了许多高级功能和工具，如交叉验证、自定义损失函数、类别特征的处理等，可以根据需要进行进一步的探索和使用。

NetCDF4#

本项目所需气象辅助数据的变量较多，均以nc文件存储。NetCDF广泛应用于大气领域、水利领域、海洋领域等诸多领域。

插值方式#

插值法是利用函数(f(x))在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数(f(x))的近似值。广泛应用于数学、物理、工程、统计等领域，用于数据拟合、函数逼近、数值计算等。如果插值法中所使用的特定函数是多项式，那么这种方法就被称为多项式插值，插值多项式的阶数通常与已知点的数量有关。

除此之外，还有许多其他的插值方法，如多项式插值、拉格朗日插值、连分式插值^[13]。

Folium#

Folium作为一个开源的数据可视化库，根植于Python生态系统之中，展现出强大的功能特性。其不仅能有效地呈现数据的分布状况，更能通过Vincent/Vega等先进工具，在地图上对数据点进行精细标注。此外，Folium还支持GeoJSON和TopoJSON两种文件格式的叠加，使用户得以轻松将数据链接至这两种叠加层，实现更为丰富、深入的数据可视化分析。这一特性不仅提升了数据可视化的灵活性和多样性，也进一步推动了数据分析和解读的精确性与深度。

Matplotlib#

Matplotlib，作为一款2D绘图库，专为Python编程语言及其数值数学扩展包NumPy而设计，由John Hunter在2002年开创，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。此库具备丰富的数据可视化功能，涵盖了线图、散点图、柱状图、饼图、等高线图、3D图形以及极坐标图等多种图表类型。此外，Matplotlib还具备制作动画和交互式图形的能力，进一步拓宽了其应用范围。

风速流速查询#

由于本项目的局限性，辅助数据并不是十分完全，需要定义一个时间索引来处理查询不到数据的情况。基于大部分地区的天气环境与地理位置关系密切，对于除去洋流和气候变化巨大地点之外的对象进行模糊操作。具体的做法是用前一天的数据类同替换，首先检查所需文件是否存在于数据集指定的路径下。如果文件不存在，则令所查询日期序列减一，构造出新的文件名重新进行检索。

插值函数#

从netCDF4文件中提取的风场数据和流速数据，其中包括经度、纬度、东西向风速流速和南北向风速流速。在进行设计之前要先得到各项数据之间关系。所以首先要在各个时间点上对数据进行统一处理，即让每个时间点上的经纬度对应当时的风速流速。但是风速流速通常具有空间异质性，即不同位置上可能差异很大，而且在辅助数据中辅助数据的精度远没有达到和漂流轨迹经纬度对应的精度。因此要通过插值函数，根据风速流速数据变量的相异之处，分别设计插值的方法，在没有直接测量值的位置估计风速和流速。

对风速来说，风速数据以网格分布存储，因此可以对待查找点附近的网格进行插值，当对查询点外部一圈网格的点插值时视为一圈，根据插值圈数参数，确定插值所需的网格点范围。这个范围是以查询点为中心的一个方形区域，边长为插值圈数参数的两倍。

具体的做法是通过计算确定目标位置在数据集中的初始网格索引位置，然后通过圈数确定周围网格点的范围。通过转化处理之后对选定好范围进行插值。

而流速是曲线正交网格形式，无法使用上述方法为流速进行插值。因此通过计算距离的方式直接选出最近的4个点作为插值点，执行线性差值。

LightGBM预测模型#

在对模型预测之前，考虑到一般位于狭窄河道、小岛周围或者靠近海岸的投放点，其轨迹一般符合“原地打转”模式，这些区域可能基于地理特征、环境因素或其他相关因素被确定为不动点范围。因此需要对测试点进行分类，减少在不动点身上的无用功。

首先，检查是否处于DEBUG模式。如果是，则仅选择数据集中id为211423的记录。减少数据处理量，以便更快地运行代码并查看结果。反之则重置筛选后数据的索引，以确保索引是连续的整数。将测试数据集中的date和time列合并为一个新的列。允许后续代码以日期时间格式处理这些数据。初始化测试数据集中的in_fix_area列，将其值全部设置为0。这个列用于标记测试数据集中的点是否位于预定义的不动点区域内。遍历fix_areas列表对于每个不动点区域，使用apply方法和lambda函数来调用in_area函数，这个函数的返回值被用来更新in_fix_area列的值。从测试数据集中筛选出in_fix_area列值为1的记录。提取这些记录的id列，并将其转换为列表形式。

模型预测#

对于改造之后的训练集可以分为两大类别即动点和不动点，如果预测点是不动点，则直接讲初始点作为后续所有的预测，反之则每隔30分钟预测一次位置，并使用新的位置重新找到对应的风速与流速，共循环95次之后得到最终的结果。循环95次的含义是48小时内有96个以30分钟划分的时间点。去除初始状态后还应预测95个时间点。

使用查询到的风速和流速数据作为特征，使用训练的经纬度模型预测经度和纬度的偏移量。根据预测的偏移量更新当前点的经纬度。对时间点进行更新，并将格式化为日期和时间字符串形式。每30分钟，将当前点的信息存储到一个字典中，并添加到预测列表中。

具体的做法是初始化一个预测列表，用于存储后续生成的预测数据。遍历测试数据集中每一个测试点。提取每个点的ID、经度、纬度、日期、时间等信息，并将这些信息存储在一个字典中，然后添加到预测列表中。检查当前点的id是否在不动点ID列表中。如果是不动点，每隔1800秒生成一个新的时间点，并复制当前点的经纬度信息。如果当前点不是不动点，则进行位置预测。每隔diff_time分钟，通过定义的函数查询当前时间和位置下的风速和流速数据。总计对16个id进行了预测，本设计中由于算力限制，平均每3分钟完成一次预测，可以通过增加算力来提升预测效率。

预测结果#

通过模型预测之后的预测结果存储在rows_list列表之中，但其中包含多列预测时的暂存数据，为方便调用轨迹显示函数以及对预测结果进行保存，本设计直接使用pandas库的to_csv方法将结果存储到csv文件中。相应的通过修改存储函数可以将结果存储到MySQL、Hadoop等存储平台。本质上大同小异，不再赘述。

可视化及准确率#

预测之后的轨迹路线从数值上很难看出变化趋势和大小，但对经纬度而言的很小的变化并不能等同于映射到实际应用里的距离。因此首先对轨迹进行可视化操作。调用之前定义的可视化轨迹函数，本项目为了展示原始轨迹和预测轨迹的对照传入了两个数据框变量，也可仅传入预测数据绘制轨迹。预测后的部分预测对照轨迹如图所示。

仿真人体id: 872356	仿真人体id:481464

根据同样的逻辑，使用经纬度差值映射出的以米为单位的距离，作为预测偏差。使用geodistance函数，根据经纬度，计算出同一时间刻度中预测轨迹与原始轨迹的距离，得到预测偏差。

将时间、原始轨迹、预测轨迹、预测偏差等数据项，合并到同一个数据框里。分别统计出每一个id的偏移最值和平均值得出预测偏差绘制折线图。

图中上三角图案为最大偏移量，下三角图案为最小偏移量，圆点表示平均偏移量。从图中可以看到预测数据的偏差阈值在0至1.2千米之间。除去id为481464判定为不动点之外，其余的测试数据的平均偏差距离大约为0.6千米。

再将所有的仿真人体的预测偏差综合到一起，绘制直方图。用于评测本设计在各个精度内的准确率。

图中，横坐标表示预测偏差的大小，箱宽度为100米。纵坐标表示频数，显然500米是出现频数最高的距离范围。由各自的频数除以预测总条数得出本设计在各个距离范围内的准确率。

从表得出，本设计在千米范围内的准确率为95.38%，但随着距离范围的不断缩小，准确率也随之缩减。特别是从700米至500米的区间范围内，准确率骤减。这是因为从整个海洋领域来看，风速和流速是导致漂流轨迹变化的两大因素，但海底震动、对流风、海洋深度和生物干扰等因素也会导致预测轨迹发生偏移。因此在只考虑两种环境因素的情况下，小距离范围内的准确率不高是正常的。