随着长江沿线经济的飞速发展,该流域的水路运输业务愈加繁忙,来往于东西方向的水路运输船只数量猛增。镇扬汽渡作为长江沿线车流量最大的公路汽车渡口,来往于南北方向的汽渡的行驶安全收到了前所未有的严峻挑战。汽渡本身搭载的雷达和船用自动识别系统(AIS)在船只数量如此巨大的情况下,已经无法完全保证汽渡的安全航行。本文提出了一种基于深度学习的多源数据融合下的碰撞预警方法,通过预测东西航向的船舶航迹来提高汽渡的行驶安全性。现阶段,在船舶航迹预测领域还存在诸多不足。第一,现有的预测方法大多数是基于船用自动识别系统(AIS)的连续数据来分析船舶轨迹规律。而AIS系统的GPS数据存在电离层延时和多径干扰等问题,这就会导致存在离散、语义缺失或不完整的轨迹数据,船舶航迹预测精度因此受到影响。第二,已有的基于单个目标船舶的预测方法,未考虑到多目标之间的关联性在船舶航迹预测中的影响。第三,现有方法尚未充分考虑到航道的天气气候变化以及交通拥堵情况等实际航行过程中的变化因子对船舶航迹预测的影响。本文的主要研究内容包括:(1)对多源数据融合领域进行深入研究。本文的多源数据融合是指船用雷达数据和船用自动识别系统(AIS)数据的融合,通过两者的数据融合,实现双方的优势互补,在预测的稳定性、精度和实时性等方面将有较大的提升。(2)对融合数据进行预处理并生成目标船舶航行轨迹,然后将航迹转化为离散化位置序列作为输入,并考虑实际环境因素下船舶航行行为的变化,抽取其时空多维特征。(3)对深度学习卷积神经网络和长短期记忆(LSTM)网络做深入研究,构建基于深度学习的碰撞预警方法。充分结合卷积神经网络和深度双向LSTM网络的优势,学习船舶航行轨迹的局部和全局特征规律。(4)利用镇扬汽渡2036号汽渡和目标区域航速在0～20kn的船舶AIS数据对本文方法进行实验和验证。实验结果表明,与现有船舶航迹预测方法相比,本文的预测结果更佳。