【技術實現步驟摘要】
本專利技術涉及船舶跟蹤識別領域，特別涉及基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法。
技術介紹
1、ais（automatic?identification?system）自動識別系統，是一種用于航行安全和船舶流量管理的無線電通信系統。ais系統的發射設備可自動地在指定頻率上周期性地發送船舶的身份信息、導航信息等數據，接收設備可以接收其他船舶、岸基設施和衛星系統發射的ais信息。ais是一項重要的技術，已經被裝備于絕大多數的商用船只上，使得船舶之間的交流更加高效便捷。ais數據已成為海事部門和相關企業監管船舶位置和動態的重要依據，在船舶流量管理、安全監控、決策支持等領域發揮著越來越重要的作用。
2、岸海雷達是一種用于在海上監測船只目標的雷達系統，其主要功能是通過發射并接收高頻電磁波，在廣闊的海域范圍內監測運行中的船只，并及時獲取其位置、速度、方向等信息，實現海上交通、安全監測。
3、船舶軌跡融合技術是將多個傳感器（如雷達、ais）獲得的船舶位置信息進行整合和融合，以提高位置信息的準確性和可靠性。在多傳感器、復雜環境下，融合技術可以消除單個傳感器存在的局限性和錯誤，提高對船舶動態行駛軌跡的感知和識別能力，進而優化船舶的導航路徑和安全管理。
4、某海上預警監控系統實時接收融合后的船舶信息，包括目標唯一標識target_id、mmsi（maritime?mobile?service?identity海上移動通信業務標識）、船舶呼號、船舶名稱、目的地、經度、緯度、對地速度、對地航向、航首
5、在現實條件下，部分船只為了躲避監管，人為關閉船上ais設備，導致不能通過ais設備獲取船只信息。雷達在跟蹤這樣的目標船時，由于受大船遮擋或天氣等因素影響，會存在目標船被跟丟的情況。當目標船被再次跟蹤時，會被識別為一個新的目標，并對船舶航跡賦予新的編號（target_id），這樣會存在同一條船有多個航跡的問題。如何快速準確地將同一條船多個航跡段進行拼接，成為一大難題。
6、為實現船舶航跡拼接，現有技術主要采取以下技術手段：
7、一、采用時間-空間算法（time-space?algorithm）：
8、例如，申請人為中國船舶重工集團公司第七一五研究所、公開號為cn113702979a、專利名稱為一種跨區目標跟蹤軌跡片段時空拼接方法的專利申請，其方法包含以下步驟：對需要關聯的跨區目標軌跡段提取時間、方位、距離、主要線譜特征形成特征集，并統計該段軌跡內特征，形成特征集和對應的統計量，利用預測方法對目標軌跡段特征集合中的時間、方位、距離相關時空特征進行軌跡預測或反向推導；對預測反推的特征向量依據同一個物體在同一時間不能出現在兩個不同的位置和移動必須是連續不能突變得排它性進行初步關聯，然后對初步關聯上的目標進行譜結構匹配、統計值相關加權綜合性判斷，當綜合關聯系數大于給定閾值比較，判斷為同一目標軌跡，從而形成跨區的同一目標連續的長軌跡。
9、上述技術方案是使用時間和位置信息來判斷兩個軌跡點是否應該進行拼接的方法。通過計算兩個位置點之間的距離和時間差，將時間和空間信息結合起來進行匹配。這種算法比較簡單易行，但由于考慮的因素只有時間和位置信息，因此準確性較差。
10、二、采用粒子濾波算法（particle?filter?algorithm）：
11、粒子濾波軌跡拼接算法（particle?filter?trajectory?fusion?algorithm）是一種基于貝葉斯濾波理論的軌跡拼接算法，用于將周邊多個船舶軌跡點進行融合。該算法通過從觀測數據中隨機采樣多個“粒子”，然后通過蒙特卡洛方法迭代估計出真實的軌跡。該算法只考慮的位置和速度信息，因此準確性較差。
12、三、基于圖論的算法（graph-based?algorithm）：
13、該算法將軌跡拼接問題轉化為圖形匹配問題，并通過最短路徑方法進行計算。該方法能夠處理多船舶的情況，但容易受到環境、噪聲等因素的影響。
技術實現思路
1、本專利技術的目的在于克服現有技術的缺點與不足，提供基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法。
2、本專利技術的目的通過以下的技術方案實現：
3、基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法，包括以下步驟：
4、1）通過ais接收設備采集船舶連續軌跡數據，作為lstm軌跡預測模型的訓練和驗證數據；通過雷達設備采集船舶軌跡數據，作為待拼接數據；
5、2）建立lstm軌跡預測模型，使用ais接收設備采集的船舶連續軌跡的歷史數據，依據時間正序、逆序分別進行lstm軌跡預測模型的正向、反向模型的訓練和驗證；
6、3）將雷達觀測到的某個船舶的軌跡作為研究對象，輸入到lstm軌跡預測模型進行預測；
7、4）預測的結果再和雷達觀測到的其它船舶軌跡通過軌跡拼接算法進行拼接，并返回拼接結果。
8、所述步驟1），具體為：
9、11）對ais接收設備采集船舶連續軌跡數據進行過濾，形成包含船舶標識、采集時間、經度坐標、緯度坐標、對地航向、對地速度的向量；
10、12）對于經步驟11）過濾后的軌跡數據，分別對經度坐標、緯度坐標、對地航向、對地速度進行歸一化處理；
11、13）對步驟12）形成的歸一化后的每一條軌跡，按照時間正序排列，形成時間正序歸一化軌跡；
12、14）對步驟12）形成的歸一化后的每一條軌跡，按照時間逆序排列，形成時間逆序歸一化軌跡；
13、15）對步驟13）、14）的每一條軌跡，采用每k個軌跡點作為樣本，后續第k+1個軌跡點作為標簽，依此類推，形成數據集；
14、16）對步驟15）形成的數據集，取特征向量[longitude、latitude、cog、sog]，按照預設比例，分別形成正序和逆序的訓練集和驗證集；其中，longitude為經度坐標，latitude為緯度坐標，cog為對地航向，sog為對地速度。
15、步驟11）中，所述對ais接收設備采集船舶連續軌跡數據進行過濾，包括去除軌跡點少于300的軌跡；去除靜止狀態數據、去除采集時間間隔大于30的軌跡數據。
16、所述步驟2），具體為：
17、21）構建lstm軌跡預測模型框架，所述lstm軌跡預測模型包括1個lstm層、一個dense層，其中：lstm隱藏層尺寸為108，輸入數據有3個維度，分別是[batch_size,?window_size,?feature_size]，其中：batch_size指批次大?。粀indow_size指窗口大小；feature_size指特征向量的維度，即經度、緯度、航向、航速；
18、22）調節超參數、損失函數、優化器來優化lstm軌跡預測模型，在進行模型訓練前，需要設置模型有關的超參數；模型本文檔來自技高網...
【技術保護點】
1.基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，所述步驟1），具體為：
3.根據權利要求2所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，步驟11）中，所述對AIS接收設備采集船舶連續軌跡數據進行過濾，包括去除軌跡點少于300的軌跡；去除靜止狀態數據、去除采集時間間隔大于30的軌跡數據。
4.根據權利要求1所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，所述步驟2），具體為：
5.根據權利要求1所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，所述步驟3），具體為：
6.根據權利要求5所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，步驟4）中，所述軌跡拼接具體為：
7.一種服務器，其特征在于，所述服務器包括處理器和存儲器，所述存儲器中存儲有至少一段程序，所述程序由所述處理器加載
8.一種計算機可讀存儲介質，其特征在于，所述存儲介質中存儲有至少一段程序，所述程序由處理器加載并執行以實現如權利要求1至6中任一權利要求所述基于LSTM神經網絡和時空運動距離算法的船舶軌跡拼接方法。
...【技術特征摘要】
1.基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，包括以下步驟：
2.根據權利要求1所述基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，所述步驟1），具體為：
3.根據權利要求2所述基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，步驟11）中，所述對ais接收設備采集船舶連續軌跡數據進行過濾，包括去除軌跡點少于300的軌跡；去除靜止狀態數據、去除采集時間間隔大于30的軌跡數據。
4.根據權利要求1所述基于lstm神經網絡和時空運動距離算法的船舶軌跡拼接方法，其特征在于，所述步驟2），具體為：
5.根據權利要求1所述基于lstm神經網絡...
【專利技術屬性】
技術研發人員：周曙光，曹瑩，陳栩堅，劉云龍，
申請(專利權)人：海華電子企業中國有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。