【技術實現步驟摘要】
本專利技術涉及船舶軌跡預測，尤其涉及一種基于時空自適應圖池的船舶軌跡預測方法。
技術介紹
1、船舶軌跡預測對海上航行的預警和安全起著至關重要的作用。導航員在移動船舶時，必須完全掌握船舶在一定時間內的未來軌跡，才能有效避免碰撞。然而，船舶軌跡預測的準確性是目前需要解決的一個重要問題。隨著海上貿易量的快速增長，對更多、更大載貨能力和更高航速的船舶的需求增加，海上安全與保障問題突顯出來。確保海上運輸安全至關重要。軌跡預測有助于船舶等海洋物體預警防止碰撞，被認為可以降低海上運輸事故的風險，而大多數船舶都有義務使用ais等應答系統來識別自己。相比之下，有意或無意地不這樣做的船被稱為黑船。它們必須使用其他工具來發現，如配備射頻接收器的無人機、飛機或衛星或成像傳感器。了解船舶的未來軌跡不僅有助于避免船舶碰撞，還有助于確定衛星圖像中發現的黑船的身份。這對于保障海上運輸安全，促進智能航運發展具有重要意義。
2、近年來，軌跡預測在行人、車輛和船舶等自主導航、多智能體合作中發揮了重要作用。目前的預測方法主要分為兩個方面，一是數據驅動的軌跡預測，二是模型驅動的軌跡預測。模型驅動的軌跡預測，從大量ais歷史數據中學習船舶的運動規律，并根據船舶之前的運動特征推斷出船舶未來的運動軌跡。與數據驅動方法相比，該方法的預測精度得到了提高。深度學習模型以其較高的表征能力在船舶軌跡預測領域得到越來越廣泛的應用，也使得從歷史數據中學習到更精細的特征，為更準確、連續的實時船舶軌跡預測奠定了基礎。
3、然而，目前的預測方法是通過建立固定的空間范圍來學
技術實現思路
1、本專利技術提供一種基于時空自適應圖池的船舶軌跡預測方法，以克服上述技術問題。
2、為了實現上述目的，本專利技術的技術方案是：
3、一種基于時空自適應圖池的船舶軌跡預測方法，具體包括以下步驟：
4、s1：獲取船舶軌跡的ais原始數據；
5、s2：對ais原始數據進行數據預處理，獲取船舶軌跡數據樣本集；
6、并將船舶軌跡數據樣本集隨機劃分為訓練集與驗證集；
7、s3：構建船舶軌跡預測模型，且船舶軌跡預測模型包括船舶軌跡時間編碼器、船舶軌跡空間交互編碼器、特征融合模塊以及預測解碼器；
8、基于船舶軌跡時間編碼器，對船舶軌跡數據樣本進行船舶軌跡運動序列編碼，獲取船舶時間序列特征；
9、船舶軌跡空間交互編碼器包括圖注意網絡層與空間交互編碼單元；
10、所述圖注意網絡層用于根據船舶時間序列特征，獲取不同船舶的聚合軌跡特征；空間交互編碼單元用于基于自適應圖池機制，根據聚合軌跡特征獲取具有時間連續性船舶空間交互特征的船舶特征向量；
11、特征融合模塊用于將船舶時間序列特征與船舶特征向量，融合并獲取中間狀態向量，并將中間狀態向量作為當前時間步長的隱藏狀態向量；
12、預測解碼器用于根據中間狀態向量，預測并獲取下一個時間步長的隱藏狀態向量，即船舶下一個時間步長所對應的位置；
13、s4：基于訓練集與驗證集對船舶軌跡預測模型進行模型訓練與模型驗證，以獲取最優船舶軌跡預測模型，進而通過最優船舶軌跡預測模型實現船舶軌跡的預測。
14、進一步的，s2中所述對ais原始數據進行數據預處理，依次包括ais數據過濾、ais數據分離以及ais數據提取；
15、所述ais數據過濾至少包括：刪除船舶mmsi號不是預設位數的ais數據；刪除含有空值的ais數據；刪除船舶對地速度sog與對地航向cog超出預設閾值范圍的ais數據；刪除設定的同一時間戳下包含船舶數量少于預設數量的ais數據，并隨機刪除同一船舶mmsi號對應重復的時間戳的ais數據；采用線性插值法以預設間隔采樣周期重新采樣ais數據，以補充缺失的船舶經緯度數據；
16、所述ais數據分離即對ais數據過濾后的數據進行數據分離，獲取分離軌跡序列數據，具體包括；
17、基于船舶mmsi號對ais數據進行分組，獲取對應各船舶的ais軌跡數據，并基于時間戳，將各船舶的ais軌跡數據按照時間排序，獲取各船舶連續的船舶軌跡序列數據；
18、所述ais數據提取即采用滑動窗口法對船舶軌跡序列數據進行預設時間步長的軌跡提取，以獲取船舶軌跡數據樣本集。
19、進一步的，s3中所述船舶軌跡時間編碼器，其模型表達式為
20、
21、式中：表示船舶i在時間步長t的緯度坐標且t∈{1,…,n}；表示船舶i在時間步長t-1的緯度坐標；表示船舶在時間步長t上相對于時間步長t-1的相對緯度位置；表示船舶在時間步t的經度坐標；表示船舶i在時間步長t-1的經度坐標；表示船舶在時間步長t相對于時間步長t-1的相對經度位置；表示相對位置嵌入到各時間步長的固定長度向量；φ(·)表示嵌入函數；we表示嵌入權值；表示船舶i在時間步長t的船舶軌跡時間編碼器的隱藏狀態；wm表示船舶軌跡時間編碼器的權值。
22、進一步的，所述空間交互編碼單元，其模型表達式為
23、
24、式中：∥表示隱藏狀態之間的連接操作；w表示應用于各船舶節點的共享線性變換的權矩陣；表示船舶節點i與船舶節點j在時間步長t的注意力系數；ni表示基于圖注意網絡獲取有向圖中節點i的鄰域集合；a表示單層前饋神經網絡的權向量；at表示a的轉置；τ表示自適應距離閾值函數且τ∈[0,1]；n表示有向圖中節點i的鄰域節點個數；||{·}表示選擇函數；表示經過自適應圖池機制的注意力系數；σ表示非線性激活函數；表示船舶空間交互特征；wg表示空間交互編碼器的權值；表示具有時間連續性的交互特征的特征向量；表示船舶i在時間步長t-1的時間連續性交互特征的特征向量。
25、進一步的，s3中所述預測解碼器，其模型表達式為
26、
27、式中：wd表示預測解碼器的權重；mlp(·)表示線性層；表示在時間步長tobs時的固定長度向量；表示在時間步長tobs+1時的中間狀態向量；表示在時間步長tobs時，船舶軌跡時間編碼器的隱藏狀態；表示在時間步長tobs時，空間交互編碼單元輸出的具有時間連續性的交互特征的特征向量；分別表示船舶在時間步長tobs+1時所對應的位置橫坐標與縱坐標。
28、進一步的，所述s4具體包括以下步驟
29、s41：將所述訓練集輸入至構建的船舶軌跡預測模型進行模型訓練，獲取訓練后的船舶軌跡預測模型；
30、s42：通過所述驗證集對訓練后的船舶軌跡預測模型進行驗證；
31、即判斷訓練后的船舶軌跡預測模型輸出是否收斂；
32、若訓練后的船舶軌跡預測模型的輸出收斂，則確認此時訓練后的船舶軌跡預測模型即為最優船舶軌跡預測模型；
33、否則，基于反向傳播本文檔來自技高網...
【技術保護點】
1.一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，S2中所述對AIS原始數據進行數據預處理，依次包括AIS數據過濾、AIS數據分離以及AIS數據提取；
3.根據權利要求2所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，S3中所述船舶軌跡時間編碼器，其模型表達式為
4.根據權利要求3所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，所述空間交互編碼單元，其模型表達式為
5.根據權利要求4所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，S3中所述預測解碼器，其模型表達式為
6.根據權利要求1所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，所述S4具體包括以下步驟
7.根據權利要求6所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，S42中判斷訓練后的船舶軌跡預測模型輸出是否收斂的損失函數Loss為
【技術特征摘要】
1.一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，s2中所述對ais原始數據進行數據預處理，依次包括ais數據過濾、ais數據分離以及ais數據提取；
3.根據權利要求2所述的一種基于時空自適應圖池的船舶軌跡預測方法，其特征在于，s3中所述船舶軌跡時間編碼器，其模型表達式為
4.根據權利要求3所述的一種基于時空自適應圖池的船...
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。