船舶轨迹预测方法技术

本发明专利技术涉及一种船舶轨迹预测方法，包括如下几个步骤，首先通过海面雷达获得船舶的实时和历史位置信息并做初步处理；然后在每一采样时刻对船舶轨迹数据预处理，然后在每一采样时刻对船舶轨迹数据聚类，再而在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，然后在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态，最后在每一采样时刻通过设定预测时域W，基于船舶当前时刻的隐状态，获取未来时段船舶的位置预测值，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。本发明专利技术滚动实时对船舶轨迹进行预测，准确性较好，从而为后续船舶冲突解脱提供有力保障。

【技术实现步骤摘要】
本申请是申请号为：2014108415648，专利技术创造名称为《一种船舶轨迹实时预测方法》，申请日为：2014年12月30日的专利技术专利申请的分案申请。
本专利技术涉及一种海域交通管制方法，尤其涉及一种基于滚动规划策略的船舶轨迹预测方法。
技术介绍
随着全球航运业的快速发展，部分繁忙海域内的交通愈加拥挤。在船舶交通流密集复杂海域，针对船舶间的冲突情形仍然采用航行计划结合人工间隔调配的管制方式已不能适应航运业的快速发展。为保证船舶间的安全间隔，实施有效的冲突调配就成为海域交通管制工作的重点。船舶冲突解脱是航海领域中的一项关键技术，安全高效的解脱方案对于增加海域船舶流量以及确保海运安全具有重大意义。为了提高船舶的航行效率，船用雷达自动标绘仪目前已经被广泛应用到船舶监控和避碰中，该设备通过提取船舶相关信息为船舶间冲突情形的判定提供参考依据。尽管此类设备极大降低了人工监控的负荷，但它并不具备船舶自动冲突解脱功能。而船舶冲突解脱是基于对船舶轨迹的预测的基础上，在船舶实际航行中，受气象条件、导航设备以及驾驶员操作等各种因素的影响，它的运行状态往往不完全属于某一特定的运动状态，在船舶轨迹预测过程中需要考虑各种随机因素的影响，通过获取各类随机因素的最新特性对其未来轨迹实施滚动预测并增强其轨迹预测的鲁棒性。
技术实现思路
本专利技术要解决的技术问题是提供一种鲁棒性较好的船舶轨迹预测方法，该方法的船舶轨迹预测精度较高。实现本专利技术目的的技术方案是提供一种船舶轨迹预测方法，包括如下几个步骤：①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列和，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和；②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列和，采用一阶差分方法对其进行处理获取新的船舶离散位置序列和，其中；③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列和，通过设定聚类个数，采用K-means聚类算法分别对其进行聚类；④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值，通过设定隐状态数目和参数更新时段，依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数；⑤在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态；⑥在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态，获取未来时段船舶的位置预测值，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。进一步的，所述步骤①中，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和：对于给定的原始二维序列数据，利用如下形式的线性表达式分别对其进行近似：，其中：，表示对数据平滑处理后得到的函数表达式，表示母波，、和均为小波变换常数，表示母波的转换形式，表示由小波变换过程得到的函数系数，它体现了子波对整个函数近似的权重大小，若此系数很小，那么它意味着子波的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波除去；在实际数据处理过程中，通过设定阈值来实施“阈值转换”，当时，设定；阈值函数的选取采用如下两种方式：和；对于，也采用上述方法进行去噪处理。进一步的，所述步骤④中确定航迹隐马尔科夫模型参数的过程如下：4.1）变量赋初值：应用均匀分布给变量，和赋初值，和并使其满足约束条件：，和，由此得到，其中表示某一显观测值，、和分别是由元素、和构成的矩阵，令参数，为当前时刻之前的个历史位置观测值；4.2）执行E-M算法：4.2.1）E-步骤：由计算和；变量，那么，其中表示某一隐状态；4.2.2）M-步骤：运用、、分别估计，和并由此得到；4.2.3）循环：，重复执行E-步骤和M-步骤，直至、和收敛，即，其中参数，返回步骤4.2.4）；4.2.4）：令，算法结束。进一步的，所述步骤⑤中确定船舶航迹最佳隐状态序列的迭代过程如下：5.1）变量赋初值：令，，，，其中，，其中变量表示使变量取最大值的船舶航迹隐状态，参数表示隐状态的集合；5.2）递推过程： ，；5.3）时刻更新：令，若，返回步骤5.2），否则迭代终止并转到步骤5.4）；5.4），，转到步骤5.5）；5.5）最优隐状态序列获取：5.5.1）变量赋初值：令；5.5.2）后向递推：；5.5.3）时刻更新：令，若，返回步骤5.5.2），否则终止。进一步的，所述步骤③中，聚类个数的值为4。进一步的，所述步骤④中，状态数目的值为3，参数更新时段为30秒，为10。进一步的，所述步骤⑥中，预测时域W为300秒。本专利技术具有积极的效果：（1）本专利技术在船舶轨迹实时预测的过程中，融入了随机因素的影响，所采用的滚动轨迹预测方案能够及时提取外界随机因素的变化状况，提高了船舶轨迹预测的准确性。（2）本专利技术基于不同性能指标，其船舶轨迹实时预测结果可以为存在冲突的多个船舶提供解脱轨迹规划方案，提高船舶运行的经济性和海域资源的利用率。附图说明图1为本专利技术中的船舶运行短期轨迹生成流程示意图。具体实施方式（实施例1）见图1，本实施例的一种船舶轨迹预测方法包括如下几个步骤：①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列和，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和：：对于给定的原始二维序列数据，利用如下形式的线性表达式分别对其进行近似：，其中：，表示对数据平滑处理后得到的函数表达式，表示母波，、和均为小波变换常数，表示母波的转换形式，表示由小波变换过程得到的函数系数，它体现了子波对整个函数近似的权重大小，若此系数很小，那么它意味着子波的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波除去；在实际数据处理过程中，通过设定阈值来实施“阈值转换”，当时，设定；阈值函数的选取采用如下两种方式：和；对于，也采用上述方法进行去噪处理；②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列和，采用一阶差分方法对其进行处理获取新的船舶离散位置序列和，其中；③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列和，通过设定聚类个数，采用K-means聚类算法分别对其进行聚类；④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值，通过设定隐状态数目和参数更新时段，依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数；确定航迹隐马尔科夫模型参数的过程如下：4.1）变量赋初值：应用均匀分布给变量，和赋初值，和并使其满足约束条件：，和，由此得到，其中表示某一显观测值，、和分别是由元素、和构成的矩阵，令参数，为当前时刻之前的个历史位置观测值；4.2）执行E-M算法：4.2.1）E-步骤：由计算和；变量，那么，其中表示某一隐状态；4.2.2）M-步骤：运用、、分别估计，和并由此得到；4.2.3）循环：，重复执行E-步骤和M-步骤，直至、和收敛，即，其中参数，返回步骤4.2.4）；4.2.4本文档来自技高网...

【技术保护点】
一种船舶轨迹预测方法，其特征在于包括如下几个步骤：①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列和，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和；②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列和，采用一阶差分方法对其进行处理获取新的船舶离散位置序列和，其中，；③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列和，通过设定聚类个数，采用K‑means聚类算法分别对其进行聚类；④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值，通过设定隐状态数目和参数更新时段，依据最近的个位置观测值并采用B‑W算法滚动获取最新隐马尔科夫模型参数；⑤在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态；⑥在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态，获取未来时段船舶的位置预测值，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹；所述步骤①中，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和：对于给定的原始二维序列数据，利用如下形式的线性表达式分别对其进行近似：，其中：，表示对数据平滑处理后得到的函数表达式，表示母波，、和均为小波变换常数，表示母波的转换形式，表示由小波变换过程得到的函数系数，它体现了子波对整个函数近似的权重大小，若此系数很小，那么它意味着子波的权重也较小，因而可以在不影响函数主要特性的前提下，从函数近似过程中将子波除去；在实际数据处理过程中，通过设定阈值来实施“阈值转换”，当时，设定；阈值函数的选取采用如下两种方式：和；对于，也采用上述方法进行去噪处理。...

【技术特征摘要】
1.一种船舶轨迹预测方法，其特征在于包括如下几个步骤：①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列和，通过应用小波变换理论对原始离散二维位置序列和进行初步处理，从而获取船舶的去噪离散二维位置序列和；②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶原始离散二维位置序列和，采用一阶差分方法对其进行处理获取新的船舶离散位置序列和，其中，；③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列和，通过设定聚类个数，采用K-means聚类算法分别对其进行聚类；④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据和视为隐马尔科夫过程的显观测值，通过设定隐状态数目和参数更新时段，依据最近的个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数；⑤在每一采样时刻依据隐马尔科夫模型参数，采用Vit...

【专利技术属性】
技术研发人员：韩云祥，赵景波，李广军，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32