基于北斗导航时频数据的船舶轨迹预测方法及装置制造方法及图纸

本公开的实施例提供了一种基于北斗导航时频数据的船舶轨迹预测方法及装置。所述方法包括采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。以此方式，通过引入外部影响因子，减少了数据集的数据噪音；通过引入个体特征，提高了算法的泛化能力。算法的泛化能力。算法的泛化能力。

【技术实现步骤摘要】
基于北斗导航时频数据的船舶轨迹预测方法及装置


[0001]本公开的实施例一般涉及计算机
，并且更具体地，涉及基于北斗导航时频数据的船舶轨迹预测方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]随着国际贸易的兴盛，每时每刻都有着数十万船舶在四大洋上航行，与此同时，全球五千余个港口、六千余家船公司、数十万家货代、数百万家贸易公司以不同的载体、不同的数据格式交互着海量信息。船舶越来越大，种类越来越多，在航运密切的热点区域，水上交通密度持续增加，导致航道负担增大，事故频发。
[0003]同时在远洋运输市场上，航行时间和油耗都与盈利息息相关，根据船舶轨迹数据和船舶自身属性信息对航线类型进行分类预测从而推断航行时间和油耗，将对船舶营运产生积极影响。通过航迹预测，帮助船舶运营商看到未来，实现更智能和更安全的船舶处理决策，降低船舶事故发生的风险，这是船舶自动化发展的重要一步。
[0004]目前常用的船舶航迹预测数据，有基于模式预测方法和模型预测方法，但是目前常用的预测方法主要考虑船舶本身的因素，没有考虑水文气象、海况等外部因素，另外预测模型将所有船舶统一建模，没有考虑船舶的个体差异，存在算法的泛化能力不足问题。

技术实现思路

[0005]根据本公开的实施例，提供了一种基于北斗导航时频数据的船舶轨迹预测案。
[0006]在本公开的第一方面，提供了一种基于北斗导航时频数据的船舶轨迹预测方法。该方法包括：采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。
[0007]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据；所述外部影响因子数据包括气象水文、海况、航行受限区、海图数据；所述船舶特征数据包括船舶类型、用途、航速、结构强度数据。
[0008]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理包括：对所述高时频数据进行缺失值补充和/或数据清洗；对所述外部影响因子数据进行指标量化，并基于海图进行区域划分；对所述船舶特征数据进行汇总量化。
[0009]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型为GRU网络模型。
[0010]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型是通过以下步骤训练得到的：将预处理后的历史时频数据、外部影响因子数据、船舶特征数据及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；编制GRU网络；基于所述训练样本进行GRU网络拟合；进行GRU网络模型评估，并进行权重参数调整。
[0011]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述船舶历史航迹数据是通过历史高时频数据中的北斗时频数据进行航线聚类得到的。
[0012]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，进行GRU网络模型评估，并进行权重参数调整包括：对不同分段设置不同的预设阈值与权重；根据预测的各分段的船舶轨迹与实际船舶轨迹的偏差率，乘以对应的权重并求和，根据加权求和得到的偏差率，与加权求和得到的预设阈值进行比较。
[0013]在本公开的第二方面，提供了一种基于北斗导航时频数据的船舶轨迹预测装置。该装置包括：采集模块，用于采集高时频数据、外部影响因子数据和船舶特征数据；预处理模块，用于对所采集的数据进行预处理；预测模块，用于将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。
[0014]在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0015]在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
[0016]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了根据本公开的实施例的基于北斗导航时频数据的船舶轨迹预测方法的流程图；图2示出了根据本公开的实施例的基于北斗导航时频数据的船舶轨迹预测装置的方框图；图3示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
[0018]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0019]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0020]图1示出了根据本公开实施例的基于北斗导航时频数据的船舶轨迹预测方法100的流程图。
[0021]在框102，采集高时频数据、外部影响因子数据和船舶特征数据；在一些实施例中，高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据等各
类时序数据，时频数据随着船舶航行，数据会持续更新，进入到北斗导航时频数据集中。
[0022]在一些实施例中，外部影响因子数据包括气象水文、海况、航行受限区、海图等数据，外部影响因子数据在船舶航行过程中，虽然也会发生变化，但是变化频率没有时序类高，通过指标量化后进入到外部影响因子库。
[0023]在一些实施例中，外部影响因子库是通过对外部影响因子进行定性形态构建的。外部影响因子库包括因子名称、量化范围、量化方法、数据频率等。其中量化范围是基于历史数据分析和行业数据标准，如根据波峰的形状、峰顶的破碎程度和浪花出现的多少，海况分为10级。水文图志包括各大洋的波浪、海流、水质、大风及雾等的空间与时间分布图，各天气与海况要素的综合关系图，以及各种气象与水文的统计图，通过空间分布图，进行航区分类，不同航区采用不同数字表达，如极海航区、远洋航区、内河航区、沿海航区等。其他如气压、风、气温、湿度，海雾等本来就是数字化表达，不需要量化。外部影响因子中对不同的枚举取不同的参数，不在范围内的数据，采用默认量化值表达。如航行受限区可以分为
①
军事演习区
②
水下电缆和管本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于北斗导航时频数据的船舶轨迹预测方法，其特征在于，包括：采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。2.根据权利要求1所述的方法，其特征在于，所述高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据；所述外部影响因子数据包括气象水文、海况、航行受限区、海图数据；所述船舶特征数据包括船舶类型、用途、航速、结构强度数据。3.如权利要求2所述的方法，其特征在于，所述预处理包括：对所述高时频数据进行缺失值补充和/或数据清洗；对所述外部影响因子数据进行指标量化，并基于海图进行区域划分；对所述船舶特征数据进行汇总量化。4.根据权利要求3所述的方法，其特征在于，所述轨迹预测神经网络模型为GRU网络模型。5.根据权利要求4所述的方法，其特征在于，所述轨迹预测神经网络模型是通过以下步骤训练得到的：将预处理后的历史时频数据、外部影响因子数据、船舶特征数据及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；编制GRU网络；基于所述训练样本进行GRU网...

【专利技术属性】
技术研发人员：付琨，袁文龙，唐德可，王焰辉，
申请(专利权)人：中科星图股份有限公司，
类型：发明
国别省市：