基于改进编解码器架构的序列到序列渔船轨迹预测方法技术

本发明专利技术公开了一种基于改进编解码器架构的序列到序列船舶轨迹预测方法。传统的编解码器方法无法捕捉完整的船舶轨迹序列表示并进行有效的预测。本发明专利技术基于编解码器架构，提出了一种改进编解码器架构序列到序列的船舶轨迹预测方法，它由两个并行的卷积分量构成改进编码器和长短期记忆网络构成解码器。本发明专利技术提供的改进编解码器架构的序列到序列船舶轨迹预测方法具有更高的精度，在交通复杂的近海区域的船舶轨迹预测中具有一定的参考价值。域的船舶轨迹预测中具有一定的参考价值。域的船舶轨迹预测中具有一定的参考价值。

Sequence to sequence trajectories prediction method based on improved codec architecture

【技术实现步骤摘要】
基于改进编解码器架构的序列到序列渔船轨迹预测方法


[0001]本专利技术涉及船舶轨迹预测
，尤其涉及一种基于改进编解码器架构的序列到序列渔船轨迹预测方法。

技术介绍

[0002]在交通密度高、条件复杂的海域或港口，提高海上航行船舶的安全性是一个关键问题。船舶交通服务(VTS)的目标是准确有效地监测和预测船舶轨迹和实时船舶轨迹，为海上交通事故的预警提供有价值的技术支持。为提高船舶在复杂多变海域航行的安全性，需要为船舶智能导航系统提供轨迹预测和危险预警功能。
[0003]与车辆运动不同，船舶海上运动不受几何结构的限制，预测的难度更大。传统的轨迹预测方法主要分为两种，基于船舶运动学的方法和基于统计学的方法。两种方法多用于短期轨迹预测，基于统计学方法存在对缺失数据不敏感和模型复杂的问题，例如，马尔可夫模型和高斯过程等。基于运动学的方法存在预测时间长和预测精度低的问题，例如非线性滤波和自适应核密度估计等。
[0004]近年来，循环神经网络(Recurrent Neural Network，RNN)通过创建数据的动态表示来学习序列的时间模式，进行轨迹预测任务，但其梯度消失问题影响长期依赖关系捕获。RNN变体LSTM(Long Short
‑
Term Memory)长短期记忆网络模型和门控循环单元GRU(Gate Recurrent Unit)克服了这一限制，有效提高了长时间序列预测的精度。LSTM编解码器模型具有模型简单、预测时间快的特点，已被用于船舶轨迹预测任务。该模型使用LSTM编码器将输入轨迹序列编码为一组向量表示，然后由LSTM解码器根据编码生成预测轨迹序列。然而，由于该模型在编码器阶段生成的固定向量无法表示完整船舶轨迹特征，使其在复杂交通模式下的船舶轨迹任务中预测精度降低。

技术实现思路

[0005]本专利技术的目的在于解决编解码器架构中编码器在特征提取方面的不足和海上交通模式复杂程度差别较大引起的预测精度低的问题，提供了一种基于改进编解码器架构的序列到序列渔船轨迹预测方法，通过对不同时间尺度的轨迹进行特征提取，提高轨迹预测精确度。
[0006]基于渔船的状态延续性与快速切换性特点以及近海区域交通模式复杂的环境，本专利技术使用全局卷积结构和局部卷积结构两个并行卷积分量改进编码器，并结合LSTM解码器实现复杂交通模式下的渔船轨迹预测。
[0007]本专利技术所采用的技术方案步骤如下：
[0008]本专利技术包含以下步骤：
[0009]步骤1：对存储AIS数据的MPP数据库建立空间索引，使用空间区域包含搜索方式提取近海区域渔船的运动信息；
[0010]步骤2：对近海区域渔船轨迹数据进行预处理，获取AIS数据集；
[0011]步骤3：构建基于改进编解码器的序列到序列渔船轨迹预测模型，利用步骤2数据对其进行训练；
[0012]步骤4：利用训练好的改进渔船轨迹预测模型，对渔船下一时间段轨迹进行预测。
[0013]所述的改进编解码器的序列到序列渔船轨迹预测模型，包括改进的编码器和LSTM解码器；
[0014]所述的改进编码器包含全局时间卷积和局部时间卷积两个并行卷积结构；
[0015]所述的序列到序列预测是指输入给定在时间步长k之前的T个历史船舶位置序列预测在时间步长k之后的T个船舶未来位置序列
[0016]进一步地，所述的MPP数据库是用于存储渔船运动信息的数据库，可以实现快速提取特定时间和区域的渔船轨迹数据。
[0017]进一步地，所述的渔船运动信息包括渔船静态信息海上移动服务标识MMSI和运动学信息时间time、经度lon、维度lat、对地速度sog；
[0018]进一步地，所述的对近海渔船轨迹进行预处理，包括：对于轨迹数据集，以固定报位间隔时间Δ进行采样；对采样后的数据采用0均值归一化方法(Z
‑
score)进行归一化，得到归一化数据；对归一化数据使用滑动窗口划分，获取AIS数据集。
[0019]进一步地，所述的全局时间卷积包含输入层、卷积层和Dropout层；
[0020]所述的输入层的输入数据长度为T；
[0021]所述的卷积层包含16个20*2的卷积核。
[0022]进一步地，所述的局部时间卷积包含输入层、卷积层、池化层和Dropout层：
[0023]所述的输入层的输入数据长度为T；
[0024]所述的卷积层包含16个5*2的卷积核；
[0025]所述的池化层采用最大池化操作。
[0026]进一步地，所述的Dropout层的比率为0.1。
[0027]进一步地，所述的LSTM解码器使用单向LSTM单元。
[0028]进一步地，所述的编码器包含的全局时间卷积和局部时间卷积的输出激活函数采用Relu函数。
[0029]本专利技术具有的有益效果是：本专利技术提出了一种基于改进编解码器架构的序列到序列渔船轨迹预测方法，其采用两个并行的卷积分量改进编码器，通过提取全局和局部时间模式的复杂混合的特征表示，有效地避免了编解码器体系结构在特征提取方面的不足，提高序列轨迹预测精确度。
附图说明
[0030]图1为本专利技术提供的一种基于改进编解码器架构的序列到序列渔船轨迹预测方法的流程图；
[0031]图2为本专利技术提供的编解码器架构示意图；
[0032]图3为本专利技术提供的渔船轨迹预测模型结构示意图；
[0033]图4为本专利技术提供的轨迹预测效果示意图。
具体实施方式
[0034]下面结合附图对本专利技术提供的技术方案进行进一步说明。
[0035]参见图1，一种基于改进编解码架构的序列到序列渔船轨迹预测方法，包括以下步骤：
[0036]步骤1：对存储AIS数据的MPP数据库建立空间索引，使用空间区域包含搜索方式提取近海区域渔船的轨迹数据；
[0037]所述的MPP数据库是用于存储渔船运动信息的数据库，可以实现快速提取特定时间和区域的渔船轨迹数据；
[0038]所述的渔船轨迹数据包括渔船静态信息海上移动服务标识MMSI和运动学信息时间time、经度lon、维度lat、对地速度sog。
[0039]步骤2：对近海区域渔船轨迹数据进行预处理，获取AIS数据集；
[0040]所述的对近海区域渔船轨迹数据预处理包括：
[0041]对于轨迹数据，以固定报位间隔时间Δ进行采样；
[0042]对采样后的数据采用0均值归一化方法(Z
‑
score)进行归一化，得到归一化数据；
[0043][0044][0045]其中lon和lat表示归一化前的经纬度数据，lon
′
和lat
′
表示归一化后的经纬度数据，lon
mean
和lat
mean
表示数据的均值，lon
std
和lat
std
表示数据的标准差。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进编解码器架构的序列到序列船舶轨迹预测方法，其特征在于该方法包含以下步骤：步骤1：对存储AIS数据的MPP数据库建立空间索引，使用空间区域包含搜索方式提取近海区域船舶的轨迹数据；步骤2：对近海区域船舶轨迹数据进行预处理，获取AIS数据集；步骤3：构建基于改进编解码器的序列到序列船舶轨迹预测模型，利用步骤2数据对其进行训练，实现船舶轨迹预测；步骤4：利用训练好的改进船舶轨迹预测模型，实现船舶轨迹预测；所述的改进编解码器的序列到序列渔船轨迹预测模型，包括改进的编码器和LSTM解码器；所述的改进编码器包含全局时间卷积和局部时间卷积两个并行卷积结构；所述的序列到序列预测是指输入给定在时间步长k之前的T个历史船舶位置序列预测在时间步长k之后的T个船舶未来位置序列2.如权利要求1所述的基于改进编解码器架构的序列到序列船舶轨迹预测方法，其特征在于：所述的对近海区域船舶轨迹数据预处理包括：对于轨迹数据，以固定报位间隔时间Δ进行采样；对采样后的数据采用0均值归一化方法进行归一化，得到归一化数据；得到归一化数据；其中lon和lat表示归一化前的经纬度数据，lon
′
和lat
′
表示归一化后的经纬度数据，lon
mean
...

【专利技术属性】
技术研发人员：王英杰，袁俊峰，张纪林，任永坚，万健，曾艳，欧东阳，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：