本发明专利技术涉及基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，包括可行候选轨迹集生成与候选轨迹判别两阶段，通过挖掘船舶历史AIS数据中的航行模式能有效提取AIS数据中潜在的航行环境与船舶运动特征信息；将航行模式应用于船舶当前轨迹实现基于船舶当前航行状态与历史行为模式的船舶可行候选轨迹集生成，使轨迹生成过程与结果具有较强的解释性；利用神经网络学习船舶当前轨迹与生成轨迹的关联性并进行判别选择，能有效保证轨迹预测模型的精度。本发明专利技术有效融合了船舶航行模式信息与船舶当前轨迹的特征，预测结果具有较好的可解释性，对于船舶行为分析、港口安全监管等任务提供技术支撑。任务提供技术支撑。任务提供技术支撑。
【技术实现步骤摘要】
基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法
[0001]本专利技术涉及船舶轨迹智能预测
，更具体地，涉及基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法。
技术介绍
[0002]船舶轨迹具有明显的运动空间自由、环境复杂多变、航行特征较多的特点，预测难度较大。
[0003]传统的船舶轨迹预测方法通常利用船舶运动学模型实现对船舶微观运动行为的预测，轨迹预测模型主要分为传统数学统计模型和以数据驱动为主的神经网络模型。但传统运动学模型易受到原始数据误差的影响，且模型需要根据特定场景与不同船舶进行修改，在复杂环境下建模难度较大，精度低；神经网络由于其较好的非线性拟合能力与预测精度在船舶轨迹预测研究中应用较多，但神经网络的黑箱性质使得仅通过神经网络获得的预测轨迹缺乏可解释性。
[0004]因此如何兼顾模型的预测精度与预测结果的可解释性有待进一步研究。
技术实现思路
[0005]针对上述现有技术的不足，本专利技术提出了基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，首先对AIS数据进行预处理后通过船舶历史航行模式挖掘迭代采样获得可行候选轨迹集，再利用神经网络非线性拟合能力实现可行候选轨迹的判别选择，以历史航行模式生成可解释的船舶轨迹来弥补神经网络模型解释性不足的缺点。
[0006]为实现上述目的，本专利技术提供了一种基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，包括：
[0007](1)对获取的AIS数据进行预处理以获得模型所需轨迹数据集；
[0008](2)在可行候选轨迹集生成阶段挖掘历史航行模式以计算可航行范围，通过船舶当前运动状态与历史航行模式采样船舶下一时刻的运动状态，利用运动学公式迭代生成可解释的可行候选轨迹集；
[0009](3)在候选轨迹判别阶段用LSTM网络分别对船舶当前轨迹与可行预测轨迹集进行编码，编码结果拼接后通过评分网络计算可行候选轨迹集中每条可行轨迹的评分，利用标签轨迹与可行候选轨迹集的相似度作为评分标签实现训练；
[0010](4)预测时将评分网络输出评分最高的可行轨迹作为预测结果。。
[0011]进一步地，数据预处理包括：
[0012]提取在航船舶数据并分离不同船舶不同航次数据，对重复、关键属性缺失、错误数据进行清洗；
[0013]对每条轨迹进行重采样，使每条轨迹上轨迹点的时间间隔相同；
[0014]对轨迹点经纬度、航速航向属性与前一时刻对应属性做一阶差分；
[0015]选取连续第一预设采样数的轨迹点作为模型输入轨迹，其后连续第二预设采样数
的轨迹点作为标签轨迹，采用滑动窗口方法按预定的采样间隔从每条轨迹数据中采样获得轨迹段样本组成轨迹数据集。
[0016]进一步地，生成可行候选轨迹集，包括：
[0017]对于给定的任意船舶当前轨迹，从轨迹数据集中查询候选起始点在预定空间范围内的所有邻近点作为历史参考轨迹起点集，对起点集中的所有轨迹点分别按时序向后获取第二预设采样量的轨迹点构成历史参考轨迹集；
[0018]从所述历史参考轨迹集挖掘历史航行模式；
[0019]基于所述历史航行模式，从预测起始点开始迭代生成可行候选轨迹集。
[0020]进一步地，从所述历史参考轨迹集挖掘历史航行模式，包括：
[0021]基于所有历史参考轨迹计算轨迹点与起始点连线矢量相对于起始点航向的夹角范围，并利用所有参考轨迹计算轨迹点最大累积航向变化量与最大累积航速变化量；
[0022]利用所有轨迹点计算邻点最大航向变化量，并对所有轨迹点航速进行分箱，统计每组分箱的航速增量分布律与航速减量分布律；统计邻点航速变化状态的分布律，航速变化状态包括减速、匀速与加速；统计邻点航速变化状态转移概率；统计邻点航向变化状态转移概率，航向变化状态包括沿当前航向直航、左转向与右转向。
[0023]进一步地，基于所述历史航行模式，从预测起始点开始迭代生成可行候选轨迹集，包括：
[0024]基于所述历史航行模式中的夹角范围限定可航行范围，通过以下步骤迭代生成轨迹点：
[0025]基于当前轨迹点的航向变化量判断航向变化状态，利用邻点航向变化状态转移概率采样获得下一时刻点航向变化状态，基于当前轨迹点的航向与邻点最大航向变化量生成N个下一时刻点航向，以轨迹点最大累积航向变化量筛选下一时刻可行的航向；
[0026]基于当前轨迹点的航速变化量判断航速变化状态，利用邻点航速变化状态转移概率采样获得下一时刻点航速变化状态；基于当前轨迹点航速与下一时刻点航速变化状态选择合适的航速变化量分布律采样获得下一时刻点航速变化量，以最大累积航速变化量限制航速变化量的取值，计算获得下一时刻轨迹点对应的航速；
[0027]以上述步骤获得的下一时刻点航向、航速结合当前轨迹点航速矢量以匀变速直线运动计算船舶在该相邻时刻经纬度方向的运动距离，将经纬度方向的运动距离转化为经纬度变化量获得下一时刻轨迹点坐标，若下一时刻轨迹点生成于可航行范围以外，删除该点对应的整条轨迹；
[0028]迭代上述步骤生成若干条轨迹，对若干条轨迹进行随机采样获得可行候选轨迹集。
[0029]进一步地，候选轨迹判别，包括：
[0030]利用第一组LSTM网络对模型输入轨迹的特征进行编码，将最后时间步输出的隐层状态h
L
经flatten与全连接层降维后作为船舶当前轨迹编码结果h
L*
；
[0031]利用第二组LSTM网络对可行候选轨迹集中的每条可行轨迹的特征进行编码，同样将最后时间步输出的隐层状态h
K
同h
L
处理作为可行候选轨迹编码h
Ki*
，其中i表示第i条可行候选轨迹；
[0032]将两组编码结果进行拼接得到完整轨迹编码；
[0033]将完整轨迹编码结果输入评分网络，评分网络输出经softmax层获得可行候选轨迹集的评分向量，在训练阶段利用可行候选轨迹集的评分向量和可行候选轨迹与标签轨迹的相似度计算混合损失实现轨迹编码器和评分网络的训练。
[0034]进一步地，混合损失函数由交叉熵损失和L2损失组成。
[0035]本专利技术的优点及有益效果如下：
[0036]本专利技术通过挖掘船舶历史AIS数据中的航行模式能有效提取AIS数据中潜在的航行环境与船舶运动特征信息，本专利技术将航行模式应用于船舶当前轨迹实现基于船舶当前航行状态与历史行为模式的船舶可行候选轨迹集生成，使轨迹生成过程与结果具有较强的解释性，克服了单一神经网络模型解释性不足的问题；其次，本专利技术利用神经网络学习船舶当前轨迹与生成轨迹的关联性并进行判别选择，能有效保证轨迹预测模型的精度；最后，本专利技术所采用的两阶段船舶轨迹预测方法有效融合了船舶航行模式信息与船舶当前轨迹的特征，预测结果具有较好的可解释性，对于船舶行为分析、港口安全监管等任务提供技术支撑。
附图说明
[0037]为了更清楚地说明本专利技术实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，其特征在于，包括以下步骤：获取在航船舶数据，并对获取的数据进行预处理，得到轨迹数据集；对于给定的任意船舶当前轨迹，基于所述轨迹数据集通过历史航行模式挖掘和运动学模型生成可行候选轨迹集；构建并训练基于神经网络的轨迹判别模型；所述轨迹判别模块的输入为所述船舶当前轨迹和所述可行候选轨迹集，输出为可行轨迹集的评分结果；所述轨迹判别模型包括：轨迹编码模块、轨迹编码拼接模块和生成轨迹评分模块；所述轨迹编码模块包括两组LSTM网络，分别用于对当前轨迹和可行候选轨迹集中的轨迹进行编码；所述轨迹编码拼接模块用于合并所述轨迹编码模块得到的两组轨迹编码；所述生成轨迹评分模块由三层MLP网络实现，用于对所述轨迹编码拼接模块得到的编码结果进行打分；将所述船舶当前轨迹和所述可行候选轨迹集输入至训练好的轨迹判别模型进行候选轨迹判别，将评分最高的可行轨迹作为预测结果。2.根据权利要求1所述的基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，其特征在于，数据预处理包括：提取在航船舶数据并分离不同船舶不同航次数据，对重复、关键属性缺失、错误数据进行清洗；对每条轨迹进行重采样，使每条轨迹上轨迹点的时间间隔相同；对轨迹点经纬度、航速航向属性与前一时刻对应属性做一阶差分；选取连续第一预设采样数的轨迹点作为模型输入轨迹，其后连续第二预设采样数的轨迹点作为标签轨迹，采用滑动窗口方法按预定的采样间隔从每条轨迹数据中采样获得轨迹段样本组成轨迹数据集。3.根据权利要求1或2所述的基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，其特征在于，生成可行候选轨迹集，包括：对于给定的任意船舶当前轨迹，从轨迹数据集中查询预测起始点在预定空间范围内的所有邻近点作为历史参考轨迹起点集，对起点集中的所有轨迹点分别按时序向后获取第二预设采样量的轨迹点构成历史参考轨迹集；从所述历史参考轨迹集挖掘历史航行模式；基于所述历史航行模式，从预测起始点开始迭代生成可行候选轨迹集。4.根据权利要求3所述的基于历史航行模式挖掘的可解释性两阶段船舶轨迹预测方法，其特征在于，从所述历史参考轨迹集挖掘历史航行模式，包括：基于所有历史参考轨迹计算轨迹点与起始点连线矢量相对于起始点航向的夹角范围，并计算轨迹段最大累积航向变化量与最大累积航速变化量；利用所有轨迹点计算邻点最大航向变化量，并对所有轨迹点航速进行分箱，统计每组分箱的航速增量分布律与航速减量分布律；统计邻点航速变化状态的分布律，航速变化状态包括减速、匀速与加...
【专利技术属性】
技术研发人员：张新宇，钱韦华超，姜玲玲，章文俊，李强，史建刚，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。