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

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：