一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法、系统、设备及介质技术方案

一种基于编码

【技术实现步骤摘要】
Data:A Framework for Anomaly Detection and Route Prediction,"Entropy,vol.15,no.6,pp.2218
‑
2245,2013.[Online].Available:】、GMM(Gaussian Mixture Model)【C.Fraley,"Algorithms for model
‑
based Gaussian hierarchical clustering,"SIAM JOURNAL ON SCIENTIFIC COMPUTING,vol.20,no.1,pp.270
‑
281,1998,doi:10.1137/S1064827596311451.】、K
‑
means【K.P.Sinaga and M.S.Yang,"Unsupervised K
‑
Means Clustering Algorithm,"IEEE Access,vol.8,pp.80716
‑
80727,2020,doi:10.1109/ACCESS.2020.2988796.】等，基于聚类的轨迹预测首先把船舶轨迹进行分类，针对不同的类别分别建立并训练相应的神经网络预测模型。由于数据系统内部特征的不同，在具体的研究中可以分为轨迹点聚类和轨迹段聚类，轨迹段聚类侧重于研究对象的行为模式分布特征和行为的完整性。但基于聚类的方法只适用于限定数量的特定海上航线，且聚类过程会造成数据多样性的损失。
[0005]现有技术的缺陷和不足：
[0006]1、现有的轨迹预测深度学习模型常常是针对车辆和行人的轨迹预测，船舶航行和车辆行驶特点具有明显的不同，车辆轨迹时间短，交互性较强。而海上交通的自主性较强。
[0007]2、在交通密集的海域，海域状况复杂，船舶轨迹模式众多，过多的分类增加了工作量和复杂度。
[0008]3、在构建基于神经网络的轨迹预测模型时，现有的方法往往将历史数据直接作为数据集进行输入，没有考虑到其时序连续性，导致预测路线和实际路线趋势难以精确拟合，预测精度无法满足要求。
[0009]4、近海船舶AIS数据更新频率高，进出港行为复杂，交通密集。大量的数据中包括了由信号干扰和机械故障等因素引起的异常数据，产生了数据冗余问题，因此有效处理AIS数据对轨迹预测模型至关重要。

技术实现思路

[0010]针对上述现有技术的不足，本专利技术的目的在于提供一种基于编码
‑
解码结构的TCN
‑
GRU船舶轨迹预测方法、系统、设备及介质，利用异常数据过滤、数据压缩和三次样条插值技术对船舶AIS历史轨迹数据进行处理，在基于TCN网络构建的编码器中，利用TCN的短期特征提取能力对输入的船舶AIS历史轨迹数据进行编码，并利用基于GRU网络的解码器对船舶AIS历史轨迹数据进行长期时序特征提取，预测误差较少，满足实时性预测的要求，能够应用于进出港口的船舶轨迹的实时监控。
[0011]为了实现上述目的，本专利技术采取的技术方案是：
[0012]一种基于编码
‑
解码结构的TCN
‑
GRU船舶轨迹预测方法，包括以下步骤：
[0013]步骤1，对船舶AIS历史轨迹数据进行预处理，得到船舶AIS历史轨迹数据集，将船舶AIS历史轨迹数据集划分为训练集和测试集；
[0014]步骤2，构建基于TCN和双向GRU循环神经网络的轨迹预测模型；
[0015]步骤3，构建损失函数MSE，用于衡量真实值和预测值的均方误差；
[0016]步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；
[0017]步骤5，用步骤1所得的训练集通过步骤3中的构建损失函数MSE以及步骤4中设置
的网络训练参数对步骤2中构建的网络模型进行训练；训练网络模型包括加载步骤1中船舶AIS历史轨迹数据集中的训练集和测试集，加载网络模型，网络训练采用Adam优化器和均方误差MSE作为损失函数；
[0018]步骤6，轨迹递归预测；将步骤1中得到的测试集输入步骤5中训练完成后的网络模型中，按照滑动窗口的方式进行递归预测，输出预测得到的经纬度，得到预测结果和预测误差。
[0019]所述步骤1的具体方法为：
[0020]步骤101，对船舶AIS历史轨迹数据进行数据过滤，消除异常数据；
[0021]步骤102，对步骤101处理后的船舶AIS历史轨迹数据进行运动特征选取；选定船舶AIS历史轨迹数据中的海上移动业务识别码(MMSI)、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态，得到选定后的船舶AIS历史轨迹数据；
[0022]步骤103，对步骤102选定后的船舶AIS历史轨迹数据进行数据压缩；设定船舶AIS历史轨迹数据的采样频率为1
‑
15分钟，得到重新采样后的船舶AIS历史轨迹数据；
[0023]步骤104，对步骤103中重新采样后的船舶AIS历史轨迹数据中的缺失数据进行处理；对缺失的数据进行三次样条插值，当船舶AIS历史轨迹数据接收间隔大于30分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点，得到插值后的船舶AIS历史轨迹数据；
[0024]步骤105，对步骤104中插值后的船舶AIS历史轨迹数据进行归一化均匀分布的时间序列数据；所述归一化采用MIN
‑
MAX；
[0025]步骤106，采用滑动窗口对步骤104中插值后的船舶AIS历史轨迹数据进行切分；采用前4
‑
6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度，得到符合模型输入的船舶AIS轨迹数据文件；
[0026]步骤107，数据集划分；将步骤106中得到的船舶AIS轨迹数据文件构成船舶AIS历史轨迹数据集，将该船舶AIS历史轨迹数据集按7:3或8:2划分为训练集和测试集。
[0027]所述步骤2的构建基于TCN和双向GRU循环神经网络的轨迹预测模型，具体方法为：
[0028]步骤201，设计基于TCN网络的编码器，在编码器部分，对步骤1中得到的训练集进行膨胀因果卷积，TCN提取时间维度上的特征，作为后续网络的输入；
[0029]步骤202，采用注意力机制计算不同隐藏层输出的权重；
[0030]步骤203，构建基于双向GRU网络解码器，输入为步骤201中经过TCN卷积得到的时序特征，输出为下一时刻的经纬度位置。
[0031]所述步骤101中的异常数据包括：
[0032]a、海上移动业务识别码(MMSI)不符合规定长度，MMSI与静态信息不一致，与船舶类型不符；
[0033]b、重复轨迹数据；在同一个时间点出现了重复的冗余的AIS报文，这些数据造成轨迹杂乱无章，重复的轨迹数据可以通过轨迹相似性度量判断；
[0034]c、位置异常；确定所研究区域的经纬度范围，若经纬度信息超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编码
‑
解码结构的TCN
‑
GRU船舶轨迹预测方法，其特征在于：包括以下步骤：步骤1，对船舶AIS历史轨迹数据进行预处理，得到船舶AIS历史轨迹数据集，将船舶AIS历史轨迹数据集划分为训练集和测试集；步骤2，构建基于TCN和双向GRU循环神经网络的轨迹预测模型；步骤3，构建损失函数MSE，用于衡量真实值和预测值的均方误差；步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；步骤5，用步骤1所得的训练集通过步骤3中的构建损失函数MSE以及步骤4中设置的网络训练参数对步骤2中构建的网络模型进行训练；训练网络模型包括加载步骤1中船舶AIS历史轨迹数据集中的训练集和测试集，加载网络模型，网络训练采用Adam优化器和均方误差MSE作为损失函数；步骤6，轨迹递归预测；将步骤1中得到的测试集输入步骤5中训练完成后的网络模型中，按照滑动窗口的方式进行递归预测，输出预测得到的经纬度，得到预测结果和预测误差。2.根据权利要求1所述的一种基于编码
‑
解码结构的TCN
‑
GRU船舶轨迹预测方法，其特征在于：所述步骤1的具体方法为：步骤101，对船舶AIS历史轨迹数据进行数据过滤，消除异常数据；步骤102，对步骤101处理后的船舶AIS历史轨迹数据进行运动特征选取；选定船舶AIS历史轨迹数据中的海上移动业务识别码(MMSI)、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态，得到选定后的船舶AIS历史轨迹数据；步骤103，对步骤102选定后的船舶AIS历史轨迹数据进行数据压缩；设定船舶AIS历史轨迹数据的采样频率为1
‑
15分钟，得到重新采样后的船舶AIS历史轨迹数据；步骤104，对步骤103中重新采样后的船舶AIS历史轨迹数据中的缺失数据进行处理；对缺失的数据进行三次样条插值，当船舶AIS历史轨迹数据接收间隔大于30分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点，得到插值后的船舶AIS历史轨迹数据；步骤105，对步骤104中插值后的船舶AIS历史轨迹数据进行归一化均匀分布的时间序列数据；所述归一化采用MIN
‑
MAX；步骤106，采用滑动窗口对步骤104中插值后的船舶AIS历史轨迹数据进行切分；采用前4
‑
6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度，得到符合模型输入的船舶AIS轨迹数据文件；步骤107，数据集划分；将步骤106中得到的船舶AIS轨迹数据文件构成船舶AIS历史轨迹数据集，将该船舶AIS历史轨迹数据集按7:3或8:2划分为训练集和测试集。3.根据权利要求1所述的一种基于编码
‑
解码结构的TCN
‑
GRU船舶轨迹预测方法，其特征在于：所述步骤2的构建基于TCN和双向GRU循环神经网络的轨迹预测模型，具体方法为：步骤201，设计基于TCN网络的编码器，在编码器部分，对步骤...

【专利技术属性】
技术研发人员：祁文娟，刘志恒，余航，周绥平，张文杰，郭玉茹，李晨阳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：