船舶轨迹预测方法、终端设备及存储介质技术

本发明专利技术公开了一种船舶轨迹预测方法、终端设备及存储介质，从地面数据集中获取长度为g的第一观察序列，将第一观察序列输入第一机器学习模型，得到长度为l的中间预测序列从卫星数据集中观察到的长度为g的第二观察序列，将第二观察序列输入第二机器学习模型，得到长度为l的中间预测序列从地面

【技术实现步骤摘要】
船舶轨迹预测方法、终端设备及存储介质


[0001]本专利技术涉及轨迹预测技术，特别是一种船舶轨迹预测方法、终端设备及存储介质。

技术介绍

[0002]海事物联网的发展促进了海上船舶交通服务智能化，具体来说，借助6g网络集成海事数据促进海上态势智能感知[1]、海上交通安全智能监管[2]和智能无人水面舰艇(USV)的发展[3]。基于空间
‑
海上
‑
地面综合的海事物联网系统通过自动识别系统(AIS)掌握海上船舶标识、位置和行为等信息[4]。然而，安联集团发布的《2021年安全与航运评论》的报告[5]称船舶碰撞是造成海上事故的重要原因之一。因此，在错综复杂的海上交通环境下，提高VTS中海上船舶防撞能力和无人舰艇安全深海航行变得十分重要。其中，利用人工智能技术对船舶AIS数据进行深度挖掘提高船舶轨迹预测能力一直是工业界和学术界关注的重点。
[0003]AIS数据涉及支持各种导航操作决策的有意义的时空海上交通信息[6],在海事应用中为船舶防撞、自动导航和船舶轨迹预测提供重要数据服务。然而，空间卫星AIS数据和地面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶轨迹预测方法，其特征在于，包括以下步骤：S1、从地面数据集中获取长度为g的第一观察序列，将第一观察序列输入第一机器学习模型，得到长度为l的中间预测序列Y
lterra
；从卫星数据集中观察到的长度为g的第二观察序列，将第二观察序列输入第二机器学习模型，得到长度为l的中间预测序列S2、从地面
‑
卫星混合数据集中选出相同轨迹段的长度为g的第三观察序列，将第三观察序列与中间预测序列Y
lterra
、中间预测序列进行融合，形成一个长度为g+2l的新融合输入数据所述地面
‑
卫星混合数据集由地面数据集和卫星数据集混成而成；S3、将所述新融合输入数据作为第三机器学习模型的输入，得到预测结果。2.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述第一机器学习模型、第二机器学习模型和第三机器的获取过程包括：采集的船舶时序轨迹数据作为地面AIS样本集，采集船舶时序轨迹数据作为卫星AIS样本集，混合地面AIS样本集和卫星AIS样本集，将混合数据集划分为训练集和测试集；将所述训练集作为地面子模型和卫星子模型的输入，训练所述地面子模型和卫星子模型，得到第一机器学习模型和第二机器学习模型；将训练过程中获得的最优地面子模型和卫星子模型的中间输出与混合数据集中的相同船舶的轨迹组合成新的融合训练集，将新的融合训练集输入到融合预测块中，训练所述融合预测块，得到第三机器学习模型。3.根据权利要求1或2所述的船舶轨迹预测方法，其特征在于，所述第一机器学习模型为多层感知器；所述第二机器学习模型和第三机器学习模型均为BiGRU神经网络。4.根据权利要求3所述的船舶轨迹预测方法，其特征在于，步骤S1中，长度为l的中间预测序列Y
lterra
具体获取过程包括：将地面数据集中的观察序列的元素依次输入第一机器学习模型，其中，t表示当前轨迹序列中位置；依据下式更新第一机器学习模型第j隐藏层的输出h
j
：h
j
＝σ
j
(h
j
‑1w
j
+b
j
；θ)，其中，第1个隐藏层的隐藏状态h1为σ是第1个隐藏层的激活函数，n是输入总数，b
t
是第1个隐藏层的偏置，w
t
是连接层的权重，σ
j
是第j隐藏层具有可学习参数θ的非线性激活函数，b
j
是第j隐藏层的偏置，w
j
是第j层连接层的权重；将由所有隐藏层的输出组成的向量输入全连接层，得到长度为l的中间预测序列Y
lterra
。5.根据权利要求3所述的船舶轨迹预测方法，其特征在于，步骤S1中，所述第二机器学习模型将输入的第二观察序列映射为一个输出序列，长...

【专利技术属性】
技术研发人员：胡玉鹏，肖叶，黄靖，旷文鑫，刘乾桢，肖雨婷，
申请(专利权)人：湖南大学，
类型：发明
国别省市：