一种基于动静知识图谱联合推理的船舶轨迹预测方法技术

本发明专利技术涉及一种基于动静知识图谱联合推理的船舶轨迹预测方法，属于船舶轨迹预测领域

【技术实现步骤摘要】
一种基于动静知识图谱联合推理的船舶轨迹预测方法


[0001]本专利技术属于船舶轨迹预测领域，更为具体地讲，涉及一种基于动静知识图谱联合推理的船舶轨迹预测方法
。

技术介绍

[0002]海上船舶交通服务目前对船舶航行动态评估预警较差，对于船舶后续的轨迹预测不精确
。
现有的研判仍是采用人工方法对管理区进行监测预警，对船舶行为预测之后，不能为快速反应留出充足的时间，并且值班人员需要丰富的航海管理经验才能够对船舶的行为作出预判，超前预警时间短
。
对于轨迹预测方面主要依靠历史轨迹点信息，对船舶轨迹预测不准确，对于预测到的轨迹不具备可解释性
。

技术实现思路

[0003]为解决上述问题，本专利技术提供一种基于动静知识图谱联合推理的船舶轨迹预测方法，将船舶在海上的语义行为知识加持到船舶的轨迹预测之中，将船舶要素组织到图中进行表示，利用图神经网络进行预测，旨在解决船舶轨迹预测不精准，预测到的船舶后续行为不具备可解释性，对海域态势不能进行超前预警，需大量人工监测，导致的决策效率低的问题
。
[0004]本专利技术采用的技术方案为：一种基于动静知识图谱联合推理的船舶轨迹预测方法，包括以下步骤：
S1、
针对原始的
AIS
数据，利用轨迹去纠缠算法对数据进行清洗去纠缠，并将每段轨迹与行为语义进行匹配对应，其中行为语义包含起始
、
停留
、
正常航行
、
结束
、
>绕行
、
折返和环绕七种语义；
S2、
利用船舶静态属性构建静态知识图谱，利用船舶动态信息构建动态知识图谱；同时，将船舶轨迹相邻两节点中时间靠前的点作为向量的起点，另一个点作为向量的终点，并且将轨迹段作为节点，将轨迹段作为轨迹知识图谱；其中，船舶动态信息包括船舶周边海域环境信息
、
船舶航速以及船首向；
S3、
根据步骤
S2
构建好的知识图谱，利用基于本体和基于规则的方法对知识图谱进行推理，补全节点与节点之间的关系，并根据船舶航行
AIS
数据，将动态节点信息进行实时更新，然后对船舶下一阶段的行为语义进行预测；
S4、
将下一阶段的船舶行为语义用新建节点表示，并且与船舶节点建立所属关系；
S5、
对静态知识图谱
、
动态知识图谱以及轨迹知识图谱进行特征提取和关系提取，获得每个节点的特征和节点之间的关系，并将三个知识图谱之间进行交互操作，通过带有自注意力机制的图神经网络进行特征传递与学习，然后结合
RNN
对轨迹进行预测生成；
S6、
利用船舶下一阶段的行为语义和位置信息，生成船舶后续态势语句，并得出船舶将会采取的语义和将会出现的海域，判断行为是否非法，进行预警
。
[0005]进一步的，步骤
S5
具体包括以下过程：
S5.1、
对构建的动态知识图谱
、
静态知识图谱和轨迹知识图谱，设其中某个知识图谱中的节点有，
n
代表知识图谱中节点个数，知识图谱上某一层的操作如下：；式中，表示第个节点第层的特征，表示第个节点第层的特征，表示获取与相邻节点之间的关系，表示将的节点特征进行独立编码，表示聚合节点周边节点的特征；
S5.2、
聚合每个节点不同层次上的特征，获得节点特征：；
S5.3、
将获得的节点特征之间利用
GNN
结合自注意力机制进行全局交互，进行特征传递与学习：；式中，表示图中第层所有节点特征的集合，表示图中第层所有节点特征的集合，表示图的邻接矩阵；
S5.4、
经过全局交互之后重新得到各节点的特征，用多层感知机，利用得到的各节点特征以及节点本身的信息，对船舶后续轨迹进行预测生成：；式中，表示预测的轨迹点，表示用
RNN
对轨迹进行预测生成
。
[0006]与现有技术相比，本专利技术的有益效果：本专利技术构建了并利用了船舶
、
环境以及行为语义域一体的知识图谱，并且对知识图谱进行推理补全，对船舶下一阶段的行为语义进行预测，将船舶的静态属性信息
、
周边环境信息
、
动态航行信息以及行为语义融入到轨迹预测当中，并且摒弃传统的时序性预测方法导致的时序性依赖以及误差累计等常见问题，聚合船舶周边节点的特征信息，利用图神经网络进行训练预测，提高船舶轨迹的预测精度，提高预测结果的可解释性，为管理部门自动化提供态势信息，能够对事故进行超前预警，提高管理部门对于海域的态势把控，及时作出应对决策
。
附图说明
[0007]图1是本专利技术的整体预测实施流程图
。
具体实施方式
[0008]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地
理解本专利技术
。
需要特别提醒注意的是，在以下的描述中，此处所描述的具体实施方式仅用于解释本专利技术，并不用于限定本专利技术
。
[0009]本专利技术一种基于动静知识图谱联合推理的船舶轨迹预测方法，如图1所示，实现的具体步骤如下：
S1、
针对原始的
AIS
数据，利用轨迹去纠缠算法对数据进行清洗去纠缠，去除离群点和纠缠点，进行等时间间隔的重采样，并且在稠密的轨迹点中再次进行上采样，各点之间的时间间隔设定为
30
分钟，将每个轨迹点连接成轨迹段，并将每段轨迹与基本行为语义进行匹配对应，其中基本行为语义包含（开始
、
结束
、
正常航行
、
绕行
、
折返
、
环绕和停留）
。
[0010]S2、
抽取船舶节点的固定属性作为知识图谱中的静态节点，构建静态知识图谱，将船舶航行时随时间动态变化的属性例如船舶周边海域环境信息
、
船舶航速以及船首向等动态信息构建动态知识图谱，利用
Protege
构建静态知识图谱和动态知识图谱；同时，对船舶轨迹进行向量化处理，将船舶轨迹相邻两节点中时间靠前的点作为向量的起点，另一个点作为向量的终点，并且将轨迹段作为节点，将轨迹段作为轨迹知识图谱
。
[0011]S3、
根据步骤
S2
构建好的动静知识图谱，在推理规则的制定上，利用基于本体和基于规则的方法，依据定义的基本行为语义规则，对知识图谱进行推理，补全节点与节点之间的关系，并根据船舶航行
AIS
数据，将动态节点信息进行实时更新，然后对船舶下一阶段的行为语义精确预测
。
[0012]S4、
将下一阶段的船舶行为语义用新建节点表示，并且与船舶节点建立所属关系连接，动态更新到知识图谱当中
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于动静知识图谱联合推理的船舶轨迹预测方法，其特征在于，包括以下步骤：
S1、
针对原始的
AIS
数据，利用轨迹去纠缠算法对数据进行清洗去纠缠，并将每段轨迹与行为语义进行匹配对应，其中行为语义包含起始
、
停留
、
正常航行
、
结束
、
绕行
、
折返和环绕七种语义；
S2、
利用船舶静态属性构建静态知识图谱，利用船舶动态信息构建动态知识图谱；同时，将船舶轨迹相邻两节点中时间靠前的点作为向量的起点，另一个点作为向量的终点，并且将轨迹段作为节点，将轨迹段作为轨迹知识图谱；其中，船舶动态信息包括船舶周边海域环境信息
、
船舶航速以及船首向；
S3、
根据步骤
S2
构建好的知识图谱，利用基于本体和基于规则的方法对知识图谱进行推理，补全节点与节点之间的关系，并根据船舶航行
AIS
数据，将动态节点信息进行实时更新，然后对船舶下一阶段的行为语义进行预测；
S4、
将下一阶段的船舶行为语义用新建节点表示，并且与船舶节点建立所属关系；
S5、
对静态知识图谱
、
动态知识图谱以及轨迹知识图谱进行特征提取和关系提取，获得每个节点的特征和节点之间的关系，并将三个知识图谱之间进行交互操作，通过带有自注意力机制的图...

【专利技术属性】
技术研发人员：魏昊坤，刘敬一，陈金勇，楚博策，朱进，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：