一种基于深度学习的船舶轨迹预测方法与系统技术方案

本发明专利技术公开了一种基于深度学习的船舶轨迹预测方法与系统，包括对船舶AIS历史数据集进行预处理和归一化并划分训练集和测试集，构建船舶轨迹预测模型，模型为基于注意力机制的生成对抗网络模型，模型包括生成器和判别器，生成器包括第一编码器与解码器，第一编码器包含基于本船历史轨迹的时间注意力模块、基于相邻船舶历史轨迹的空间注意力池化模块，判别器包括第二编码器、全连接层以及多层感知机，设置迭代次数，构建损失函数，根据训练集对模型进行训练，获取待预测船舶的历史轨迹，根据历史轨迹与基于注意力机制的生成对抗网络模型对待预测船舶的轨迹进行预测。提高生成对抗网络模型对船舶轨迹预测的有效性和可靠性，提高了预测精度。

【技术实现步骤摘要】

本专利技术涉及船舶轨迹预测领域，尤其涉及一种基于深度学习的船舶轨迹预测方法与系统。

技术介绍

1、船舶轨迹预测是指通过分析船舶的历史轨迹数据和相关环境信息，预测未来一段时间内船舶的运动轨迹。这项技术在航运、海事安全、港口管理等领域具有重要的应用价值。船舶轨迹预测的关键是准确的历史轨迹数据。这些数据通常来自于船舶的自动识别系统(automatic identification system，ais)或者卫星遥感系统。ais是一种船舶定位系统，广泛用于航运行业，提供船舶的位置、速度、航向等信息。为了进行轨迹预测，需要对历史轨迹数据进行处理和特征提取。常见的方法包括轨迹平滑、轨迹分段、航行状态识别等。目前常用的船舶轨迹预测方法包括基于统计的方法和机器学习方法，统计方法主要基于历史数据的分析和模式推断，如马尔可夫模型、kalman滤波器等。机器学习方法则利用历史数据训练模型，常见的包括基于回归的方法、时间序列模型、深度学习模型等。目前基于ais数据驱动的深度学习方法在船舶轨迹预测效果相对较好，但依然存在着一些精度和可靠性不足的问题，主要的原因在于大部分模型在挖掘船本文档来自技高网...

【技术保护点】

1.一种基于深度学习的船舶轨迹预测方法，其特征在于，包括，

2.根据权利要求1所述的一种基于深度学习的船舶轨迹预测方法，其特征在于，所述基于本船历史轨迹的时间注意力模块用于获取本船在历史时间点的运动状态，根据公式(1)构建本船在当前时间点的运动状态，

3.根据权利要求1所述的一种基于深度学习的船舶轨迹预测方法，其特征在于，所述基于相邻船舶历史轨迹的空间注意力池化模块用于在当前时间点t，获取相距k海里的任意两艘船舶的坐标、速度，任意两艘船舶表示为i、j，分别对两艘船舶的坐标、速度作差后得到相对运动信息，所述相对运行信息包括相对位置、相对速度，对相对运动信息进行MLP...

【技术特征摘要】

1.一种基于深度学习的船舶轨迹预测方法，其特征在于，包括，

2.根据权利要求1所述的一种基于深度学习的船舶轨迹预测方法，其特征在于，所述基于本船历史轨迹的时间注意力模块用于获取本船在历史时间点的运动状态，根据公式(1)构建本船在当前时间点的运动状态，

3.根据权利要求1所述的一种基于深度学习的船舶轨迹预测方法，其特征在于，所述基于相邻船舶历史轨迹的空间注意力池化模块用于在当前时间点t，获取相距k海里的任意两艘船舶的坐标、速度，任意两艘船舶表示为i、j，分别对两艘船舶的坐标、速度作差后得到相对运动信息，所述...

【专利技术属性】
技术研发人员：李伟峰，史国友，马麟，王庆武，覃贝贝，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：