【技术实现步骤摘要】
本专利技术属于船舶预测领域，具体涉及一种动力学知识驱动的船舶航迹预测方法及系统。
技术介绍
1、海运是国际贸易和全球经济的基础，世界上超过80％的产品是通过海上运输。随着海上运输需求的增加，船舶安全保障问题越来越受到业界和学术界的关注。其中，准确的船舶轨迹预测在避免碰撞、异常轨迹检测、航行安全保障、港口管理等方面起着关键作用。
2、随着传感器精度的提高，多源数据被收集起来用于海上情况感知(sa)和船舶轨迹预测辅助，包括自动识别系统(ais)数据、sar卫星数据、船舶监测系统(vms)数据、远程识别和跟踪(lrit)数据等。其中，ais转发器被广泛装备在船舶上，获得了大量的静态和动态信息，为探索基于ais数据的海上交通分析新方法提供了数据支撑。然而，ais数据通常包括明显的数据缺陷和较差的数据一致性，这给数据处理带来了许多问题。同时，现有的方法直接使用清洗过的时间序列数据，没有发掘数据中包含的深层次动态信息。因此，如何深入挖掘ais数据中隐含的轨迹时空信息仍是一个亟待解决的问题。
3、许多研究人员致力于利用ais数据来预测船舶的轨迹。现有的船舶轨迹预测算法可以分为四类：基于模拟的、基于统计的、基于深度学习的和基于混合的。基于模拟的算法通过构建船舶运动模型来模拟船舶行为，但当轨迹信息缺失时，其预测结果是不可靠的。基于统计的算法通常利用近邻搜索、马尔科夫链、滤波器等算法进行匹配或建立统计模型，该算法有利于长期轨迹预测，但计算成本高且对参数敏感。基于深度学习的算法则通过叠加多个非线性层将数据抽象为高级特征，以学习
4、为了解决这些问题，一些学者考虑将多种模型结合起来进行预测。混合算法是一种主流算法，它将深度学习与其他算法相结合，来预测较长的轨迹。这种算法主要有两种方式。第一种算法是将历史轨迹进行聚类，设计聚类分类器，并为每个类别训练一个局部行为网络。第二种算法是提取典型水路并将其用于修正神经网络的预测结果。这些算法利用现有或提取的知识来辅助神经网络预测轨迹。然而，这种算法将知识从神经网络的学习过程中分离出来，限制了深度学习提取潜在动力学知识的能力。因此，需要进一步探索更加有效的混合算法，以实现更准确、更可靠的船舶轨迹预测。
技术实现思路
1、本申请的目的是针对船舶行驶状态进行感知，通过提取运动时空状态特征来实现更准确的长期轨迹预测。其中，通过开展基于transformer的动力学知识驱动型神经网络研究，对于轨迹数据增强、长期轨迹依赖性提取、知识融合型网络结构等关键技术进行了突破，从而实现了真实海洋场景下的船舶行驶状态感知和精确预测技术。本申请的目的具体包括：
2、1、对原始ais数据进行增强，提高其捕获轨迹空间特征、融合简单动力学知识的能力。
3、2、提高原始transformer对船舶轨迹行驶状态的识别，关注长期的轨迹时空信息彼此之间的依赖，提高长期信息提取能力。
4、3、推动基于ais数据的船舶行驶状态感知和动力学知识驱动式神经网络的发展，突破现有技术在融合运动学知识和机器学习的技术难题。
5、为了实现上述目的，本专利技术提出了一种动力学知识驱动的船舶航迹预测方法，包括：
6、将自动识别系统数据输入船舶轨迹预测网络模型，输出预测的船舶轨迹；
7、所述船舶轨迹预测网络模型以transformer网络模型为基础进行改进，改进包括：
8、将标准的序列输入数据改进为轨迹时间序列和增强的轨迹矩阵；
9、将transformer网络模型第一层中的多头自注意力机制修改为多头动态感知自注意力机制，其他层采用informer中的多头稀疏概率自注意力机制。
10、作为上述方法的一种改进，述轨迹时间序列的构建方法包括：
11、计算原始数据两两轨迹点之间的距离差和时间差，如果轨迹点超过设定时间没有数据或如果两轨迹点之间速度大于设定速度阈值，则将轨迹进行分段；
12、根据时间和距离差异将原始轨迹被划分为轨迹段；
13、对轨迹段使用立方样条插值法均匀采样为每设定时长一个点。
14、作为上述方法的一种改进，所述增强的轨迹矩阵构建方法包括：
15、增强的轨迹矩阵由两个相邻的轨迹点pn和pn+1构建，矩阵包括轨迹信息在矩阵中表示的位置和轨迹信息在矩阵中的具体数值；
16、所述轨迹信息在矩阵中表示的位置包括轨迹点pn的当前位置在矩阵中的位置lc、船首向在矩阵中的位置lh、速度在矩阵中的位置ls和轨迹点pn+1在矩阵中的位置ln；
17、所述轨迹信息在矩阵中的具体数值包括轨迹点pn的当前位置在矩阵中的数值atm[lc]、船首向在矩阵中的数值atm[lh]、速度在矩阵中的数值atm[ls]和轨迹点pn+1在矩阵中的数值atm[ln]；
18、根据对地航向计算lh和ls；根据pn和pn+1之间的距离计算出ln；lc设定为矩阵的中心位置；
19、atm[lc]和atm[lh]分别设置为设定常数；
20、根据对地速度计算atm[ls]；
21、将atm[ln]在矩阵中高斯化。
22、作为上述方法的一种改进，船舶轨迹预测模型的数据嵌入过程包括：
23、模型的输入向量由以下公式计算：
24、
25、其中，pe(ind)表示位置嵌入计算结果；te(ind)表示时间嵌入计算结果；ind＝lx×(t-1)+i，lx表示输入序列长度，i∈{1,...,lx}表示输入数据的索引，l∈{1,...,ll}表示时间嵌入的层数，ll表示第每层时间嵌入数据序列的长度；α表示一个平衡标记嵌入和其他嵌入的参数；为使用一维卷积滤波器将输入数据调整为dmodel维的向量，dmodel为标记嵌入后的特征维度；t表示轨迹点的时间。
26、作为上述方法的一种改进，所述多头动态感知自注意力机制的构建方法包括：
27、船舶轨迹预测网络模型的attention计算公式为：
28、
29、其中，表示查询中未选择的位置；concat表示将两个张量拼接在一起；q、k、v分别表示船舶轨迹预测网络模型的查询、健和值；表示挑选后的查询与键的计算结果。
30、作为上述方法的一种改进，由以下公式计算：
31、
32、其中，dk表示键的长度；softmax表示激活函数；t表示转置；表示挑选后的查询。
33、作为上述方法的一种改进，挑选后的查询计算方法包括：
34、将注意力模块的输入线性映射为wq,wk,wv为查询，键，值与权重矩阵相乘后的结果，得到transformer网络中的查询q、键k和值v本文档来自技高网...
【技术保护点】
1.一种动力学知识驱动的船舶航迹预测方法，包括：
2.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述轨迹时间序列的构建方法包括：
3.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述增强的轨迹矩阵构建方法包括：
4.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，船舶轨迹预测模型的数据嵌入过程包括：
5.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述多头动态感知自注意力机制的构建方法包括：
6.根据权利要求5所述的动力学知识驱动的船舶航迹预测方法，其特征在于，由以下公式计算：
7.根据权利要求6所述的动力学知识驱动的船舶航迹预测方法，其特征在于，挑选后的查询计算方法包括：
8.根据权利要求2所述的动力学知识驱动的船舶航迹预测方法，其特征在于，船舶轨迹预测网络模型的损失函数为：
9.根据权利要求8所述的动力学知识驱动的船舶航迹预测方法，其特征在于，第n个预测点的经纬度的计算公式为：
10.
...【技术特征摘要】
1.一种动力学知识驱动的船舶航迹预测方法，包括：
2.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述轨迹时间序列的构建方法包括：
3.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述增强的轨迹矩阵构建方法包括：
4.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，船舶轨迹预测模型的数据嵌入过程包括：
5.根据权利要求1所述的动力学知识驱动的船舶航迹预测方法，其特征在于，所述多头动态感知自注意力机制的构建方法包括：
6.根...
【专利技术属性】
技术研发人员：强惠敏，郭志远，谢世元，彭晓东，郑潇，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。