【技术实现步骤摘要】
本专利技术属于船舶轨迹预测领域，具体涉及一种船舶轨迹多模态预测方法及系统。
技术介绍
1、海上运输对全球经济至关重要，事实上，它占据着全球贸易的80％以上。然而，因为受到各种自然或人为因素的影响，海上运输产生了很多变化。这些影响不仅导致了运输成本的上升，还导致了海上交通的连通性的变化，引发了一系列连锁反应，包括通货膨胀、食品短缺以及全球供应链的中断。
2、在这个复杂多变的背景下，对船只轨迹的准确预测显得愈发不可或缺，因为这一预测在多个方面发挥着至关重要的作用。首先，它对于优化港口排班非常关键，确保货物和船只能够按计划顺利运送，从而维护了供应链的稳定性。其次，它有助于高效地管理海上交通，避免拥堵和冲突，提高了整个海上交通系统的效率。此外，它还可以帮助船只规划最佳航线，减少能源浪费，对可持续性发展发挥了积极作用。另外，船只轨迹的准确预测可以帮助规避碰撞，保障了船只和船员的安全。最终，它对降低海上运输成本和减少船只损失具有直接的经济影响，有助于维护全球供应链的畅通，避免通货膨胀和食品短缺等连锁反应。
3、在传感器技术的快速发展下，广泛收集和应用自动识别系统(ais)数据变得更加便捷。这些数据为深度学习方法在船只轨迹预测领域提供了坚实的基础。编码器-解码器结构天然具有处理可变长度序列、使用位置嵌入编码时间序列特征以及提高对不同位置的关注的优势。因此，这一结构逐渐成为多模态船舶轨迹预测的主流方法，如基于循环神经网络(rnn)的编码器-解码器结构和transformer。在这些方法中，meto-s2s能够编码语义信息
4、此外，我们提到的几乎所有方法在预测时仅生成一条轨迹。然而，考虑到海上导航的不确定性，当一艘船面临多个潜在目的地且没有明显的返回港口趋势时，同时生成多条预测轨迹可以为船舶轨迹预测和导航决策提供更多有用信息。因此如何实现多模态预测对准确率的提升至关重要。
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，提出一种更准确和稳健的自主船舶轨迹预测模型，即socialvessel。该模型可以基于目标船只及其周围环境同时推断多个预测轨迹，然后通过聚类确定具有最高概率的目的地和轨迹。从而实现了真实海洋场景下的船舶回港行驶状态感知和精确预测技术。本申请的目的包括：
2、1、提出一种基于短期观测来预测未来船只轨迹的创新框架。该模型能够利用注意机制编码了关键特征，如距离、最接近点时的距离(dcpa)和最接近点时的时间(tcpa)，捕捉周围船只对目标船只的影响。
3、2、采用受vae(variational autoencoder)启发的框架，在训练过程中使预测分布逼近观测分布。在测试中，通过从潜在空间中采样生成多模态的输出，然后利用k均值聚类算法获取最佳的预测结果。
4、3、推动基于ais数据的船舶行驶状态感知和多模态神经网络的发展，突破现有技术在感知复杂回港环境和多模态预测的技术难题。
5、总的来说，本申请的目的是提出一种先进的、多模态的船舶轨迹预测模型，旨在提高自主船舶的轨迹预测精度和稳健性。socialvessel模型采用了多种创新技术，包括vae启发的框架、注意机制以及k均值聚类算法，以提供更准确的预测结果。通过更好地考虑目标船只及其周围环境的影响，该模型能够为自主船舶的实时决策提供有力支持，提高海上交通系统的效率和安全性。
6、为了实现上述目的，本专利技术提出了一种船舶轨迹多模态预测方法，包括：
7、将获取的自动识别系统数据输入训练好的神经网络模型，输出多条预测轨迹，再将输出结果进行目的地聚类，得到船舶预测目的地和最优预测轨迹；
8、所述神经网络模型为改进的注意力感知gru模型；
9、对注意力感知gru模型的改进包括：
10、使用多船信息编码器代替标准模型的编码器；
11、使用受变分自解码器启发的解码器代替标准模型的解码器。
12、作为上述方法的一种改进，所述多船信息编码器包括特征构建；
13、所述特征构建包括：
14、构建目标轨迹的状态特征：从目标轨迹序列的一次差分中得到dv＝[δv(1),...,δv(t)]，将dv作为目标轨迹的状态特征；其中速度差δv(τ)＝[δρ(τ),δθ(τ)]，速度v＝[ρ,θ]；ρ和θ分别代表船舶对地速度和对地航向；τ代表时间；
15、构建目标与邻近船只之间的关系特征：对于每个邻近船只，目标与邻近船只之间的关系特征为[dnpn,dnvn]，其中，dnpn＝pi-pj，dnvn＝δpi-δpj；pi＝[λi,φi]，pi表示目标船舶的经纬度，pj表示邻船的经纬度；λi和φi分别表示目标船舶的经度和纬度；dnpn表示目标船舶和邻船之间的经纬度差，n表示邻船的数目；dnvn表示目标船舶和邻船之间的速度差；δpi表示单位时间目标船舶的经纬度差；δpj表示单位时间临船的经纬度差；
16、构建船只的专有关系特征＝[distancei|j,tcpai|j,dcpai|j]；其中，distancei|j表示目标船舶和临船之间的距离；tcpai|j表示船舶到最近会遇点的时间；dcpai|j表示船舶到最近会遇点的距离。
17、作为上述方法的一种改进，所述多船信息编码器还包括注意力感知gru；
18、所述注意力感知gru对提取的特征进行编码，包括：
19、使用多层感知机提取dnp0的高维特征h0，作为gru的初始隐藏状态；其中，dnp0表示dnpn中索引为0的数据；
20、对提取的特征进行编码：
21、q＝mlp(ht-1),
22、atten＝softmax(mask(relu(ft×q))),
23、xt＝concatenation(atten×nt,st),
24、xt,ht＝gru(xt,ht-1).
25、其中，mlp表示多层感知机；st表示目标轨迹的状态特征；nt表示目标与邻近船只之间的关系特征；ft表示船只的专有关系特征；t表示输入序列中不同位置的索引；softmax和relu表示激活函数；concatenation表示将张量atten×nt和张量st拼接在一起；×表示矩阵乘法；mask表示将超过阈值的距离设为无穷大；当t＝1时，隐状态为高维特征h0；q表示利用多层感知机从h0中提取到的特征；atten表示注意力机制的计算结果；gru为循环神经网络，xt表示当前节点的输入，目标轨本文档来自技高网...
【技术保护点】
1.一种船舶轨迹多模态预测方法，包括：
2.根据权利要求1所述的船舶轨迹多模态预测方法，其特征在于，所述多船信息编码器包括特征构建；
3.根据权利要求2所述的船舶轨迹多模态预测方法，其特征在于，所述多船信息编码器还包括注意力感知GRU；
4.根据权利要求1所述的船舶轨迹多模态预测方法，其特征在于，所述受变分自解码器启发的解码器的设计包括：
5.根据权利要求4所述的船舶轨迹多模态预测方法，其特征在于，所述受变分自解码器启发的解码器的损失函数为：
6.根据权利要求4所述的船舶轨迹多模态预测方法，其特征在于，所述受变分自解码器启发的解码器从基于历史数据网络提取到的特征pt中进行采样得到zt，根据解码器中的定义，利用网络生成dt，将dt的投影结果作为模型的预测结果。
7.根据权利要求1所述的船舶轨迹多模态预测方法，其特征在于，所述目的地聚类包括：
8.一种船舶轨迹多模态预测系统，基于权利要求1-7所述的任一方法实现，其特征在于，所述系统包括：
【技术特征摘要】
1.一种船舶轨迹多模态预测方法，包括：
2.根据权利要求1所述的船舶轨迹多模态预测方法，其特征在于，所述多船信息编码器包括特征构建；
3.根据权利要求2所述的船舶轨迹多模态预测方法，其特征在于，所述多船信息编码器还包括注意力感知gru；
4.根据权利要求1所述的船舶轨迹多模态预测方法，其特征在于，所述受变分自解码器启发的解码器的设计包括：
5.根据权利要求4所述的船舶轨迹多模态预测方法，其特征在于，所述受变分自解码...
【专利技术属性】
技术研发人员：强惠敏，谢世元，郭志远，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。