【技术实现步骤摘要】
本申请涉及船舶轨迹预测，尤其是涉及一种基于多源数据融合的船舶动态轨迹预测及跟踪方法。
技术介绍
1、近年来船舶轨迹预测的相关研究受到了广泛的关注。同时，船舶自动识别系统（ais）的广泛应用也为海上交通的监测、分析和建模提供了丰富的数据。基于此，许多学者以ais提供的船舶静动态信息为依据开展了大量船舶轨迹预测的研究，为海上交通的管理提供了多样化的思路与预测方法。然而，ais数据还是具有一定的局限性。一方面它无法提供一些未安装ais设备的小型船舶航行数据，另一方面ais数据更新的间隔时间从几十秒到几分钟不等，无法保障数据的实时性。因此，仅仅依靠ais提供的船舶数据来进行船舶航行轨迹预测在当今智能交通的时代已不能充分满足海上交通监管的需求。
技术实现思路
1、本申请的其中一个目的在于提供一种能够解决
技术介绍
中至少一个缺陷的基于多源数据融合的船舶动态轨迹预测及跟踪方法。
2、为达到上述的至少一个目的，本申请采用的技术方案为：一种基于多源数据融合的船舶动态轨迹预测及跟踪方法，包括如下步骤：
3、s100：基于船舶自身的ais以及桥梁设置的雷达系统甄别出目标船舶，并将目标船舶的ais以及桥梁的雷达系统分别提供的位置信息进行融合；
4、s200：对步骤s100融合的数据进行整合，并基于双向长短期记忆网络建立目标船舶的轨迹预测模型；基于贝叶斯优化对建立的轨迹预测模型进行优化；
5、s300：基于步骤s200优化后的轨迹预测模型的预测轨迹与历史航行轨迹
6、优选的，步骤s100包括如下具体过程：
7、s110：将雷达系统的目标位置坐标和ais的目标位置坐标统一为地心坐标系下的坐标（xr，yr）和（xa，ya）；
8、s120：将雷达系统的采样时刻设置为采样基准时刻，利用插值法计算出ais于采样基准时刻的目标位置信息；
9、s130：对雷达系统采集的航行轨迹与船舶的ais提供的航行轨迹进行关联，若满足关联条件，则认定在设定时间内雷达系统与ais探测的为同一目标，即目标船舶；
10、s140：利用算法对步骤s130甄别出的目标船舶进行位置数据的融合。
11、优选的，雷达系统采用以雷达系统为中心的极坐标系，目标位置数据是用极坐标表示；ais 检测的目标位置用 wgs-84 地理坐标表示；在步骤s110中，通过高斯-克吕格投影法将ais的目标位置坐标转换为系统坐标系下的坐标（xa，ya）；雷达系统的目标位置于系统坐标系中的坐标（xr，yr）通过下列转换公式得到：
12、；
13、；
14、其中，r为目标船舶相对于雷达系统的直线距离，为目标船舶相对于雷达系统的方位角（0°~360°）；表示经度，表示纬度；（x0，y0）为雷达系统在系统坐标系中的坐标。
15、优选的，在步骤s130中，采用置信度法进行航行轨迹的关联；具体过程如下：
16、s131：设置时间起始点t0，在时长为t的这段时间内，按照相同时间点等间隔获取n个雷达系统和ais提供的目标船舶的位置数据及速度数据；
17、s132：根据步骤s131获取的数据按计算置信度d；
18、s133：设定置信度的阈值dm，当计算得到的置信度值d＜dm时，则认为在t时间内雷达系统和ais探测的为同一个目标；
19、置信度d的计算公式如下：
20、；
21、；
22、；
23、其中，表示t时间内的距离差总和；表示t时间内的速度差总和；k1、k2为权重系数；vr、va分别为i时间点雷达系统和ais采集的目标船舶的速度；（xri，yri）和（xai，yai）分别为i时间点雷达系统和ais采集的目标船舶于地心坐标系中的位置坐标。
24、优选的，在步骤s140中，采用基于最小方差原则的加权平均法进行数据融合，具体的计算公式如下：
25、；
26、；
27、；
28、；
29、其中，（x，y）表示融合后的目标位置坐标值；m1、m2为数据融合权重；分别为雷达系统和ais的测量精度。
30、优选的，在步骤s200中，对于数据的整合包括如下过程：
31、s210：选取轨迹特征；
32、s220：基于步骤s210选取的轨迹特征，对雷达系统和ais采集的相关数据进行融合，进而得到目标船舶的航行轨迹特征数据c；
33、s230：对步骤s220获得的航行轨迹特征进行消除数据量级处理。
34、优选的，步骤s210中选取的轨迹特征包括：时间、经度、纬度、对地航速以及对地航向信息；则步骤s220中目标船舶于某一时刻的航行轨迹特征数据c可以表示为：
35、；
36、其中，（x，y）表示融合后的目标位置坐标值；v表示目标船舶对地航速；α表示目标船舶对地航向。
37、优选的，步骤s230消除数据量级的过程为：对数据统一进行归一化处理，之后进行滑动窗口处理，将其转换为时间步长乘以输入维度的形式；归一化的公式如下：
38、；
39、其中，c´为归一化后的数据；cmax为训练集中数据的最大值；cmin为训练集中数据的最小值。
40、优选的，在通过步骤200中得到的轨迹预测模型进行结果输出时，将模型于当前时刻向前和反向的单元输出结果进行融合输出。
41、优选的，在步骤s200中通过贝叶斯优化对轨迹预测模型进行超参数调参来实现优化，具体的调参过程如下：
42、s240：将测试样本均方根误差的平均值定义为目标函数；
43、s250：给定目标函数待优化的超参数以及相应的参数变化范围；
44、s260：利用贝叶斯算法优化步骤s250中的超参数以进行目标函数求解；
45、s270：将目标函数的最小值对应的超参数作为模型的最终参数。
46、优选的，在步骤s240中，通过构建高斯过程代理模型来近似目标函数；在步骤s250中，待优化的超参数包括隐藏层层数、训练批次数量以及学习率；在步骤s260中，利用贝叶斯推断来选择采样点并代入高斯过程代理模型中求解目标函数的近似解；若求解的目标函数近似值满足限值要求，则代入步骤s270中；否则重新选择采样点来进行求解。
47、与现有技术相比，本申请的有益效果在于：
48、（1）本申请通过融合雷达系统和ais的目标数据，对ais无法探测的船舶信息以及环境状况进行了有效的数据补充，有效避免了仅应用ais数据进行轨迹预测的局限性，在一定程度上提升了预测结果的稳定性和有效性。
49、（2）本申请采用基于深度学习和贝叶斯优化相结合的算法对船舶动态轨迹进行预测，准确率高、实时性强，利用较少的计算代价即可获得满足精度的预测本文档来自技高网...
【技术保护点】
1.一种基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于，步骤S100包括如下具体过程：
3.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：雷达系统采用以雷达系统为中心的极坐标系，目标位置数据是用极坐标表示；AIS 检测的目标位置用 WGS-84 地理坐标表示；
4.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤S130中，采用置信度法进行航行轨迹的关联；具体过程如下：
5.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤S140中，采用基于最小方差原则的加权平均法进行数据融合，具体的计算公式如下：
6.如权利要求1-5任一项所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤S200中，对于数据的整合包括如下过程：
7.如权利要求6所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征
8.如权利要求6所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：步骤S230消除数据量级的过程为：对数据统一进行归一化处理，之后进行滑动窗口处理，将其转换为时间步长乘以输入维度的形式；归一化的公式如下：
9.如权利要求1所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤S200中通过贝叶斯优化对轨迹预测模型进行超参数调参来实现优化；具体的调参过程如下：
10.如权利要求9所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：
...【技术特征摘要】
1.一种基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于，步骤s100包括如下具体过程：
3.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：雷达系统采用以雷达系统为中心的极坐标系，目标位置数据是用极坐标表示；ais 检测的目标位置用 wgs-84 地理坐标表示；
4.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤s130中，采用置信度法进行航行轨迹的关联；具体过程如下：
5.如权利要求2所述的基于多源数据融合的船舶动态轨迹预测及跟踪方法，其特征在于：在步骤s140中，采用基于最小方差原则的加权平均法进行数据融合，具体的计算公式如下：
6.如权利要求1-5任一项...
【专利技术属性】
技术研发人员：应国刚，姚源彬，叶以挺，刘金勋，张文达，应柳祺，
申请(专利权)人：宁波朗达工程科技有限公司，
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。