【技术实现步骤摘要】
本专利技术属于数据预测领域，具体涉及一种航迹预测方法。
技术介绍
1、近年来随着全球贸易不断增长以及海上运输活动日益频繁，海上交通密度增加，传统船舶航行管理面临航线拥堵、碰撞风险高、路径规划难等问题，船舶轨迹预测技术的重要性日益凸显。运用船舶自动识别系统（automatic identification system，ais）进行船舶轨迹预测可以实时监测船舶位置，预测潜在碰撞风险，优化船舶航线规划与调控海上交通流，提高整体航运效率。
2、船舶ais数据中包括的船舶动态信息、静态信息和航次相关的信息蕴含了船舶行为模式的时空分布、船舶操纵行为特征、船舶交通流特征和船舶习惯航路分布特征。如何运用地理数据挖掘和机器学习的方法对特征进行挖掘分析，发现船舶ais数据背后隐藏的潜在的船舶行为知识和规律，进而实现船舶未来航迹预测具有重要意义。
3、现有技术中，基于传统物理模型与基于机器学习模型的船舶轨迹预测方法计算成本高，受数据质量影响大，船舶轨迹预测精度低；而基于深度学习的船舶轨迹预测方法凭借其鲁棒性和泛化性，在处理复杂和动态的ais轨迹数据时能够获得高精度的结果。
4、但是，现有的预测方法仍无法充分挖掘船舶运动轨迹间的时序特征，且仅能在短时间范围即几分钟至半小时或预定义的海上路线达到相关预测性能。同时，由于船舶运动模式的复杂性与ais数据的异质性，即ais数据来源多样且运动模式复杂，船舶航行状态会随时间环境条件变化，在船舶轨迹预测中这种异构性导致具有非常相似运动模式的两条船舶路径，也会因为目的地的不同、航
技术实现思路
1、本专利技术提出了一种基于时空特征融合的船舶航迹长期预测方法，其目的是：解决现有预测方法无法准确预测未来长时间段航迹的问题。
2、本专利技术技术方案如下：
3、一种基于时空特征融合的船舶航迹长期预测方法，基于船舶航迹预测模型tcnformer进行预测，船舶航迹预测模型tcnformer的预测过程为：
4、步骤1、采集并清洗ais数据，从清洗处理后的ais数据中提取出本次需要预测的航次的已知ais数据，得到已知船舶轨迹；
5、步骤2、将已知船舶轨迹中各时间的ais信息观测值转换为对应的四独热向量；
6、步骤3、将已知船舶轨迹中各时间的四独热向量转换为对应的高维嵌入向量；
7、步骤4、使用tcn网络从高维特征向量序列中提取出时间维度特征；
8、步骤5、使用transformer网络从高维特征向量序列中提取空间维度特征；
9、步骤6、将时间维度特征与空间维度特征进行融合，得到时空融合特征；
10、步骤7、根据时空融合特征预测下一个时间点的航迹信息；
11、步骤8、如果已预测的时间长度未达到预设长度，则将刚预测出的航迹信息加入到当前已知船舶轨迹为中，然后返回步骤2进行下一时间的预测；如果已预测的时间长度达到预设长度，则预测任务完成。
12、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进：步骤2中，假设已知船舶轨迹为：，其中，表示当前已知ais数据的数量，表示在时间的ais信息观测值，表示为下式：；其中，为船舶的纬度，为船舶的经度，为船舶的速度，为船舶的航向；此时中四项属性值为连续值；
13、则针对所有的：对各属性分别通过分割法按预设的间隔值将属性值转换为离散值；对于每个属性，分别得到整个中该属性的最小值和最大值，然后用最大值与最小值之差除以该属性对应的间隔值得到该属性对应的属性块值；对于各中的每个属性，将对应的离散值、最小值、最大值和属性块值作为该中该属性对应的独热向量，然后使用四个属性的独热向量构成对应的四独热向量：
14、。
15、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进：步骤3中，对于时间的四独热向量，将其中四个属性的独热向量分别输入至嵌入网络，得到对应的属性嵌入向量，然后将各属性的嵌入向量的级联作为时间的嵌入高维特征向量，最后得到已知船舶轨迹所对应的高维特征向量序列。
16、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进：步骤4中，对于输入的高维特征向量序列，定义滤波器为，是滤波器大小，从而输入的高维特征向量序列在第时间点上的膨胀因果卷积运算定义为：
17、,；
18、其中，是膨胀因子，说明了过去的方向，为了避免时间索引为负，对进行0填充，填充长度为；
19、将时间点0至时间点的所有组合得到高维特征向量序列的膨胀因果卷积结果，并将上述膨胀因果卷积运算记为；
20、然后提取时间维度特征：
21、；
22、；
23、；
24、其中，表示卷积，表示非线性激活函数，表示权重归一化层，表示层，表示tcn网络输出的时间维度特征。
25、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进，步骤5的计算过程为：将中的各高维特征向量经过transformer网络，可以得到维度与输入相同的向量，然后各对应的构成空间维度特征，该过程为：
26、。
27、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进，步骤6的融合过程为：
28、先引入一个自适应平均池化层，得到变化后的时间维度特征：
29、 ；
30、其中，是tcn网络输出的特征，代表自适应平均池化层，是经过自适应平均池化层后输出的特征；
31、然后将特征与步骤5得到的空间维度特征进行拼接融合得到高维特征向量序列对应的时空融合特征：
32、；
33、时空融合特征用于后续航迹的预测。
34、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进，步骤7的具体预测方式为：
35、将时空融合特征按属性分为四个部分：
36、；
37、其中，表示对按划分块数量进行划分，，分别为纬度、经度、速度、航向四种属性的划分块数量；
38、然后，通过对数计算获得分类分布，得到下一个时间对应的四个属性各自的预测独热向量：
39、；
40、其中，表示离散概率分布，表示网络输出的进行预测的原始未规范化分数；
41、再将四个预测独热向量拼接，得到预测到的四独热向量：
42、；
43、然后将四独热向量求伪逆，得到时间对应的ais信息预测值：，表示求伪逆计算。
44、作为所述基于时空特征融合的船舶航迹长期预测方法的进一步改进，上述船舶航迹预测模型tcnformer的训练方式为：
45、步骤t1、采集并清洗ais数据，然后基于处理后的ais数据得到若干个航次的ais数据，将每个航次的ais数据整理为格式，从得到的航次ais数本文档来自技高网...
【技术保护点】
1.一种基于时空特征融合的船舶航迹长期预测方法，其特征在于：基于船舶航迹预测模型TCNformer进行预测，船舶航迹预测模型TCNformer的预测过程为：
2.如权利要求1所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤2中，假设已知船舶轨迹为：
3.如权利要求2所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤3中，对于时间的四独热向量，将其中四个属性的独热向量分别输入至嵌入网络，得到对应的属性嵌入向量，然后将各属性的嵌入向量的级联作为时间的嵌入高维特征向量，最后得到已知船舶轨迹所对应的高维特征向量序列。
4.如权利要求3所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤4中，对于输入的高维特征向量序列，定义滤波器为，是滤波器大小，从而输入的高维特征向量序列在第时间点上的膨胀因果卷积运算定义为：
5.如权利要求3所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，步骤5的计算过程为：将中的各高维特征向量经过Transformer网络，可以得到维度与输入相同的向量，然后各对应的构成空间维
6.如权利要求3所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，步骤6的融合过程为：
7.如权利要求6所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，步骤7的具体预测方式为：
8.如权利要求7所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，上述船舶航迹预测模型TCNformer的训练方式为：
9.如权利要求8所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，步骤T3的具体处理方式为：
10.如权利要求9所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于，更新损失值的方式为：
...【技术特征摘要】
1.一种基于时空特征融合的船舶航迹长期预测方法，其特征在于：基于船舶航迹预测模型tcnformer进行预测，船舶航迹预测模型tcnformer的预测过程为：
2.如权利要求1所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤2中，假设已知船舶轨迹为：
3.如权利要求2所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤3中，对于时间的四独热向量，将其中四个属性的独热向量分别输入至嵌入网络，得到对应的属性嵌入向量，然后将各属性的嵌入向量的级联作为时间的嵌入高维特征向量，最后得到已知船舶轨迹所对应的高维特征向量序列。
4.如权利要求3所述的基于时空特征融合的船舶航迹长期预测方法，其特征在于：步骤4中，对于输入的高维特征向量序列，定义滤波器为，是滤波器大小，从而输入的高维特征向量序列在第时间点上的膨胀因果卷积运算定义为：
5...
【专利技术属性】
技术研发人员：徐从安，高龙，吴俊峰，杨柱天，宿南，林云，冯忠明，陈佳炜，
申请(专利权)人：中国人民解放军海军航空大学，
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。