【技术实现步骤摘要】
本专利技术涉及计算；推算或计数的，特别涉及一种结合轨迹预测、循环神经网络和自动船舶识别系统数据处理的基于ais数据和lstm的船舶轨迹预测方法。
技术介绍
1、相关统计数据表明，约有80％的海上事故是船舶驾驶人员没有按照规定操作等人为因素导致的因此，为保障船舶、驾驶人员、海洋环境的安全，对船舶航行智能决策系统相关技术的研究极其重要，而船舶轨迹预测与船舶航行路径规划是构成该智能决策系统的核心环节。船舶的轨迹预测对于海上航行的预警与安全有着重要意义。
2、随着自动船舶识别系统的普及，自动船舶识别系统(ais)数据可以有效的获取船舶的历史轨迹数据。近年来，深度学习模型在船舶轨迹预测中取得了显著的进展任务，它可以帮助船只避免潜在的碰撞风险、规划航线以及提高航行的安全性和效率。近年来，深度学习模型在船舶轨迹预测中取得了显著的进展。
3、lstm是一种基于rnn的有效轨迹预测方法，已有许多方法使用ais数据来训练lstm以完成轨迹预测任务。然而，这些方法大多使用原生的ais数据，潜在的特征依赖lstm自主学习获取，在缺乏可解释性的同时，也提高了lstm的学习难度。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于ais数据和lstm的船舶轨迹预测方法。
2、本专利技术所采用的技术方案是，一种基于ais数据和lstm的船舶轨迹预测方法，所述方法获取ais数据并进行处理，获得关联的历史船舶运动数据，基于lstm设计新的网络结构并对这些关联的历史船舶运
3、优选地，所述方法包括以下步骤：
4、s1获取ais数据，将其中的经纬度转换为平面坐标；
5、s2获取每一时刻船舶在平面坐标轴上的分速度，扩展数据；
6、s3将所有的数据分组，区分出任一船舶的在不同时间段的数据；针对mmsi进行分组，同一mmsi即同一船舶的数据划为一组，然后对每组的数据进行分割，根据前后两条数据的相隔时间间隔长度，区分同一船舶不同时间段的数据；
7、s4对每组的组内数据插值对齐；由于ais每300秒记录一次数据，但由于各种现实原因，实际获取的ais数据中，大部分数据的时间间隔为300秒，少部分数据的时间间隔在300秒的倍数左右小幅度波动，故需要对数据进行处理对齐，将每组数据处理为时间间隔为300秒的数据记录；
8、s5获取任一船舶在平面坐标轴上的平均加速度，扩展组内数据；
9、s6拆分每组的数据，构建历史轨迹时间序列traj和未来轨迹时间序列pred；
10、s7将s6得到的traj输入基于lstm的改进的神经网络，神经网络将输出未来若干时刻的轨迹数据pred*；在训练模式下，通过pred和pred*计算loss值，使用loss更新神经网络的参数。
11、优选地，s1中，ais数据为六元组{mmsi,latitude,longitude,sog,cog,t}，其中，mmsi为轨迹所属的船舶唯一编号，latitude和longitude分别为纬度和经度，sog为对地速度，cog为对地方向，t为记录的时刻；
12、根据
13、
14、
15、将ais数据转换为{mmsi，x，y，sog，cog，t}的平面坐标相关数据，其中，r为地球半径。
16、优选地，将历史轨迹中的速度沿水平和垂直方向分解获取速度分量vx和vy，
17、
18、
19、得到扩展后的八元数组{mmsi，x，y，sog，cog，t，vx，vy}。
20、优选地，基于mmsi分组，同一船舶的数据为{x，y，sog，cog，t，vx，vy}。
21、优选地，s5中，通过相邻两个数据点轨迹中的速度分量的差值除以时间的差值获得时间间隔内的每个数据点的垂直和水平方向的平均加速度，
22、spant＝tt+1-tt
23、
24、
25、同一船舶的数据扩展为{mmsi，x，y，sog，cog，t，vx，vy，ax，ay}，其中，t表示时间序列的第t行，t的取值范围是0到序列长度；此处为了保证输入的形式统一，故平均加速度为两个方向的加速度分量。舍弃最后一条记录，因为无法计算加速度。
26、优选地，s6中，设用于训练的序列总长度为l，用于学习的长度为ls。由于将每一条数据的间隔看作固定的300秒，故省略t，将八元组{x，y，sog，cog，vx，vy，ax，ay}拆分为两个四元组{x，y，sog，cog}和{vx，vy，ax，ay}，得到
27、pos＝{xt，yt，sogt，cogt|t≥0，t＜l，t∈n}
28、
29、traj＝{pos，acc|t＜ls，t∈n}
30、pred＝{pos，acc|ls≤t＜l，t∈n}
31、其中，n为自然数集，对于一组长度为l的轨迹时间序列，可以构建长度为ls的历史轨迹时间序列traj和长度为l-ls的未来轨迹时间序列pred。
32、优选地，s7中，其中，n为时间序列长度。
33、优选地，所述神经网络为rnn结构，包括顺次设置的ls个用于编码的cell模块及一用于解码的多层感知机，多层感知机输出pred*，基于pred*推得经纬度。
34、优选地，所述cell模块通过遗忘门、输入门、输出门来控制状态前半部分，用于处理acc，以后半部分用于处理pos；
35、对于cell模块前半部分的遗忘门、输入门和输出门的第t次循环输出ft，it，ot，表达为，
36、ft＝σ(wf·[at-1，acct]+bf)
37、it＝σ(wi·[at-1，acct]+bi)
38、ot＝σ(wo·[at-1，acct]+bo)
39、其中，σ代表sigmoid函数，wf，wi，wo分别代表前半部分遗忘门、输入门和输出门的权重矩阵，bf，bi，bo分别代表前半部分遗忘门、输入门和输出门中的常数，前半部分的第t次循环输出结果为at；
40、
41、
42、其中，a与c初始化为全0矩阵；a与c初始没有任何信息，即a-1与c-1为全0矩阵；
43、ht＝ot×tanh(ct)
44、
45、对于cell模块后半部分的遗忘门、输入门和输出门的第t次循环输出ft，it，ot，表达为，
46、ft＝σ(wf·[ht-1，post，at]+bf)
47、it＝σ(wi·[ht-1，post，at]+bi)
48、ot＝σ(wo·[ht-1，post，at]+bo)
49、wf，wi，wo分别代表后半部分遗忘门、输入门和输出门的权重矩阵，bf，bi，bo分别代表后半部本文档来自技高网...
【技术保护点】
1.一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：所述方法获取AIS数据并进行处理，获得关联的历史船舶运动数据，基于LSTM设计新的网络结构并对这些关联的历史船舶运动数据进行学习，以新的网络结构对船舶轨迹进行预测。
2.根据权利要求1所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：S1中，AIS数据为六元组{MMSI,latitude,longitude,Sog,Cog,T}，其中，MMSI为轨迹所属的船舶唯一编号，latitude和longitude分别为纬度和经度，Sog为对地速度，Cog为对地方向，T为记录的时刻；
4.根据权利要求3所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：将历史轨迹中的速度沿水平和垂直方向分解获取速度分量vx和vy，
5.根据权利要求4所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：基于MMSI分组，同一船舶的数据为{x,y,S
6.根据权利要求4或5所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：S5中，通过相邻两个数据点轨迹中的速度分量的差值除以时间的差值获得时间间隔内的每个数据点的垂直和水平方向的平均加速度，
7.根据权利要求6所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：S6中，省略T，将八元组{x,y,Sog,Cog,vx,vy,ax,ay}拆分为两个四元组{x,y,Sog,Cog}和{vx,vy,ax,ay}，得到
8.根据权利要求2所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：S7中，其中，n为时间序列长度。
9.根据权利要求1或2所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：所述神经网络为RNN结构，包括顺次设置的Ls个用于编码的Cell模块及一用于解码的多层感知机，多层感知机输出Pred*，基于Pred*推得经纬度。
10.根据权利要求9所述的一种基于AIS数据和LSTM的船舶轨迹预测方法，其特征在于：所述Cell模块通过遗忘门、输入门、输出门来控制状态前半部分，用于处理Acc，以后半部分用于处理Pos；对于Cell模块前半部分的遗忘门、输入门和输出门的第t次循环输出ft,it,ot，表达为，
...【技术特征摘要】
1.一种基于ais数据和lstm的船舶轨迹预测方法，其特征在于：所述方法获取ais数据并进行处理，获得关联的历史船舶运动数据，基于lstm设计新的网络结构并对这些关联的历史船舶运动数据进行学习，以新的网络结构对船舶轨迹进行预测。
2.根据权利要求1所述的一种基于ais数据和lstm的船舶轨迹预测方法，其特征在于：所述方法包括以下步骤：
3.根据权利要求2所述的一种基于ais数据和lstm的船舶轨迹预测方法，其特征在于：s1中，ais数据为六元组{mmsi,latitude,longitude,sog,cog,t}，其中，mmsi为轨迹所属的船舶唯一编号，latitude和longitude分别为纬度和经度，sog为对地速度，cog为对地方向，t为记录的时刻；
4.根据权利要求3所述的一种基于ais数据和lstm的船舶轨迹预测方法，其特征在于：将历史轨迹中的速度沿水平和垂直方向分解获取速度分量vx和vy，
5.根据权利要求4所述的一种基于ais数据和lstm的船舶轨迹预测方法，其特征在于：基于mmsi分组，同一船舶的数据为{x,y,sog,cog,t,vx,vy}。
6.根据权利要求4或5所述的一种基于ais数...
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。