【技术实现步骤摘要】
本专利技术涉及机器学习，具体是基于机器学习的海上目标行为预测方法。
技术介绍
1、鱼类资源是人类重要的蛋白质和经济来源之一。随着人口的不断增长和海洋环境的恶化，保护和合理利用鱼类资源变得至关重要。其中，了解和预测目标鱼群的迁徙模式对于制定可持续捕捞政策、保护鱼类栖息地和管理海洋资源至关重要。
2、目标鱼群的迁徙行为受到多种环境和生物因素的影响，如海洋温度、海岸线等静态环境因素，以及气候、洋流等动态因素。传统的鱼群迁徙跟踪方法主要依赖于航船观测、标记和重新捕获等人工方式，存在成本高、时效性差、覆盖范围有限等缺陷，且仅能够做到实时跟踪，难以实现迁徙位置的预测。
3、为此，本专利技术提出基于机器学习的海上目标行为预测方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于机器学习的海上目标行为预测方法，实现了对海洋中目标鱼群迁徙位置高效、精准地预测。
2、为实现上述目的，提出基于机器学习的海上目标行为预测方法，包括以下步骤：
3、步骤一：收集目标海域内目标鱼群的迁徙多源异构数据，并基于迁徙多源异构数据提取全局静态数据和历史动态数据；
4、步骤二：基于历史动态数据，构建若干组动态特征序列集合，将动态特征序列集合输入带有注意力机制的编码器模型中，获得编码动态特征序列；
5、步骤三：基于全局静态数据，使用静态变化模型对静态特征进行非线性变换，获得与编码动态特征序列形式一致的编码
6、步骤四：将每组动态特征序列集合的编码动态特征序列和编码静态特征序列进行融合，获得融合特征序列；
7、步骤五：将融合特征序列输入至解码器模型中，解码器模型以目标鱼群下一时刻预测的迁徙位置为输出，训练编码器－解码器模型；
8、步骤六：实时收集目标鱼群的最近动态数据，并基于最近动态数据、全局静态数据和编码器－解码器模型，获得预测的目标鱼群下一时刻的迁徙位置；
9、所述收集目标海域内目标鱼群的迁徙多源异构数据的方式为：
10、收集目标海域内船载传感器数据、卫星遥感数据、目标鱼群的历史迁徙记录、气象数据以及航船活动组成迁徙多源异构数据；
11、所述基于历史动态数据，构建若干组动态特征序列集合的方式为：
12、预先设置样本时间窗口长度和时间步长；
13、对于历史动态数据中的每个动态参数，每隔时间步长，收集该动态参数的参数值随时间顺序的一段参数时间序列；所述参数序列的长度为样本时间窗口长度；所述动态参数为历史动态数据中能够单独采集的每一项参数；
14、每个时间步的每个动态参数的参数时间序列作为一组动态特征序列集合；
15、所述将动态特征序列集合输入带有注意力机制的编码器模型中，获得编码动态特征序列包括以下步骤：
16、步骤11：构建带有注意力机制的编码器模型；
17、步骤22：将每个时间步的动态特征序列集合输入至带有注意力机制的编码器模型中；
18、所述带有注意力机制的编码器模型的时间序列模型将动态特征序列集合转化为输出的序列转化向量；
19、注意力层对当前时间步长内，输入的序列转化向量进行线性变换，得到查询向量；
20、注意力层同时对所有时间步长内输入的序列转化向量进行不同的线性变换，得到键值对；
21、通过计算查询向量与所有键值对之间的相似性得分，获得每个时间步的注意力权重；
22、使用这些注意力权重对值向量进行加权求和，得到当前时间步的注意力特征表示；
23、在每个时间步，将时间序列模型所在单元的隐状态和注意力特征表示进行拼接或融合；
24、拼接或融合后的特征向量按时间步排列，即形成了编码后的动态特征序列；
25、时间序列模型所在单元的最后一个时间步的隐状态，作为编码动态特征序列的编码动态特征序列表示；
26、所述获得与编码动态特征序列形式一致的编码静态特征序列的方式为：
27、对于每组动态特征序列集合对应的时间步长，将全局静态数据作为静态变化模型的输入；所述静态变化模型为深度神经网络模型或多层感知机模型；
28、所述静态变化模型的输出层之前的最后一层的神经元数量与编码动态特征序列的长度一致；
29、所述静态变化模型的输出层为目标鱼群在当前时间步长之后，下一单位时刻预测的迁徙位置；
30、所述静态变化模型以下一单位时刻预测的迁徙位置和历史迁徙记录中下一单位时刻，目标鱼群实际的迁徙位置之间的mse损失构成误差损失函数；
31、利用链式法则，将总损失函数的梯度进行反向传播，完成对静态变化模型的训练；
32、所述静态变化模型的输出层之前的最后一层的输出作为编码静态特征序列；
33、所述训练编码器－解码器模型的方式为：
34、使用序列到序列框架，将编码器模型和解码器模型级联，解码器模型同样采用循环神经网络结构；
35、解码器模型将每时间步的融合特征序列作为初始隐状态；
36、在每个时间步，解码器模型将上一时间步的输出和融合特征序列作为输入；
37、在每个时间步，解码器模型输出一个特征向量，表示目标鱼群预测的下一时刻的迁徙位置；
38、对于每一时间步，计算该时间步在历史动态数据中的迁徙位置和解码器模型输出的迁徙位置的mse损失以及静态变化模型的损失函数之和，作为解码器模型的损失函数；
39、通过反向传播，算法计算损失相对于模型参数的梯度，并应用优化算法更新参数，对编码器－解码器模型进行训练；
40、所述实时收集目标鱼群的最近动态数据，并基于最近动态数据、全局静态数据和编码器－解码器模型，获得预测的目标鱼群下一时刻的迁徙位置的方式为
41、实时收集最近样本时间窗口长度的时间内，目标鱼群在目标海域内的随时间变化的参数序列组成最近动态数据；
42、将最近动态数据输入编码器模型，获得每个时间步的最近编码动态特征序列；
43、将全局静态数据输入至静态变化模型中，获得静态变化模型输出的最近编码静态特征序列；
44、将每个时间步的最近编码动态特征序列和最近编码静态特征序列融合，获得最近融合特征序列；
45、将最近融合特征序列输入解码器模型中，获得解码器模型输出的目标鱼群下一单位时刻的预测的迁徙位置。
46、一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于机器学习的海上目标行为预测方法。
47、一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的基于机器学习的海上目标行为预测方法。
48、与现有技术相比，本专利技术的有益效果是：本文档来自技高网...
【技术保护点】
1.基于机器学习的海上目标行为预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的海上目标行为预测方法，其特征在于，所述收集目标海域内目标鱼群的迁徙多源异构数据的方式为：
3.根据权利要求2所述的基于机器学习的海上目标行为预测方法，其特征在于，所述基于历史动态数据，构建若干组动态特征序列集合的方式为：
4.根据权利要求3所述的基于机器学习的海上目标行为预测方法，其特征在于，所述将动态特征序列集合输入带有注意力机制的编码器模型中，获得编码动态特征序列包括以下步骤：
5.根据权利要求4所述的基于机器学习的海上目标行为预测方法，其特征在于，所述获得与编码动态特征序列形式一致的编码静态特征序列的方式为：
6.根据权利要求5所述的基于机器学习的海上目标行为预测方法，其特征在于，所述训练编码器－解码器模型的方式为：
7.根据权利要求6所述的基于机器学习的海上目标行为预测方法，其特征在于，所述实时收集目标鱼群的最近动态数据，并基于最近动态数据、全局静态数据和编码器－解码器模型，获得预测的目标鱼群下一
8.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
9.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于机器学习的海上目标行为预测方法。
...【技术特征摘要】
1.基于机器学习的海上目标行为预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的海上目标行为预测方法，其特征在于，所述收集目标海域内目标鱼群的迁徙多源异构数据的方式为：
3.根据权利要求2所述的基于机器学习的海上目标行为预测方法，其特征在于，所述基于历史动态数据，构建若干组动态特征序列集合的方式为：
4.根据权利要求3所述的基于机器学习的海上目标行为预测方法，其特征在于，所述将动态特征序列集合输入带有注意力机制的编码器模型中，获得编码动态特征序列包括以下步骤：
5.根据权利要求4所述的基于机器学习的海上目标行为预测方法，其特征在于，所述获得与编码动态特征序列形式一致的编码静...
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。