基于双阶段时空交互增强的船舶航迹预测方法

摘要: 本发明涉及船舶航迹预测,特别是涉及基于双阶段时空交互增强的船舶航迹预测方法。背景技术:1、船舶航迹预测是智能航运与海事安全监管中的关键技术环节,其通过对船舶历史...
基于双阶段时空交互增强的船舶航迹预测方法

本发明涉及船舶航迹预测,特别是涉及基于双阶段时空交互增强的船舶航迹预测方法。

背景技术:

1、船舶航迹预测是智能航运与海事安全监管中的关键技术环节,其通过对船舶历史航行状态的感知与分析,推断船舶在未来时刻的位置与运动趋势,为碰撞预警、航道调度及应急决策提供数据支撑。在复杂水域环境下,多船舶之间存在显著的行为耦合与空间交互影响,准确刻画此类交互关系并据此实现高精度、长时域的航迹预测,对于提升水上交通系统的安全性与运行效率具有重要意义。

2、在航迹预测技术的发展过程中,早期方法主要依赖于运动学模型与统计模型。例如,基于卡尔曼滤波、自回归滑动平均模型(arma)及蒙特卡洛模拟等方法,通过建立船舶运动的状态转移方程或概率分布模型来实现轨迹外推。然而,复杂水域中的船舶运动受航道约束、会遇规则及驾驶员操作意图等多重因素影响,呈现出强烈的非线性与非高斯特性,上述基于线性假设或固定模态的传统方法难以有效捕捉船舶动态行为的复杂演化规律,导致在转向、变速等机动工况下的预测精度显著下降,且无法显示建模多船舶间的交互影响。

3、近年来,随着深度学习技术的发展,基于循环神经网络(rnn)、长短期记忆网络(lstm)及注意力机制的端到端航迹预测方法逐渐成为研究热点。此类方法通过数据驱动方式自动学习航迹序列中的时序依赖关系,在一定程度上改善了传统方法对非线性动态的建模能力。然而,现有循环神经网络类方法在处理较长航迹序列时,受限于串行计算结构,难以在保持计算效率的同时稳定建模长距离时序依赖关系,且对航速突变、转向等短期动态行为的响应灵敏度不足;此外,多数方法仅对单艘船舶的历史航迹进行孤立建模,未能充分利用同一水域内多船舶之间的空间交互信息,导致在船舶密集会遇场景下的预测鲁棒性不足。

4、为进一步提升多船舶场景下的预测性能,部分研究者引入图神经网络(gnn)对船舶间的空间交互关系进行显式建模,通过构建基于距离阈值的交互图并采用图卷积或图注意力机制聚合邻域信息,以捕获邻近船舶对目标船舶航行行为的影响。但是,现有基于图神经网络的航迹预测方法通常仅依赖历史观测轨迹构建单一的静态交互图,并在单阶段预测框架下完成未来航迹生成。这种建模方式存在以下局限:

5、1、历史交互图与未来潜在交互图未作区分,难以适应船舶动态位置变化所导致的交互关系演化;此外,现有方法在构建交互图时通常采用统一固定的空间距离阈值,未能在历史态势感知阶段采用较大半径以覆盖间接影响的邻近船舶,同时在潜在交互阶段采用较小半径以聚焦显著交互,导致交互信息冗余与关键交互遗漏并存;

6、2、模型缺乏对未来时间域信息的显式引入,无法基于预测的未来位置关系重构潜在交互图并据此修正预测结果,导致在船舶相对运动剧烈或会遇态势复杂的情境下,预测精度受限;

7、3、现有方法多采用单阶段预测框架,在历史交互编码后直接输出预测结果,缺乏由粗粒度先验预测到精细交互增强的层级递进修正机制,导致历史已观测交互与未来潜在交互未能实现深度融合与迭代优化。

8、综上所述,现有船舶航迹预测技术在复杂水域多船舶场景下,尚存在长时序依赖建模能力不足、空间交互关系刻画不完整、交互图构建缺乏差异化策略以及缺乏历史与未来交互的层级递进式融合机制等技术问题,亟需一种能够兼顾长短期时序依赖建模、显式区分历史交互与未来潜在交互、并通过双阶段递进式结构实现时空特征层级增强的船舶航迹预测方法。

技术实现思路

1、本发明的目的在于提供基于双阶段时空交互增强的船舶航迹预测方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:基于双阶段时空交互增强的船舶航迹预测方法,包括以下步骤:

3、s1、获取水域场景内多艘船舶的历史航迹序列,所述历史航迹序列中每一时间步的航迹特征包括船舶的位置信息和运动状态信息;

4、s2、对各所述船舶的历史航迹序列进行时序编码,提取各所述船舶的历史时序特征;

5、s3、将各所述船舶作为图节点,根据船舶间的空间距离小于第一距离阈值的节点间构建连接边,得到历史交互图,并在所述历史交互图上对各所述船舶的历史时序特征进行空间交互建模,提取各所述船舶的历史空间交互特征;

6、s4、根据各所述船舶的历史时序特征和历史空间交互特征生成各所述船舶的初步未来航迹,所述初步未来航迹为对船舶未来运动趋势的粗粒度预测结果;

7、s5、将各所述船舶的历史航迹序列与对应的初步未来航迹在时间维度上组合,构建各所述船舶的历史-未来联合轨迹特征;

8、s6、根据船舶间的空间位置关系,对空间距离小于第二距离阈值的船舶节点间构建连接边,得到未来潜在交互图,并在所述未来潜在交互图上对各所述船舶的历史-未来联合轨迹特征进行空间交互建模,提取各所述船舶的潜在未来交互特征;其中,所述第二距离阈值小于所述第一距离阈值;

9、s7、对各所述船舶的潜在未来交互特征进行时序解码,并将解码结果映射至航迹空间,输出各所述船舶的未来多步航迹预测结果。

10、优选的,所述步骤s1中,每一时间步的航迹特征包括船舶的经度、纬度、航速和航向;在所述步骤s2之前,还包括对所述历史航迹序列进行预处理的步骤:

11、对各所述航迹特征进行归一化处理以消除不同物理量之间的量纲差异,并将归一化后的航迹特征经线性映射投影至高维嵌入空间,得到节点级时序特征矩阵,并以所述节点级时序特征矩阵作为步骤s2时序编码的输入。

12、优选的,所述步骤s2中,采用mamba模型对各所述船舶的历史航迹序列进行时序编码;所述mamba模型通过状态空间建模对航迹序列中的长期依赖关系进行建模,并通过选择性状态更新机制对航迹序列中的短期动态变化进行捕捉,得到各所述船舶的隐藏时序特征向量作为所述历史时序特征。

13、优选的,所述步骤s3中,所述第一距离阈值为8km,所述空间距离基于各所述船舶在当前时刻的位置计算;在所述历史交互图上,采用图注意力网络对各所述船舶的历史时序特征进行空间交互建模,包括:

14、对节点特征进行线性变换,计算各节点与其邻域节点之间的注意力权重,根据所述注意力权重对邻域节点特征进行加权聚合,得到各节点的历史空间交互特征;

15、其中,所述注意力权重用于表征邻域船舶对目标船舶航行行为的相对影响强度。

16、优选的,所述图注意力网络采用多头注意力机制,将多个注意力头的输出进行拼接或求平均,得到各节点的历史空间交互特征。

17、优选的,所述步骤s4包括:

18、s41、对各所述船舶的历史时序特征进行残差非线性映射,提取各所述船舶的高阶运动状态特征;

19、s42、将各所述船舶的高阶运动状态特征与对应的历史空间交互特征进行拼接融合,并对融合特征进行批量归一化处理,得到联合输入特征;

20、s43、将所述联合输入特征输入时序解码网络进行未来时序建模,生成各所述船舶在未来多个时间步上的初步未来航迹;其中,所述初步未来航迹中每一时间步的航迹特征与所述历史航迹序列中每一时间步的航迹特征具有相同的特征维度。

21、优选的,所述步骤s5中,将各所述船舶的历史航迹序列与对应的初步未来航迹在时间维度上进行拼接,使每一所述船舶的节点特征同时包含真实历史航行状态和初步预测的未来航行趋势,构成所述历史-未来联合轨迹特征。

22、优选的,所述步骤s6中,所述第二距离阈值为6km;所述未来潜在交互图的连接边根据各所述船舶的初步未来航迹所表征的未来位置关系构建;在所述未来潜在交互图上,采用图注意力网络对各所述船舶的历史-未来联合轨迹特征进行线性变换、注意力权重计算及加权聚合,得到各所述船舶的潜在未来交互特征。

23、优选的,所述步骤s7包括:

24、s71、采用mamba模型对各所述船舶的潜在未来交互特征进行时序解码,解码过程中引入残差连接与层归一化结构并进行多层堆叠,得到解码特征序列;

25、s72、将所述解码特征序列的时间维度与特征维度展平重组,得到全局时序特征表示,经全连接线性映射与非线性激活后重塑为时间序列形式的预测特征;

26、s73、将所述预测特征经线性回归层映射至航迹空间,输出各所述船舶在未来多个时间步上的位置预测结果,所述位置预测结果为二维地理坐标。

27、优选的,所述方法的步骤s1至s7由神经网络模型执行,所述神经网络模型以船舶真实未来航迹位置作为监督信号,采用均方误差损失函数最小化预测航迹位置与真实航迹位置之间的偏差进行端到端训练,使双阶段各模块的参数协同优化。

28、本发明的技术效果和优点:

29、(1)本发明采用历史交互编码与未来交互增强的双阶段递进式架构。第一阶段基于船舶历史航迹的长短期时序依赖特征与多船舶间的历史空间交互关系,生成粗粒度的初步未来航迹,显式构建未来时域信息;第二阶段将历史航迹序列与初步未来航迹组合为历史-未来联合轨迹特征,并基于预测的未来位置关系重构未来潜在交互图,进而提取潜在交互特征并解码输出最终航迹。由此,历史已观测交互与未来潜在交互之间形成由粗到精的层级递进修正关系,改善了现有单阶段预测框架下历史交互与未来交互未能深度融合与迭代优化的问题,有助于提升复杂会遇态势下航迹预测结果的合理性与稳定性;

30、(2)本发明在历史时序编码与航迹预测解码阶段,引入状态空间建模机制对航迹序列中的长期依赖关系进行稳定表征,同时通过选择性状态更新机制捕捉航速突变、转向等短期动态变化。相较于传统循环神经网络在处理较长航迹序列时易出现的依赖退化与梯度消失问题,本方案在较长历史航迹输入条件下仍能有效维持时序特征的判别能力,且对局部动态行为的响应灵敏度得以保持;

31、(3)本发明在历史交互建模阶段,采用较大的空间距离阈值构建历史交互图,以覆盖对目标船舶航行决策存在间接影响的邻近船舶,保证整体航行态势感知的完整性;在潜在未来交互建模阶段,采用较小的空间距离阈值,并基于初步未来航迹所表征的未来位置关系构建交互图,以聚焦对未来航迹演化影响更为显著的近邻船舶。该差异化阈值策略减少了统一固定阈值下交互信息冗余与关键交互遗漏并存的问题,使模型在不同阶段分别适应态势感知与精细交互建模的需求;

32、(4)本发明在交互图建模中采用图注意力网络,依据各邻近船舶对目标船舶航行行为的相对影响强度计算自适应注意力权重,并据此进行邻域特征加权聚合。由于第二阶段未来潜在交互图基于粗粒度的初步未来航迹构建,可能存在少量因预测偏差导致的误连边;上述自适应加权机制能够对影响强度较低的邻居节点赋予较小权重,从而在一定程度上抑制初步预测误差通过图结构向最终航迹预测结果传递,增强预测过程的鲁棒性。