基于多模态多尺度时序注意力的船舶航迹预测方法及系统与流程

本发明涉及智能航运、海事交通监控、时空序列预测和深度学习，具体涉及一种基于多模态多尺度时序注意力的船舶航迹预测方法及系统。本发明尤其适用于基于ais数据的港口水域、近海航道和开阔海域船舶中短期轨迹预测。

背景技术：

1、自动识别系统ais能够持续广播船舶的位置、航速、航向、船舶类型等信息，是海事监管、港口调度、碰撞风险评估和自主航行决策的重要数据来源。准确预测船舶未来几分钟的航迹，有助于提前识别会遇风险、优化航路规划并提高交通组织效率。

2、现有船舶航迹预测方法主要包括匀速外推、卡尔曼滤波、循环神经网络、transformer及其变体等。匀速外推和卡尔曼滤波依赖简单运动假设，难以处理转向、减速、避碰等复杂机动；传统lstm或gru虽然能够学习时间依赖，但通常只输出单条确定性轨迹，难以覆盖船舶未来可能出现的多种机动模式；通用transformer类时序预测方法在ais场景中还面临位置、速度、航向等变量高度耦合、短期局部机动与长期航路先验并存的问题。

3、船舶运动具有明显的多尺度性和多模态性：最近数十秒内的航速航向变化决定短期机动趋势，数分钟尺度的航迹形态反映航道约束和航路意图，而港口、航道、避碰等因素又使未来轨迹存在多种合理可能。因此，本领域需要一种既能自适应融合短期、中期和全局时间依赖，又能输出多条候选航迹及对应概率的船舶航迹预测方法。

技术实现思路

1、本发明的目的在于克服现有技术中单一时间尺度建模不足、确定性预测难以覆盖多种未来机动以及对ais多变量耦合关系刻画不充分的问题，提供一种基于多模态多尺度时序注意力的船舶航迹预测方法及系统。

2、本发明采用的技术方案为：

3、一种基于多模态多尺度时序注意力的船舶航迹预测方法，包括以下步骤：

4、s1：获取目标船舶的历史ais航迹数据；所述ais航迹数据包括时间戳、经纬度、对地航速、对地航向、船舶标识和船舶类型信息；

5、s2：对历史ais航迹数据进行预处理，得到标准化后的多维船舶运动状态序列；

6、s3：基于预处理后的多维船舶状态序列构建监督学习样本；

7、s4：构建多模态多尺度时序注意力gru航迹预测模型，包括共享gru编码器、自适应多尺度时序注意力模块、多模态解码器以及模式概率分类头；

8、所述共享gru编码器用于接收连续个时刻的多维船舶状态序列，输出包括个时刻的隐藏状态序列；其中，受模型结构约束，为最后一个历史时刻对应的最终隐藏状态；

9、所述自适应多尺度时序注意力模块用于将共享gru编码器输出的隐藏状态序列按时间窗口划分为短期窗口、中期窗口和全局窗口三个尺度，对每一尺度分别通过独立的缩放点积注意力机制计算尺度上下文，其中以多模态解码器当前隐藏状态作为查询向量，以该尺度对应的共享gru编码器历史隐藏状态子序列作为键向量和值向量；然后通过可学习的门控网络根据多模态解码器当前隐藏状态自适应输出各尺度上下文的融合权重，加权求和得到融合时序上下文；其中共享gru编码器历史隐藏状态子序列由共享gru编码器输出的隐藏状态序列中落入对应时间窗口的隐藏状态序列构成；

10、所述多模态解码器包含k个可学习的模式嵌入向量，用于将共享gru编码器输出的最终隐藏状态分别与每个模式嵌入向量融合，得到k条候选航迹各自独立的初始解码状态，在未来预测窗口的每一预测时间步，以融合时序上下文为条件，并通过k个并行的grucell逐步自回归生成未来个时刻的二维位移序列；其中，k为设定值，受模型结构约束；

11、所述模式概率分类头用于根据共享gru编码器输出的最终隐藏状态得到k条候选航迹的归一化概率分布，表征各运动模式的可能性；

12、s5：利用监督学习样本训练多模态多尺度时序注意力gru航迹预测模型，以连续个时刻的多维船舶状态序列作为输入，以未来个时刻相对于最后一个历史时刻位置的二维位移作为预测标签；训练时采用基于最优候选轨迹的winner-takes-all联合损失进行参数优化，得到训练好的航迹预测模型；所述winner-takes-all联合损失包括位置回归损失、速度连续性损失、航向平滑损失、模式分类损失和多样性正则损失；

13、s6：将实时或离线待预测船舶最近个时刻的多维船舶运动状态序列输入训练好的航迹预测模型，输出k条未来候选航迹及其对应概率；

14、s7：根据k条未来候选航迹及对应概率生成船舶未来运动风险评估、路线规划或交通态势展示所需的预测结果。

15、进一步的，s4中所述短期窗口对应最近第一比例步数的隐藏状态，用于捕获最近机动趋势；所述中期窗口对应最近第二比例步数的隐藏状态，用于捕获稳定航速航向变化；所述全局窗口对应全部步隐藏状态，用于捕获完整历史航迹模式；其中第一比例小于第二比例。

16、进一步的，对于每一尺度，自适应多尺度时序注意力模块根据多模态解码器当前隐藏状态生成查询向量，并以共享gru编码器在尺度对应的隐藏状态生成键向量和值向量，计算注意力权重，并得到尺度上下文；随后通过门控网络得到各尺度融合权重，并计算融合上下文；其中，为短期窗口、中期窗口或全局窗口中的任一时间尺度，为键向量维度，为尺度下各历史时刻对应的注意力权重，为尺度对应的上下文向量，为各尺度上下文的融合权重向量，为尺度对应的融合权重，为门控网络的可学习权重矩阵，为融合时序上下文向量，为归一化指数函数，和∑均表示求和运算。

17、进一步的，s4中的多模态解码器对第个候选模式，将共享gru编码器最终隐藏状态与第k个模式嵌入向量融合，得到第条候选航迹的初始解码状态；在未来预测窗口内，多模态解码器以融合时序上下文和当前解码状态为输入，通过对应的grucell逐步更新解码状态，并经位移预测层将解码状态映射为二维位移，依次生成未来个时刻的二维位移；其中=1,2,...k；所述模式概率分类头对共享gru编码器最终隐藏状态进行映射并经softmax归一化，得到k条候选航迹对应的概率分布。

18、进一步的，s5中的基于最优候选轨迹的winner-takes-all损失具体为：对每个训练样本计算k条候选航迹与真实航迹之间的平均位移误差，选择平均位移误差最小的候选航迹作为最优模式，仅针对最优模式对应的候选航迹计算位置回归损失、速度连续性损失和航向平滑损失，并以最优模式的索引作为模式分类标签，将模式分类损失设置为交叉熵损失，以约束模式概率分类头输出的概率分布；并将多样性正则损失加入联合损失进行参数优化。

19、进一步的，s5中的多样性正则损失根据不同候选航迹终点之间的两两距离计算，当任意两条候选航迹终点距离小于自适应阈值时施加惩罚，所述自适应阈值由候选航迹终点位移量级确定，以抑制多模态预测中的模式坍塌。

20、一种基于多模态多尺度时序注意力的船舶航迹预测系统，包括：

21、数据获取模块，获取目标船舶的历史ais航迹数据；所述ais航迹数据包括时间戳、经纬度、对地航速、对地航向、船舶标识和船舶类型信息；

22、数据预处理模块，用于对历史ais航迹数据执行异常航速过滤、按时间间隔切分航迹、等间隔重采样、经纬度转换为局部坐标、运动学特征计算、航向编码和标准化，得到标准化后的多维船舶运动状态序列；

23、样本构建模块，用于基于预处理后的多维船舶状态序列构建监督学习样本；

24、模型构建模块，用于构建多模态多尺度时序注意力gru航迹预测模型，包括共享gru编码器、自适应多尺度时序注意力模块、多模态解码器以及模式概率分类头；

25、模型训练模块，用于利用监督学习样本训练多模态多尺度时序注意力gru航迹预测模型，得到训练好的航迹预测模型；

26、航迹预测模块，用于将实时或离线待预测船舶的多维船舶运动状态序列输入训练好的航迹预测模型，输出未来候选航迹及其对应概率；

27、结果应用模块，用于根据k条未来候选航迹及对应概率生成船舶未来运动风险评估、路线规划或交通态势展示所需的预测结果。

28、与现有技术相比，本发明具有以下显著的有益效果：

29、预测精度高：本发明多尺度时序注意力能够同时捕获最近机动趋势、中期运动状态和完整历史航迹模式，配合gru编码解码结构提高中短期轨迹预测精度。

30、多模态表达能力强：本发明通过模式嵌入和多候选解码器，模型能够同时给出直航、转向、减速等多种合理未来航迹，并通过概率表示每种未来的可信度。

31、模式坍塌风险低：本发明winner-takes-all训练与多样性正则相结合，使不同候选轨迹保持足够区分度，提高对复杂港口和航道环境中不确定机动的覆盖能力。

32、泛化能力好：本发明模型以位置、速度、航向、加速度和时间间隔等通用ais运动学特征为输入，可在不同地理区域和不同交通密度场景中进行训练和部署。

33、工程实用性强：本发明模型输入来自广泛可用的ais数据，输出为多条未来航迹及概率，可直接服务于vts交通管理、船舶避碰预警、航线规划和海事态势可视化。