一种基于循环神经网络的改进船舶轨迹预测方法及其装置与流程

1.本发明属于深度学习技术和数据挖掘领域，具体涉及一种基于循环神经网络的改进渔船轨迹预测方法及其装置。


背景技术：

2.在船舶密度较高，交通环境复杂的近海港口区域，如何有效预测渔船轨迹是一个巨大的挑战。一方面，不同于车辆或者行人轨迹预测，海上运动目标不受几何结构约束，其运动模式较陆地目标更为复杂。根据《国际海上避碰规则》(colregs)，船舶的航行比标准的道路交通规则更依赖于经验，难以量化分析。但另一方面，船舶自动识别系统(ais)数据包含了船只潜在的运动模式，例如在部分海域惯常的机动行为，周期性的出入航道等。深度学习模型能从历史数据中挖掘出潜在的规律，并且拥有较好的泛化能力和抗干扰能力，目前已有许多应用于船舶轨迹预测的模型如自编码器(ae)、卷积神经网络(cnn)、循环神经网络(rnn)等，但是目前的预测方法很少同时对原始数据进行锚轨迹消除、ais异常点修复、行为分类的处理，导致原始数据中的以下特征降低了预测精度：
3.(1)原始数据中存在无规律的锚定轨迹。锚定状态下的船只会随风浪在小范围内漂移。
4.(2)船舶轨迹存在ais数据异常引起的锐角弯。这类异常由船只紧急避障或ais设备故障等原因产生。
5.(3)处于不同航段的船只具有不同的机动行为。船只在不同航段分别有起航、出入水道、进行作业等行为，轨迹特征各异。
6.针对近海交通复杂海域渔船轨迹数据的特点，有必要发明一种能消除锚轨迹、修复ais数据异常点、区分船舶不同行为、使用循环神经网络进行轨迹预测的改进渔船轨迹预测模型。


技术实现要素：

7.本发明的目的在于克服渔船轨迹数据存在异常值、船舶行为特征差别较大引起的预测精度低下问题，提供了一种基于循环神经网络的改进渔船轨迹预测方法。
8.本发明解决其技术问题采用的技术方案步骤如下：
9.一种基于循环神经网络的改进渔船轨迹预测方法，包括以下步骤：
10.步骤1：抽取ais数据中的船舶运动学信息，并将其存入大规模并行分析mpp数据库；建立空间索引，对mpp数据库使用空间包含搜索方式获得近海区域船舶轨迹数据；
11.所述船舶运动学信息包括海上移动服务标识mmsi、时间戳t、经度lon、纬度lat、对地速度sog；
12.步骤2：对近海区域船舶轨迹数据进行锚轨迹消除；
13.步骤3：通过基于概率的轨迹修复方法对锚轨迹消除后的船舶轨迹进行异常点修复
14.将锚轨迹消除后的每一条船舶轨迹均拆分成经度和纬度序列，记为s
β
＝{β1,β2,
…
,β
n
}，然后对经度和纬度序列均进行异常点修复；其中β＝经度lon或纬度lat，即s
lon
表示某轨迹的所有经度构成的序列，s
lat
表示某轨迹的所有纬度构成的序列；具体如下：
15.(3.1)对s
β
序列获取两轨迹点间β变化的最大值∈
max,β
；
16.∈
max,β
＝max(β
γ 1
‑
β
γ
|γ＝1,2,3...n
‑
1)
17.(3.2)对s
β
序列进行窗口化处理，得到每个窗口下的子序列窗口大小为3，步长为1；初始化i＝1，第一个窗口内子序列的概率w3＝0；
18.(3.3)判断当前i是否等于n
‑
2，若是则结束，跳转至步骤(4)，若否则更新i＝i 1，然后进行步骤(3.4)；
19.(3.4)第i个窗口下每个轨迹点β
i
,β
i 1
,β
i 2
进行修复
20.步骤4：对异常点修复后的船舶轨迹进行二阶段轨迹流聚类，构成三类船舶行为的数据集；
21.步骤5：构建改进船舶轨迹预测模型，利用步骤(4)数据集对其进行训练
22.所述的船舶轨迹预测模型(stacked
‑
bigrus)包括依次级联的输入层，第一双向门循环单元，第一舍弃层dropout，第二双向门循环单元，第三双向门循环单元，第二舍弃层dropout，全连接层dense；第一双向门循环单元、第二双向门循环单元、第三双向门循环单元采用相同结构的双向门循环单元；
23.所述的双向门循环单元包括输入层、用于处理正向船舶轨迹的第一gru网络、用于处理反向船舶轨迹的第二gru网络、全连接层dense。
24.步骤6：利用训练好的改进船舶轨迹预测模型，实现船舶轨迹预测。
25.本发明的另一个目的是提供一种基于循环神经网络的改进船舶轨迹预测装置，包括：
26.轨迹数据库，用以在ais数据中抽取船舶运动学信息，并将其存入大规模并行分析mpp数据库；建立空间索引，对mpp数据库使用空间包含搜索方式获得近海区域船舶轨迹数据；
27.预处理模块，用于对轨迹数据库中数据依次进行锚轨迹消除、异常点修复；
28.轨迹聚类模块，对预处理模块处理后的船舶轨迹进行二阶段轨迹流聚类；
29.轨迹预测模块，采用训练好的船舶轨迹预测模型(stacked
‑
bigrus)实现船舶轨迹预测。
30.本发明的又一个目的是提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现所述的方法。
31.本发明的再一个目的是提供一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1
‑
14任一项所述的方法。
32.本发明具有的有益效果是：
33.(1)本发明使用锚轨迹消除方法，基于速度约束对停航船只轨迹进行了消除，避免了停航船只对预测精度的影响。
34.(2)本发明提出基于概率的轨迹修复方法，能够对含有异常ais数据的船只轨迹进行修复，优化了轨迹质量，有助于提高轨迹预测精度。
35.(3)本发明应用二阶段轨迹流聚类方法对船只行为进行分类，实现船只在不同航段行为轨迹的分类预测。
36.(4)本发明构建stacked
‑
bigrus模型，相对于长短期记忆神经网络(lstm)收敛速度更快，并且双向结构有额外的特征提取，能有效提高训练精度。
附图说明
37.图1为改进渔船轨预测模型的架构图。
38.图2为锚轨迹消除效果图，其中(a)表示锚轨迹消除前的海图，(b)表示锚轨迹消除后的海图。
39.图3为基于概率的轨迹修复效果图。
40.图4为二阶段轨迹流聚类方法说明图。
41.图5为船舶行为分类效果图。
42.图6为stacked
‑
bigrus模型说明图。
43.图7为双向gru结构图。
44.图8为轨迹预测效果图。
具体实施方式
45.下面结合附图，对本发明的具体实施方案作进一步详细描述。
46.一种基于循环神经网络的改进渔船轨迹预测方法，其具体步骤描述如图1所示，其中：
47.步骤1：抽取ais数据中的船舶运动学信息，并将其存入大规模并行分析mpp数据库；建立空间索引，对mpp数据库使用空间包含搜索方式获得近海区域船舶轨迹数据；
48.所述船舶运动学信息包括海上移动服务标识mmsi、时间戳t、经度lon、纬度lat、对地速度sog；
49.步骤2：对近海区域船舶轨迹数据进行锚轨迹消除，消除效果如图2所示，对比图2(a)和图2(b)，方框内的锚轨迹基本得到了消除。方法具体实现步骤如下：
50.(2.1)对船舶sog进行统计分析，确定锚定速度阈值v0和时间步长t
s
；
51.(2.2)根据船舶mmsi划分得到不同船舶的轨迹集，对每一条船舶的轨迹track
j
进行锚轨迹消除，其中track
j
＝{ponits
i
(mmsi,t,lon,lat,sog)|i＝1,2,
…
,n}，track
j
表示第j条船舶的轨迹，ponits
i
表示track
j
上的第i时刻轨迹点。
52.(2.2.1)船舶的抛锚点检测
53.遍历轨迹中所有轨迹点，对每个轨迹点ponits
i
的sog判断是否小于v0；若否则对下一个轨迹点ponits
i 1
进行阈值判断，重复步骤2.2.1；若是则连续判断其后t
s1
个轨迹点的sog是否全部小于阈值v0，若是则认为该轨迹点ponits
i
为抛锚点，跳转至步骤2.2.2，若否则对下一个轨迹点ponits
i 1
进行阈值判断，重复步骤2.2.1，直到本条轨迹遍历结束；
54.(2.2.2)船舶的起锚点检测
55.判断轨迹点的sog是否大于v0，若否则对下一个轨迹点
进行阈值判断，重复步骤2.2.2；若是则连续判断其后t
s2
个点的速度是否全部大于阈值v0，若是则认为该轨迹点为起锚点，删除抛锚点和起锚点间的轨迹点，返回(2.2.1)若否则对下一个轨迹点进行阈值判断，重复步骤2.2.2，直到本条轨迹遍历结束。
56.步骤3：通过基于概率的轨迹修复方法对锚轨迹消除后的船舶轨迹进行异常点修复，方法具体实现步骤如下：
57.将锚轨迹消除后的每一条船舶轨迹均拆分成经度和纬度序列，记为s
β
＝{β1,β2,
…
,β
n
}，然后对经度和纬度序列均进行异常点修复；其中β＝经度lon或纬度lat，即s
lon
表示某轨迹的所有经度构成的序列，s
lat
表示某轨迹的所有纬度构成的序列；具体如下：
58.(3.1)对s
β
序列获取两轨迹点间β变化的最大值∈
max,β
：
59.∈
max,β
＝max(β
γ 1
‑
β
γ
|γ＝1,2,3...n
‑
1)
ꢀꢀꢀ
(1)
60.(3.2)对s
β
序列进行窗口化处理，得到每个窗口下的子序列窗口大小为3，步长为1；初始化i＝1，第一个窗口内子序列的概率w3＝0；
61.(3.3)判断当前i是否等于n
‑
2，若是则结束，跳转至步骤(4)，若否则更新i＝i 1，然后进行步骤(3.4)；
62.(3.4)第i个窗口下每个轨迹点β
i
,β
i 1
,β
i 2
进行修复
[0063]3‑4‑
1初始化b＝i，w
i 2
＝w
i 1
；
[0064]3‑4‑
2对轨迹点β
b
构建候选修复值队列{β
b
‑
∈
max,β
,β
b
‑
∈
max,β
u,
…
,β
b
∈
max,β
}；候选修复值队列内元素按照从小到大依次排序，u表示粒度步长，用于控制修复粒度，u越小则修复越精细，花费时间越长；u越大则修复越粗糙，花费时间越短。遍历候选修复值队列，每个候选修复值对轨迹点β
b
进行尝试性修复，若满足公式(2)则利用当前的候选修复值对轨迹点β
b
进行修复，得到修复后的子序列同时根据公式(3)计算子序列下的概率w
i 2
；
[0065]
w
i 2
<w
i 1
p(a
i 1
)
ꢀꢀꢀ
(2)
[0066][0067][0068][0069]
其中p(a
i 1
)是a
i 1
的经验概率，可以通过计算整个s
β
序列的加速度结果统计获取。w
i 2
表示由第1至i 2个修复后轨迹点组成的子序列的概率。
[0070]3‑4‑
3判断当前b是否等于i 2，若是则跳转至步骤(3.3)，若否则更新b＝b 1，返回至步骤3
‑4‑
2；
[0071]
以修复s
lat
为例展示修复效果，如图3所示，修复后s
lat
中的异常值明显减少。
[0072]
步骤4：船只在不同航段的行为轨迹使用二阶段船舶轨迹流方法进行聚类，方法流
程如图4所示，具体思路如下：
[0073]
对异常点修复后的船舶轨迹进行二阶段轨迹流聚类，构成三类船舶行为的数据集；
[0074]
(4.1)对步骤3对异常点修复后的船舶轨迹，计算空间距离矩阵；
[0075]
(4.2)利用dbscan算法处理空间距离矩阵，对异常点修复后的船舶轨迹中各轨迹点进行聚类，得到初始聚类结果；
[0076]
(4.3)对初始聚类结果计算每一类中所有轨迹点的对地速度平均值；
[0077]
(4.4)采用kmeans算法对初始聚类结果中每一类的对地速度平均值进行二步聚类，得到三类聚类结果，分别代表船舶的三种行为：起航、出入水道、进行作业，聚类结果如图5所示，三类船舶行为得到了明显区分；
[0078]
步骤5：构建改进船舶轨迹预测模型，利用步骤(4)数据集对其进行训练
[0079]
将数据集转化为训练矩阵l：
[0080][0081]
其中m表示第m条船舶轨迹，n表示船舶轨迹的n时刻，l
mn
表示第m条船舶在n时刻的位置。
[0082]
该改进船舶轨迹预测模型的输入为第m条船舶连续n个时刻的位置[l
m1
,l
m2
,
…
l
mn
]，输出为船舶第n 1时刻的位置l
mn 1
。利用滑动窗口机制连续调用预测模型，可迭代预测接下去g个时刻的位置，得到预测轨迹[l
mn 1
,l
mn 2
,
…
l
mn g
]；
[0083]
所述的船舶轨迹预测模型如图6所示，包括依次级联的输入层，第一双向门循环单元，第一舍弃层(dropout)，第二双向门循环单元，第三双向门循环单元，第二舍弃层(dropout)，全连接层(dense)；第一双向门循环单元(bigru)、第二双向门循环单元(bigru)、第三双向门循环单元(bigru)采用相同结构的双向门循环单元(bigru)；
[0084]
所述的双向门循环单元(bigru)如图7所示，包括输入层、用于处理正向船舶轨迹的第一gru网络、用于处理反向船舶轨迹的第二gru网络、全连接层(dense)。
[0085]
gru网络的计算步骤如下：
[0086]
(1)计算更新门z
k
，确定当前时间步输入和上一时间步输出中需要继承的数据；
[0087]
z
k
＝σ(w
(z)
x
k
u
(z)
h
k
‑1)
ꢀꢀꢀ
(7)
[0088]
(2)计算重置门r
k
，确定当前时间步输入和上一时间步输出中需要遗忘的数据；
[0089]
r
k
＝σ(w
(r)
x
k
u
(r)
h
k
‑1)
ꢀꢀꢀ
(8)
[0090]
(3)计算当前记忆内容h'
k
[0091]
h'
k
＝tanh(wx
k
r
k
⊙
uh
k
‑1)
ꢀꢀꢀ
(9)
[0092]
(4)计算当前时间步的最终记忆h
k
[0093]
h
k
＝z
k
⊙
h
k
‑1 (1
‑
z
k
)
⊙
h'
k
ꢀꢀꢀ
(10)
[0094]
其中x
k
，h
k
‑1和h
k
分别表示k时刻的输入、k
‑
1时刻的输出以及k时刻的输出，参数w
(z)
、u
(z)
分别表示更新门中输入层、隐藏层的权重。w
(r)
、u
(r)
分别表示重置门中输入层、隐藏层的权重。操作符
⊙
是hadamard乘法。符号σ和tanh是两种激活函数，若输入为q，函数定义为：
[0095][0096][0097]
在bigru网络中，第一gru网络的最终记忆为h
k1
，第二gru网络的最终记忆为h
k2
，两个网络的输出经全连接层(dense)拼接为元组(h
k1
，h
k2
)即为bigru网络的输出。
[0098]
步骤6：利用训练好的改进船舶轨迹预测模型，实现船舶轨迹预测，预测效果如图8所示，可见预测轨迹与真实轨迹基本拟合，预测效果良好。