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

技术特征：
1.一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于该方法包括以下步骤：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；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ion、纬度lat、对地速度sog；步骤2：对近海区域船舶轨迹数据进行锚轨迹消除；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：(3.1)对s
β
序列获取两轨迹点间β变化的最大值∈
max，β
；∈
max，β
＝max(β
γ 1
‑
β
γ
|γ＝1，2，3
…
n
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)(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；(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)；(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；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所述的船舶轨迹预测模型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；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；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。2.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于步骤2具体是：(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
；(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。3.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于步骤(2.2)具体是：(2.2.1)船舶的抛锚点检测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；(2.2.2)船舶的起锚点检测判断轨迹点的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。4.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于步骤(3
‑
4)具体是：3
‑4‑
1初始化b＝i，w
i 2
＝w
i 1
；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；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
；w
i 2
＜w
i 1
p(a
i 1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)(2)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；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。5.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于步骤(4)具体是：(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；(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；(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；(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。6.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法，其特征在于步骤(5)中gru网络的计算步骤如下：(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；
z
k
＝σ(w
(z)
x
k
u
(z)
h
k
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)(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；r
k
＝σ(w
(r)
x
k
u
(r)
h
k
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)(3)计算当前记忆内容h
′
k
h
′
k
＝tanh(wx
k
r
k
⊙
uh
k
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)(4)计算当前时间步的最终记忆h
k
h
k
＝z
k
⊙
h
k
‑1 (1
‑
z
k
)
⊙
h
′
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)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；是hadamard乘法；其中q表示输入；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。7.一种基于循环神经网络的改进船舶轨迹预测装置，其特征在于包括：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；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；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；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。8.如权利要求6所述的一种基于循环神经网络的改进船舶轨迹预测装置，其特征在于所述的船舶轨迹预测模型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；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。9.一种电子设备，其特征在于，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权利要求1
‑
6任一项所述的方法。10.一种机器可读存储介质，其特征在于，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
‑
6任一项所述的方法。

技术总结
本发明公开了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。近海船舶密集、交通环境复杂，舰船自动识别系统(AIS)数据存在以下特征：(1)海域内存在大量的锚定轨迹；(2)部分非锚定轨迹存在异常锐角弯；(3)船只在不同航段的行为差异较大。这些特征会降低轨迹预测的精度，本发明提出了基于循环神经网络的改进船舶轨迹预测模型：(1)提出锚轨迹消除算法消除锚轨迹；(2)提出基于概率的轨迹修复算法修复锐角弯；(3)设计二阶段船舶轨迹流聚类算法区分船只行为；(4)搭建深层双向门循环单元(GRU)模型。本发明提出的改进船舶轨迹预测模型具有更高的预测精度，在近海区域的船舶轨迹预测中具有一定的参考价值。迹预测中具有一定的参考价值。迹预测中具有一定的参考价值。


技术研发人员：许洋 任永坚 张纪林 袁俊峰 欧东阳 曾艳 刘震 王雷 徐传奇 于晓康
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.09.17
技术公布日：2022/1/3