跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质与流程

1.本发明涉及海域搜救技术领域，尤其涉及一种跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质。


背景技术：

2.随着全球一体化进程的推进及海上运输和海洋开发规模的不断扩大，海事活动越来越频繁，海难事故发生频次也越来越多。海难事故在政治、经济、军事等各个层面都会给国家带来巨大灾难，在人员伤亡和财产损失的同时，还会给社会发展带来不良影响。因此，海事搜救工作越来越受到各沿海国家的重视，对于快速发展的海上运输业等行业，高效的海上搜救行动能够给人员及财产的安全提供不可替代的保障作用。
3.目前，在落水失事人员信号丢失后而导致其移动位置难以准确定位时，海上搜救指挥系统主要依靠卫星定位来确定搜救对象的漂流轨迹，而在卫星定位系统信号较弱或无法进行卫星定位的区域时，则搜救工作只能依赖于搜救指挥人员的经验直觉来预测搜救对象的漂流轨迹，导致搜救对象的漂流轨迹无法准确地被预报，严重影响了搜救指挥与协调工作的效率，贻误最佳的搜救时机。


技术实现要素：

4.为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质。
5.本发明的技术方案如下：
6.第一方面，提供了一种跨域海事搜救对象轨迹弥补方法，所述方法包括：
7.获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据；
8.选取设定时间段的历史轨迹数据生成训练集；
9.利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻接关系，以及拟合历史时刻的漂流轨迹坐标信息和未来时刻的漂流轨迹坐标信息的映射关系，其中，时空图神经网络模型设置有注意力机制；
10.将搜救对象的历史时刻漂流轨迹坐标信息和洋流轨迹状态信息输入时空图神经网络模型，获取搜救对象的未来时刻漂流轨迹坐标信息预测结果。
11.在一些可能的实现方式中，所述时空图神经网络模型包括轨迹编码子模块、图特征提取层、图结构生成子模块、数据处理子模块和轨迹解码子模块；
12.所述轨迹编码子模块用于对历史轨迹数据中包含的所有轨迹的运动模式进行建模处理，以获取轨迹编码矩阵；
13.所述图特征提取层采用基于注意力机制的节点分类层，所述图特征提取层的输入和输出分别连接所述轨迹编码子模块和所述图结构生成子模块，所述图特征提取层用于根据每个轨迹节点在邻轨迹节点上的注意力权重对轨迹节点的轨迹编码矩阵进行融合更新；
14.所述图结构生成子模块用于根据所述图特征提取层输出的轨迹节点的轨迹编码矩阵对不同轨迹之间的时序关联性进行建模处理；
15.所述数据处理子模块用于对所述轨迹编码子模块输出的轨迹编码矩阵和所述图结构生成子模块的输出矩阵进行激活处理、连接处理和加噪处理；
16.所述轨迹解码子模块用于根据处理后的所述轨迹编码子模块输出的轨迹编码矩阵和所述图结构生成子模块的输出矩阵获取包括历史时刻和未来时刻的轨迹矩阵。
17.在一些可能的实现方式中，所述轨迹编码子模块包括至少一层双向递归型神经网络，所述双向递归型神经网络包括双向长短期记忆单元、或双向门限循环单元、或双向长短期记忆单元与双向门限循环单元的组合网络，所述轨迹编码子模块通过双向递归型神经网络对历史轨迹数据中包含的所有轨迹的运动模式进行建模。
18.在一些可能的实现方式中，对历史轨迹数据中包含的所有轨迹的运动模式进行建模处理，以获取轨迹编码矩阵，包括：
19.利用以下公式一对每个时刻的相邻时刻的位置进行差分运算，得到每个时刻的相对关联位置；
[0020][0021]
其中，表示t时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值，表示 t-1时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值，表示t时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标纬度值，表示t-1时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标纬度值，表示第i条洋流轨迹节点或漂流轨迹节点在t时刻的相对关联位置；
[0022]
利用以下公式二将每个时刻的相对关联位置嵌入到一个定长向量中；
[0023][0024]
其中，表示第i条洋流轨迹节点或漂流轨迹节点在t时刻的相对关联位置信息与嵌入权重通过嵌入函数映射得到的关联矩阵，φ表示嵌入函数，w
ee
表示嵌入权重；
[0025]
将预设长度的洋流轨迹节点或漂流轨迹节点合并作为定长序列，使定长序列作为双向递归型神经网络的输入，获取轨迹编码矩阵。
[0026]
在一些可能的实现方式中，根据每个轨迹节点在邻轨迹节点上的注意力权重对轨迹节点的轨迹编码矩阵进行融合更新，包括：
[0027]
根据输入轨迹节点的轨迹编码矩阵集，利用以下公式六进行自注意力加权处理；
[0028]eij
＝a(wmi||wmj)
ꢀꢀꢀꢀꢀ
公式六
[0029]
其中，e
ij
表示第i条轨迹节点和第j条轨迹节点拼接加权后的轨迹编码矩阵，a表示一个的映射，w表示权值矩阵，mi表示第i条轨迹节点的轨迹编码矩阵，mj表示第j条轨迹节点的轨迹编码矩阵，表示实数集，f
′
表示新特征向量维度，轨迹节点包括洋流轨迹节点或漂流轨迹节点；
[0030]
基于掩码式注意力机制，利用以下公式七将注意力分配到轨迹节点的邻轨迹节点
集上；
[0031][0032]
其中，α
ij
表示第i条轨迹节点的轨迹编码矩阵在所有相邻轨迹节点上的权重，softmaxj表示激活函数，用于将数据归一化，exp表示以自然常数e为底的指数函数，m＝[1,2,...,n]，n表示轨迹节点的轨迹编码矩阵集中的轨迹节点个数；
[0033]
利用以下公式九获取轨迹节点的新轨迹编码矩阵；
[0034][0035]
其中，m
′i表示图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵，σ表示sigmod激活函数，用于将输出的轨迹编码矩阵映射到0～1之间，mi表示第i条轨迹节点的邻轨迹节点集。
[0036]
在一些可能的实现方式中，所述图结构生成子模块根据所述图特征提取层输出的轨迹节点的轨迹编码矩阵，利用以下公式十三对不同轨迹之间的时序关联性进行建模处理；
[0037][0038]
其中，表示t 1时刻下式结构生成子模块的输出矩阵，g_gru表示对不同轨迹之间的时序关联性建模，表示t时刻下式结构生成子模块的输出矩阵，wg表示不同轨迹的时序权重矩阵，m
′
i,t
表示t时刻图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵。
[0039]
在一些可能的实现方式中，所述轨迹解码子模块根据处理后的轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩阵，利用公式十七和公式十八获取包括历史时刻和未来时刻的轨迹矩阵；
[0040][0041][0042]
其中，表示t
obs
1时刻下合并轨迹编码矩阵、图结构生成子模块的输出矩阵以及白噪声，d_gru表示对矩阵解码建模，表示第i条轨迹节点在t
obs
时刻的相对关联位置信息与嵌入权重通过嵌入函数映射得到的关联矩阵，wd表示轨迹解码子模块的权重参数，表示预测t
obs
1时刻下第i条轨迹节点的坐标经度值，表示预测 t
obs
1时刻下第i条轨迹节点的坐标纬度值。
[0043]
第二方面，提供了一种跨域海事搜救对象轨迹弥补系统，所述系统包括：
[0044]
信息获取模块，用于获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据；
[0045]
数据生成模块，用于选取设定时间段的历史轨迹数据生成训练集；
[0046]
时空图神经网络模型训练模块，用于利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻接关系，以及拟合历史时刻的漂流轨迹坐标信息和未来时
刻的漂流轨迹坐标信息的映射关系；
[0047]
预测模块，用于将搜救对象的历史时刻漂流轨迹坐标信息和洋流轨迹状态信息输入时空图神经网络模型，获取搜救对象的未来时刻漂流轨迹坐标信息预测结果。
[0048]
第三方面，提供了一种跨域海事搜救对象轨迹弥补装置，所述装置包括：存储器、处理器和通信接口；
[0049]
所述存储器，用于存储指令；
[0050]
所述处理器，用于加载并执行存储器中的指令，以执行上述的方法；
[0051]
所述通信接口，用于进行通信。
[0052]
第四方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条指令，所述指令由处理器加载并执行，以执行上述的方法。
[0053]
本发明技术方案的主要优点如下：
[0054]
本发明的跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质通过借助先验的历史轨迹数据信息训练基于注意力机制的时空图神经网络模型，能够对缺失的轨迹信息进行预测和弥补，从而能够在搜救对象信号丢失后迅速准确地预测搜救对象的可能位置区域，显著缩小搜救范围并节省搜救耗时。
附图说明
[0055]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0056]
图1为本发明一实施例的跨域海事搜救对象轨迹弥补方法的流程图；
[0057]
图2为本发明一实施例的跨域海事搜救对象轨迹弥补方法中轨迹获取方式示意图；
[0058]
图3为本发明一实施例的跨域海事搜救对象轨迹弥补方法中时空图神经网络模型的结构示意图；
[0059]
图4为本发明一实施例的跨域海事搜救对象轨迹弥补方法中掩码式注意力机制的处理原理示意图；
[0060]
图5为本发明一实施例的跨域海事搜救对象轨迹弥补方法中多抽头自注意力机制的处理原理示意图；
[0061]
图6为本发明一实施例的跨域海事搜救对象轨迹弥补系统的结构示意图；
[0062]
图7为本发明一实施例的跨域海事搜救对象轨迹弥补装置的结构示意图。
具体实施方式
[0063]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
以下结合附图，详细说明本发明实施例提供的技术方案。
[0065]
第一方面，参见图1-3，本发明一实施例提供了一种跨域海事搜救对象轨迹弥补方
法，该方法包括以下步骤：
[0066]
步骤s100，获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据；
[0067]
步骤s200，选取设定时间段的历史轨迹数据生成训练集；
[0068]
步骤s300，利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻接关系，以及拟合历史时刻的漂流轨迹坐标信息和未来时刻的漂流轨迹坐标信息的映射关系，其中，时空图神经网络模型设置有注意力机制；
[0069]
步骤s400，将搜救对象的历史时刻漂流轨迹坐标信息和洋流轨迹状态信息输入时空图神经网络模型，获取搜救对象的未来时刻漂流轨迹坐标信息预测结果。
[0070]
以下对本发明一实施例提供的跨域海事搜救对象轨迹弥补方法的步骤及原理进行具体说明。
[0071]
步骤s100，获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据。
[0072]
本发明一实施例中，历史轨迹数据可以为真实轨迹数据，也可以为仿真轨迹数据。
[0073]
可选的，当真实轨迹数据样本较少时，可以通过以下仿真方式来获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据：
[0074]
选取设定海域，在选取的设定海域内投放带有定位系统的仿真人体模型，定位系统例如为gps定位系统或北斗卫星定位系统或能够通过低轨卫星实现定位的定位系统，采集随时间变化的仿真人体模型的漂流轨迹坐标信息和洋流轨迹状态信息，得到相应的仿真轨迹数据，将仿真轨迹数据作为历史轨迹数据。
[0075]
其中，设定海域可以包括实际中频繁发生海难事故的至少一个海域。
[0076]
通过利用仿真人体模型采集仿真轨迹数据，能够弥补真实轨迹数据的不足，提高预测精度，同时节省预测成本。
[0077]
步骤s200，选取设定时间段的历史轨迹数据生成训练集。
[0078]
具体地，本发明一实施例中，为了提高搜救对象的轨迹弥补预测精度，设定时间段可以根据搜救对象所处的时间段和该时间段的海域状态确定，海域状态例如可以包括海域洋流信息、风向风速信息和海域地理环境信息等，保证设定时间段内的海域状态信息与搜救对象所处时间段的海域状态信息尽可能相同。
[0079]
进一步地，为了便于后续的模型训练和数据处理，本发明一实施例中，将包括漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据设置为矩阵形式，矩阵形式的历史轨迹数据具体可表述为：
[0080][0081]
其中，表示n时刻的第m条轨迹，tn表示n时刻，和表示位置坐标，第m条轨迹可能是漂流轨迹，也可能是洋流轨迹。
[0082]
本发明一实施例中，洋流轨迹用于对漂流轨迹进行约束，并对时空图神经网络模
型的预测结果进行验证。
[0083]
步骤s300，利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻接关系，以及拟合历史时刻的漂流轨迹坐标信息和未来时刻的漂流轨迹坐标信息的映射关系，其中，时空图神经网络模型设置有注意力机制。
[0084]
参见图3，本发明一实施例中，时空图神经网络模型包括：轨迹编码子模块、图特征提取层、图结构生成子模块、数据处理子模块和轨迹解码子模块；
[0085]
轨迹编码子模块用于对历史轨迹数据中包含的所有轨迹的运动模式进行建模处理，以获取轨迹编码矩阵；
[0086]
图特征提取层采用基于注意力机制的节点分类层，图特征提取层的输入和输出分别连接轨迹编码子模块和图结构生成子模块，图特征提取层用于根据每个轨迹节点在邻轨迹节点上的注意力权重对该轨迹节点的轨迹编码矩阵进行融合更新；
[0087]
图结构生成子模块用于根据图特征提取层输出的轨迹节点的轨迹编码矩阵对不同轨迹之间的时序关联性进行建模处理；
[0088]
数据处理子模块用于对轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩阵进行激活处理、连接处理和加噪处理；
[0089]
轨迹解码子模块用于根据处理后的轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩阵获取包括历史时刻和未来时刻的轨迹矩阵。
[0090]
本发明一实施例中，轨迹编码子模块包括至少一层双向递归型神经网络，双向递归型神经网络包括双向长短期记忆单元、或双向门限循环单元、或双向长短期记忆单元与双向门限循环单元的组合网络，轨迹编码子模块通过双向递归型神经网络对历史轨迹数据中包含的所有轨迹的运动模式进行建模。
[0091]
具体地，轨迹编码子模块在对轨迹的运动模式进行建模处理，以获取轨迹编码矩阵时，采用以下步骤s310-s312进行。
[0092]
步骤s310，利用以下公式一对每个时刻的相邻时刻的位置进行差分运算，得到每个时刻的相对关联位置；
[0093][0094]
其中，表示t时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值，表示t-1时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值，表示t时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标纬度值，表示t-1时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标纬度值，表示第i条洋流轨迹节点或漂流轨迹节点在t时刻的相对关联位置。
[0095]
步骤s311，利用以下公式二将每个时刻的相对关联位置嵌入到一个定长向量中；
[0096][0097]
其中，表示第i条洋流轨迹节点或漂流轨迹节点在t时刻的相对关联位置信息与嵌入权重通过嵌入函数映射得到的关联矩阵，φ表示嵌入函数，w
ee
表示嵌入权重。
[0098]
步骤s312，将预设长度的洋流轨迹节点或漂流轨迹节点合并作为定长序列，使定长序列作为双向递归型神经网络的输入，获取轨迹编码矩阵。
[0099]
具体地，利用以下公式三得到隐含状态轨迹编码矩阵；
[0100][0101]
其中，表示t时刻第i条轨迹节点在轨迹编码子模块的隐含状态轨迹编码矩阵， m_gru表示轨迹编码子模块的映射函数，用于对所有轨迹的运动模式进行建模，表示t-1时刻第i条轨迹节点在轨迹编码子模块的隐含状态轨迹编码矩阵，wm表示轨迹编码子模块的权重参数，权重参数wm能够被所有轨迹共享，轨迹节点包括洋流轨迹节点或漂流轨迹节点。
[0102]
进一步地，本发明一实施例中，图特征提取层是一种基于注意力图(graph attention) 的节点分类技术，图特征提取层采用基于注意力机制的节点分类层，其基本思想是根据每个节点在其邻节点上的注意力权重，来对节点的特征表示进行融合更新。
[0103]
本发明一实施例中，每个图特征提取层的输入是一个轨迹节点的轨迹编码矩阵，轨迹节点的轨迹编码矩阵集合可以表示为：
[0104][0105]
其中，m表示轨迹节点的轨迹编码矩阵集，m
l
表示第l条轨迹节点的轨迹编码矩阵， n表示轨迹节点的轨迹编码矩阵集中的轨迹节点个数，表示实数集，f表示特征向量维度。
[0106]
每个图特征提取层的输出是一个由轨迹节点的轨迹编码矩阵集融合更新得到的轨迹节点的新轨迹编码矩阵集，轨迹节点的新轨迹编码矩阵集可以表示为：
[0107][0108]
其中，m
′
表示轨迹节点的新轨迹编码矩阵集，m
′
l
表示第l条轨迹节点的新轨迹编码矩阵，f
′
表示新特征向量维度。
[0109]
以对第i条轨迹节点表示进行融合更新为例，图特征提取层在根据每个轨迹节点在邻轨迹节点上的注意力权重对轨迹节点的轨迹编码矩阵进行融合更新，采用以下步骤 s320-s322进行。
[0110]
步骤s320，根据输入轨迹节点的轨迹编码矩阵集，利用以下公式六进行自注意力 (self-attention)加权处理；
[0111]eij
＝a(wmi||wmj)
ꢀꢀꢀ
公式六
[0112]
其中，e
ij
表示第i条轨迹节点和第j条轨迹节点拼接加权后的轨迹编码矩阵，a表示一个的映射，w表示权值矩阵，mi表示第i条轨迹节点的轨迹编码矩阵，mj表示第j条轨迹节点的轨迹编码矩阵，mi,mj∈m，第i条轨迹节点是第j条轨迹节点的其中一个邻节点。
[0113]
在公式六中，权值矩阵w能够被所有的轨迹节点共享，公式六的原理是利用一个共享的权值矩阵w的线性映射对第i条轨迹节点和第j条轨迹节点的轨迹编码矩阵进行增维，而后利用(wmi||wmj)操作将增维变换后的第i条轨迹节点和第j条轨迹节点的轨迹编码矩阵进行连接(concatenate)，最后利用映射a将连接后的高维轨迹编码矩阵映射到一个实数上。
[0114]
基于上述可知，本发明一实施例中，通过可学习的权值矩阵参数w和映射a来学习第i条轨迹节点和第j条轨迹节点之间的相关性。
[0115]
步骤s321，基于掩码式注意力(masked attention)机制，利用以下公式七将注意力分配到轨迹节点的邻轨迹节点集上；
[0116][0117]
其中，α
ij
表示第i条轨迹节点的轨迹编码矩阵在所有相邻轨迹节点上的权重，softmaxj表示激活函数，用于将数据归一化，exp表示以自然常数e为底的指数函数，∑
k∈m
exp(e
ik
)表示第i条轨迹节点的所有轨迹编码矩阵的求和，m＝[1,2,...,n]，e
ik
表示第i条轨迹节点和第k条轨迹节点拼接加权后的轨迹编码矩阵。
[0118]
参见图4，本发明一实施例中，使用掩码式注意力机制，并通过softmax激活技术，仅将注意力分配到轨迹节点的邻轨迹节点集上，能够防止结构信息的丢失。
[0119]
进一步地，若上述的映射a为单层前馈神经网络，则公式七可以表示为公式八；
[0120][0121]
其中，表示单层前馈神经网络的参数的转置，leakyrelu表示单层前馈神经网络的激活函数，mi表示第i条轨迹节点的邻轨迹节点集。
[0122]
步骤s322，利用以下公式九获取图特征提取层输出的轨迹节点的新轨迹编码矩阵；
[0123][0124]
其中，m
′i表示图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵，σ表示sigmod激活函数，用于将输出的轨迹编码矩阵映射到0～1之间。
[0125]
对于t时刻，图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵可以表示为：
[0126][0127]
其中，m
′
i,t
表示t时刻图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵，表示t时刻第i条轨迹节点的轨迹编码矩阵在所有相邻轨迹节点上的权重。
[0128]
基于上述方式获得的轨迹节点的新轨迹编码矩阵融合了邻域信息。
[0129]
参见图5，进一步地，本发明一实施例中，还可以通过多抽头自注意力机制对图特征提取层的输出进行加权集成，以提高轨迹弥补方法的鲁棒性。
[0130]
具体地，在通过多抽头自注意力机制对图特征提取层的输出进行加权集成时，使用多个计算自注意力(self-attention)，将各个计算得到的结果进行连接合并或求和合并。
[0131]
从图特征提取层中抽取k个轨迹编码矩阵，采用连接合并的方式计算得到的轨迹编码矩阵可表示为：
[0132][0133]
其中，||表示连接，表示第k个抽头得到第i条轨迹节点的轨迹编码矩阵在所有相邻轨迹节点上的权重，wk表示第k个抽头的权值矩阵，k表示抽头个数。
[0134]
采用求和合并方式计算得到的图特征提取层输出的轨迹编码矩阵可表示为：
[0135][0136]
由于因此
[0137]
进一步地，本发明一实施例中，图结构生成子模块包括至少一层递归型神经网络，图结构生成子模块通过递归型神经网络对不同轨迹之间的时序关联性进行建模处理。
[0138]
具体地，本发明一实施例中，利用以下公式十三对不同轨迹之间的时序关联性进行建模处理；
[0139][0140]
其中，表示t 1时刻下式结构生成子模块的输出矩阵，g_gru表示对不同轨迹之间的时序关联性建模，表示t时刻下式结构生成子模块的输出矩阵，wg表示不同轨迹的时序权重矩阵，
[0141]
进一步地，本发明一实施例中，数据处理子模块利用以下公式十四对轨迹编码子模块输出的轨迹编码矩阵进行激活处理，利用以下公式十五对图结构生成子模块的输出矩阵进行激活处理，利用以下公式十六对激活处理后的轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩阵进行连接和加噪处理；
[0142][0143][0144][0145]
其中，表示激活后的第i条轨迹节点的轨迹编码矩阵，表示第i条轨迹在历史轨迹的最终时刻t
obs
时的轨迹编码矩阵，表示第i条轨迹在历史轨迹的最终时刻t
obs
时通过图结构生成子模块的输出矩阵，表示激活后第i条轨迹在图结构生成子模块的输出矩阵，表示t
obs
时刻下合并轨迹编码矩阵、图结构生成子模块的输出矩阵以及白噪声，z表示服从正太分布的噪声采样向量，||表示矩阵连接。
[0146]
进一步地，本发明一实施例中，轨迹解码子模块根据处理后的轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩阵，利用公式十七和公式十八获取包括历史时刻和未来时刻的轨迹矩阵；
[0147]
[0148][0149]
其中，表示t
obs
1时刻下合并轨迹编码矩阵、图结构生成子模块的输出矩阵以及白噪声，d_gru表示对矩阵解码建模，表示第i条轨迹节点在t
obs
时刻的相对关联位置信息与嵌入权重通过嵌入函数映射得到的关联矩阵，wd表示轨迹解码子模块的权重参数，表示预测t
obs
1时刻下第i条轨迹节点的坐标经度值，表示预测 t
obs
1时刻下第i条轨迹节点的坐标纬度值。
[0150]
第二方面，参见图6，本发明一实施例还提供了一种跨域海事搜救对象轨迹弥补系统500，该系统500包括：
[0151]
信息获取模块501，用于获取包括带有时间标签的漂流轨迹坐标信息和洋流轨迹状态信息的历史轨迹数据；
[0152]
数据生成模块502，用于选取设定时间段的历史轨迹数据生成训练集；
[0153]
时空图神经网络模型训练模块503，用于利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻接关系，以及拟合历史时刻的漂流轨迹坐标信息和未来时刻的漂流轨迹坐标信息的映射关系；
[0154]
预测模块504，用于将搜救对象的历史时刻漂流轨迹坐标信息和洋流轨迹状态信息输入时空图神经网络模型，获取搜救对象的未来时刻漂流轨迹坐标信息预测结果。
[0155]
本发明一实施例提供的跨域海事搜救对象轨迹弥补系统能够利用上述的跨域海事搜救对象轨迹弥补方法实现搜救对象的未来时刻漂流轨迹坐标信息预测和特定时刻漂流轨迹坐标信息弥补。
[0156]
第三方面，参见图7，本发明一实施例还提供了一种跨域海事搜救对象轨迹弥补装置600，该装置600包括存储器601、处理器602和通信接口603；
[0157]
存储器601，用于存储指令；
[0158]
处理器602，用于加载并执行存储器601中的指令，以执行上述的跨域海事搜救对象轨迹弥补方法；
[0159]
通信接口603，用于进行通信。
[0160]
存储器601、处理器602和通信接口603通过总线604相互连接，总线604可以是外设部件互连标准(pci)总线或扩展工业标准结构(eisa)总线等。总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0161]
上述存储器601可以是随机存取存储器(ram)、闪存(flash)、只读存储器(rom)、可擦写可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、寄存器 (register)、硬盘、移动硬盘、cd-rom或者本领域技术人员知晓的任何其他形式的存储介质。
[0162]
上述处理器602例如可以是中央处理器(cpu)、通用处理器、数字信号处理器 (dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术实施例公开内容所描述的各种示例性的逻辑方框和模块。处理器也可以是实现计算功能的组合，例如包含一个
或多个微处理器组合，dsp和微处理器的组合等等。该处理器的详细处理过程请参考上述海事搜救对象轨迹预测方法的详细描述，这里不再赘述。
[0163]
上述通信接口603例如可以是接口卡等，可以为以太(ethernet)接口或异步传输模式(atm)接口。
[0164]
第四方面，本发明一实施例还提供了一种计算机可读存储介质，该存储介质存储有至少一条指令，指令由处理器加载并执行，以执行上述的跨域海事搜救对象轨迹弥补方法。
[0165]
本发明一实施例提供的跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质通过借助先验的历史轨迹数据信息训练基于注意力机制的时空图神经网络模型，能够对缺失的轨迹信息进行预测和弥补，从而能够在搜救对象信号丢失后迅速准确地预测搜救对象的可能位置区域，显著缩小搜救范围并节省搜救耗时。
[0166]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0167]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0168]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合，或者一些特征可以忽略，或不执行。
[0169]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
[0170]
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。