一种基于CNN和BILSTM的船舶轨迹预测方法技术

本发明专利技术公开了一种基于CNN和BILSTM的船舶轨迹预测方法。步骤1：对信息数据进行预处理；所述信息数据为通过船舶AIS采集的包括经度、纬度、航向和航速；步骤2：将步骤1中预处理后的信息数据划分训练集和测试集；步骤3：将步骤2的训练集导入到卷积神经网络CNN中进行特征提取；步骤4：将步骤3提取到的特征和训练集的数据结合构成轨迹预测的输入数据；步骤5：将步骤4的输入数据导入到BILSTM神经网络模型进行学习，获得轨迹数据中的隐含的船舶运动规律模型；步骤6：利用步骤5的模型进行船舶的轨迹预测。本发明专利技术用以解决复杂水上交通环境下船舶轨迹预测准确率较低的问题。迹预测准确率较低的问题。迹预测准确率较低的问题。

【技术实现步骤摘要】
一种基于CNN和BILSTM的船舶轨迹预测方法


[0001]本专利技术属于时间序列预测
；具体涉及一种基于CNN和BILSTM的船舶轨迹预测方法。

技术介绍

[0002]随着海运不断发展，加强船舶安全管理和重点目标监测更加迫切。在交通密集、状况复杂的很多沿海和港口的水域，海上交通事故预警的精确性和有效性也尤为重要。提前掌握船舶的走向信息能有效地减少船舶触礁和碰撞等海上交通事故的发生。船舶航行轨迹分析可以获得海上航道的有用信息和船舶的行为模式。由于船舶航行与车辆行驶特点不同，无明显路网约束，航迹随机程度较大，预测难度也更大。传统船舶轨迹预测采用构建动力学方程的方法，这类方法需要专业知识支撑，并且根据不同船舶和场景需进行针对性改造，方法适应性较差。目前主流的方法是采用机器学习，该方法能够根据历史轨迹和当前行驶轨迹进行参数学习，使预测模型具有较好的适应性。
[0003]目前由于水上交通环境日益复杂，单一模型在准确度方面已经很难满足使用要求，如何解决船舶航迹预测的实时性与准确度提出了新的挑战。

技术实现思路

[0004]本专利技术提供了一种基于CNN和BILSTM的船舶轨迹预测方法，用以解决复杂水上交通环境下船舶轨迹预测准确率较低的问题。
[0005]本专利技术通过以下技术方案实现：
[0006]一种基于CNN和BILSTM的船舶轨迹预测方法，包括以下步骤：
[0007]步骤1：对信息数据进行预处理；所述信息数据为通过船舶自动识别系统AIS采集的包括经度、纬度、航向和航速；
[0008]步骤2：将步骤1中预处理后的信息数据划分训练集和测试集；
[0009]步骤3：将步骤2的训练集导入到卷积神经网络CNN中进行特征提取；
[0010]步骤4：将步骤3提取到的特征和训练集的数据结合构成轨迹预测的输入数据；
[0011]步骤5：将步骤4的输入数据导入到BILSTM神经网络模型进行学习，获得轨迹数据中的隐含的船舶运动规律模型；
[0012]步骤6：利用步骤5的模型进行船舶的轨迹预测。
[0013]进一步的，所述步骤1的预处理具体为筛选出船舶自动识别系统AIS中与对船舶轨迹预测影响程度较大的信息，删除AIS中明显错误的数据，对于船舶轨迹数据十分稀疏的数据全部删除，对于船舶轨迹数据缺失较少的数据，采用线性插值的方法进行修正。
[0014]进一步的，所述线性插值方法具体为，设(t
j
,p
j
)为缺失数据，距离缺失数据最近的两个数据分别为(t
i
,p
i
)和(t
k
,p
k
)，则补全的数据为：
[0015]进一步的，所述步骤2将预处理后的信息数据进行归一化处理，再按照8:2将数据
分为训练集和测试集。
[0016]进一步的，所述步骤3中的训练集作为输入数据输入一维卷积神经网络，经过卷积层中卷积核的卷积计算获得数据特征。
[0017]进一步的，所述步骤4具体为，将卷积层输出的特征数据输入池化层并进行平均池化处理，缩小数据矩阵大小，最后把卷积神经网络的输出结果作为输入到BILSTM中进行进一步的提取。
[0018]进一步的，所述步骤5具体为，BILSTM网络的输入门，输出门，遗忘门分别对应本专利技术中船舶轨迹特征序列的写入、读取和先前状态的重置操作，在Forward层从1时刻到t时刻正向计算一遍，得到并保存每个时刻向前隐含层的输出，在Backward层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻向后隐含层的输出，最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出。
[0019]进一步的，在t时刻的表达示为：
[0020]f
t
＝σ(W
f
*[h
t
‑1,x
t
]+b
f
)
[0021]i
t
＝σ(W
i
*[h
t
‑1,x
t
]+b
i
)
[0022][0023][0024]o
t
＝σ(W
o
*[h
t
‑1,x
t
]+b
o
)
[0025]h
t
＝o
t
*tanh(c
t
)
[0026]其中，W
f
表示遗忘门对应的权重矩阵，W
i
表示输入门对应的权重矩阵，W
c
表示当前输入的单元状态对应的权重矩阵，表示W
o
输出门对应的权重矩阵；b
f
表示遗忘门的偏置项，b
i
表示输入门的偏置项，b
c
表示当前输入的单元状态的偏置项，b
o
表示输出门的偏置项；σ表示激活函数，tanh为双曲正切函数；x
t
表示t时刻的输入；表示当前输入的单元状态；c
t
代表当前时刻的单元状态；f
t
代表遗忘门；o
t
代表输出门。
[0027]进一步的，所述步骤6具体为，将测试的预测结果与真实值做对比，采用均方误差来评估预测的准确度，均方误差是指预测值和真实值之差的平方和的平均值，MSE的表达式为：
[0028][0029]式中N表示预测的总时长，t为时间序列号，pre
t
表示轨迹的预测值，real
t
表示轨迹的真实值。
[0030]本专利技术的有益效果是：
[0031]本专利技术方便地采用现有的AIS数据和深度学习框架进行模型的构建和预测。本专利技术首先对获取AIS数据进行预处理，处理后的AIS数据用于模型构建和训练的准备，然后使用深度学习框Keras进行模型的构建，因此代价小,并且易于实现。
[0032]本专利技术不同于以往的数值预测预测方法、统计预测方法、以及传统的机器学习预测方法。本专利技术利用深度学习自动提取变量之间的非线性关系的能力，以及CNN强大的特征提取能力和BILSTM强大的时间特征提取能力,构建了一个针对船舶轨迹的深度学习模型，
实现了对船舶轨迹特征的深层特征提取。
[0033]本专利技术有效地融合了两种神经网络算法，具有更强的泛化能力和较高的预测精度，能够在不同的AIS数据集上保持出色的预测质量和稳定性。
[0034]本专利技术采用上万个船舶轨迹数据样本对构建的模型进行训练，可以使用训练好的模型有效地提高船舶轨迹预测的准确率。
[0035]本专利技术可以通过不同的需求，设置不同的预测目标，扩展性强。
附图说明
[0036]图1为本专利技术中船舶轨迹预测方法流程图。
[0037]图2为本专利技术中船舶轨迹稀疏图。
[0038]图3为本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN和BILSTM的船舶轨迹预测方法，其特征在于，包括以下步骤：步骤1：对信息数据进行预处理；所述信息数据为通过船舶自动识别系统AIS采集的包括经度、纬度、航向和航速；步骤2：将步骤1中预处理后的信息数据划分训练集和测试集；步骤3：将步骤2的训练集导入到卷积神经网络CNN中进行特征提取；步骤4：将步骤3提取到的特征和训练集的数据结合构成轨迹预测的输入数据；步骤5：将步骤4的输入数据导入到BILSTM神经网络模型进行学习，获得轨迹数据中的隐含的船舶运动规律模型；步骤6：利用步骤5的模型进行船舶的轨迹预测。2.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤1的预处理具体为筛选出船舶自动识别系统AIS中与对船舶轨迹预测影响程度较大的信息，删除船舶自动识别系统AIS中明显错误的数据，对于船舶轨迹数据十分稀疏的数据全部删除，对于船舶轨迹数据缺失较少的数据，采用线性插值的方法进行修正。3.根据权利要求2所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述线性插值方法具体为，设(t
j
,p
j
)为缺失数据，距离缺失数据最近的两个数据分别为(t
i
,p
i
)和(t
k
,p
k
)，则补全的数据为：4.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤2将预处理后的信息数据进行归一化处理，再按照8:2将数据分为训练集和测试集。5.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤3中的训练集作为输入数据输入一维卷积神经网络，经过卷积层中卷积核的卷积计算获得数据特征。6.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤4具体为，将卷积层输出的特征数据输入池化层并进行平均池化处理，缩小数据矩阵大小，最后把卷积神经网络的输出结果作为输入到BILSTM中进行进一步的提取。7.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤5具体为，BILSTM网络的输入门，输出门，遗忘门分别对应本发明中船舶轨迹特征序列的写入、读取和先前状态的重置操作，在Forward层从1时刻到t时刻正向计算一遍，得到并保存每个时刻向前隐含层的输出，在Backwar...

【专利技术属性】
技术研发人员：李芃，陈赛，孙宏放，张兰勇，李奕霏，刘洪丹，
申请(专利权)人：哈尔滨工程大学青岛船舶科技有限公司，
类型：发明
国别省市：