一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质技术方案

一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质


[0001]本专利技术属于近海船舶轨迹实时预测
，具体涉及一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质。

技术介绍

[0002]随着全球化进程的深入，海上贸易飞速发展，海洋安全管理也日益重要。其中重要一环是船舶可疑行为跟踪和检测。船舶轨迹的高精度预测在船舶行为模式的判断中发挥着重要作用。通过挖掘船舶历史轨迹和对船舶轨迹的实时预测，可以及时监控船舶的行驶状态及变化，实时跟踪船舶位置等，进而避免碰撞，预报风险，有序管理海上交通安全。近海船舶所处的海域交通密集、状况复杂，所以近海船舶的轨迹预测要求具有较高的精确性和实时性。
[0003]随着神经网络的应用和AIS(Automatic Identification System)的发展，利用历史数据对轨迹进行预测成为了主要趋势，AIS是一种新型的数字助航系统，其数据中含有船舶航行的动态信息和静态信息。利用数据挖掘等技术，可以有效提取船舶轨迹的特征和趋势。基于BP神经网络和AIS数据的轨迹预测模型最早被提出，但是BP神经网络采用梯度下降的学习，导致其难以训练，且存在梯度消失，收敛速度慢的问题。LSTM网络通过在记忆单元中引入遗忘门机制，可以实现对序列数据的预测，在时序预测和自然语言处理等领域取得了较为成熟的应用，LSTM网络也广泛应用于预测船舶的航迹。此外，基于GRU、GAN等网络的预测方法也获得了广泛关注，CNN等也被用于混合网络模型的构建。
[0004]由于标准的LSTM或者GRU等网络往往只能针对单一模式给出确定性方案，无法处理海量AIS数据中的多模态的轨迹数据，基于聚类的船舶轨迹预测获得了越来越多的关注，常用的船舶轨迹聚类方法有DBSCAN(Density
‑
Based Spatial Clustering of Applications with Noise)、GMM(Gaussian Mixture Model)。基于聚类的轨迹预测首先把船舶轨迹进行分类，针对不同的类别分别建立并训练相应的神经网络预测模型。但是基于聚类的方法只适用于限定数量的特定海上航线，且聚类过程会造成数据多样性的损失，无法处理AIS轨迹数据的多样性。
[0005]因此，在现有技术中还存在以下缺陷和不足：
[0006]1、在历史轨迹数据中，轨迹模式较多的情况下，船舶轨迹的误差较大，预测路线和实际路线趋势难以精确拟合，预测精度无法满足要求。
[0007]2、基于聚类的方法要求根据不同的模式分别训练预测模型，在轨迹模式较多的情况下，过多的分类增加了工作量和复杂度。
[0008]3、近海船舶AIS数据更新频率高，进出港行为复杂，交通密集，基于历史轨迹的现有技术通常是长期预测，时长范围在1小时以上，无法满足实际的应用场景对实时轨迹预测的要求。
[0009]申请号为：CN202011432796.X中公开了一种基于一维卷积神经网络和LSTM的船舶
轨迹预测方法及系统，在数据预处理后利用一维卷积神经网络提取轨迹高级特征构造训练的输入数据，并将其输入到LSTM网络中进行训练和预测；但是，LSTM网络结构较复杂，计算成本很高，训练时间也比较长，利用LSTM网络的预测会随着预测时间的增加，其预测误差也会累积；LSTM网络长记忆的能力随着预测时间步增加，会逐步减弱。此外，在LSTM网络中，所有时间步长下的隐藏层向量是等权平均的，无法注意到一段轨迹中比较重要的时间步信息。

技术实现思路

[0010]为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质，使用卫星获取的船舶AIS轨迹数据并对其进行预处理，随后使用CNN网络对输入的时序轨迹数据进行特征提取，能够有效获取轨迹的短期时序特征模型，简单易于训练，采用双层GRU网络提取数据的长期特征，训练时间短且计算效率高，并引入注意力机制计算权重，获取关键因素，设置损失函数和训练参数对构建的网络进行训练，最后采用滑动窗口的方式对轨迹进行递归预测，具有预测精度高、实时性以及适应性强的特点。
[0011]为了实现上述目的，本专利技术采用的技术方案是：
[0012]一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法，包括以下步骤：
[0013]步骤1，对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；
[0014]步骤2，构建基于深度学习的轨迹预测网络；
[0015]步骤3，构建损失函数MSE；
[0016]步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；
[0017]步骤5，用步骤1得到的训练集对步骤2中构建的轨迹预测网络进行训练，得到训练网络模型；
[0018]步骤6，递归预测：将步骤1得到的测试集输入到步骤5得到的训练网络模型中，按照滑动窗口的方式进行递归预测，得到预测结果和预测误差。
[0019]所述步骤1的具体方法为：
[0020]步骤101：对船舶AIS轨迹数据进行过滤，消除异常数据：首先确定所研究区域的经纬度范围，然后删除航向不在0～360
°
之间的AIS信息，最后考虑到海风和洋流对船舶的影响，删除航速小于1海里/小时的AIS消息；
[0021]步骤102：对船舶AIS轨迹数据进行运动特征选取：船舶AIS轨迹数据中包括船舶的动态信息和静态信息，利用唯一的标识码(MMSI)识别船舶，以MMSI对应的动态信息作为船舶航行动态序列的组成字段，分别为Latitude、Longitude、COG和SOG，即纬度、经度、航向和航速，选定轨迹数据中的MMSI、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态；
[0022]步骤103：对船舶AIS轨迹数据的缺失值进行插值处理：设定船舶AIS轨迹数据的采样频率为1分钟，采用插值方法对间隔大于1分钟的船舶AIS轨迹数据进行补充，当船舶AIS轨迹数据接收间隔大于20分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点；
[0023]步骤104：对船舶AIS轨迹数据进行归一化均匀分布处理：采用MIN
‑
MAX归一化，对输入数据进行处理；
[0024]步骤105：采用滑动窗口对插值后的归一化数据进行切分：即采用前6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度；
[0025]步骤106：数据集划分：处理后的船舶AIS轨迹数据文件将构成船舶AIS轨迹数据集，将船舶AIS轨迹数据集按照比例7:3划分为训练集和测试集。
[0026]所述步骤2的具体方法为：
[0027]步骤201，构建CNN网络输入输出：采用CNN对训练集进行卷积，输入为二维向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：包括以下步骤：步骤1，对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；步骤2，构建基于深度学习的轨迹预测网络；步骤3，构建损失函数MSE；步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；步骤5，用步骤1得到的训练集对步骤2中构建的轨迹预测网络进行训练，得到训练网络模型；步骤6，递归预测：将步骤1得到的测试集输入到步骤5得到的训练网络模型中，按照滑动窗口的方式进行递归预测，得到预测结果和预测误差。2.根据权利要求1所述的一种基于CNN
‑
GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤1的具体方法为：步骤101：对船舶AIS轨迹数据进行过滤，消除异常数据：首先确定所研究区域的经纬度范围，然后删除航向不在0～360
°
之间的AIS信息，最后考虑到海风和洋流对船舶的影响，删除航速小于1海里/小时的AIS消息；步骤102：对船舶AIS轨迹数据进行运动特征选取：船舶AIS轨迹数据中包括船舶的动态信息和静态信息，利用唯一的标识码(MMSI)识别船舶，以MMSI对应的动态信息作为船舶航行动态序列的组成字段，分别为Latitude、Longitude、COG和SOG，即纬度、经度、航向和航速，选定轨迹数据中的MMSI、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态；步骤103：对船舶AIS轨迹数据的缺失值进行插值处理：设定船舶AIS轨迹数据的采样频率为1分钟，采用插值方法对间隔大于1分钟的船舶AIS轨迹数据进行补充，当船舶AIS轨迹数据接收间隔大于20分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点；步骤104：对船舶AIS轨迹数据进行归一化均匀分布处理：采用MIN
‑
MAX归一化，对输入数据进行处理；步骤105：采用滑动窗口对插值后的归一化数据进行切分：即采用前6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度；步骤106：数据集划分：处理后的船舶AIS轨迹数据文件将构成船舶AIS轨迹数据集，将船舶AIS轨迹数据集按照比例7:3划分为训练集和测试集。3.根据权利要求1所述的一种基于CNN
‑

【专利技术属性】
技术研发人员：刘志恒，余航，祁文娟，周绥平，张文杰，郭玉茹，谢子川，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：