一种基于生成对抗神经网络的航运AIS数据修复方法技术

本发明专利技术公开了一种基于生成对抗神经网络的航运AIS数据修复方法，根据船舶历史数据，对不同轨迹的船舶进行分类，将分类后的轨迹数据转换为时间步长固定的数据序列，并据此构建缺失数据掩码矩阵；以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络为鉴别器，构建生成对抗神经网络；利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型；利用数据修复模型修复带有缺失值的船舶数据，并对修复的船舶数据进行区分、单元二次修复与合成，实现船舶轨迹的二次修复。本发明专利技术可以捕获船舶数据的深层次特征，提高了船舶数据修复的准确性。提高了船舶数据修复的准确性。提高了船舶数据修复的准确性。

【技术实现步骤摘要】
一种基于生成对抗神经网络的航运AIS数据修复方法


[0001]本专利技术涉及船舶数据修复技术，特别涉及一种基于生成对抗神经网络的航运AIS数据修复方法。

技术介绍

[0002]为了保证航行的安全，船舶需要准确掌握其周边海域内其他船舶的相关动、静态信息。AIS的出现为海上运输行业的安全提供了重要保障。然而，AIS数据依旧有它不可忽视的问题存在。首先因为周边环境干扰，甚至受到恶劣天气的影响，数据传输一定程度上可能会发生丢失。其次，AIS设备之间传输数据需要找到空闲的时隙来进行，如果在AIS设备密度较高的地区，可能会发生网络过载，或是通信线路发生阻塞，从而导致AIS数据丢失。缺乏完整性的数据，可能会导致错误的风险判断。因此，寻找一种合适的修复模型来提高历史AIS数据的质量，对于船舶航行安全具有重要的意义。
[0003]传统的数据修复方法往往存在着局限性，例如基于统计分析的方法往往没有考虑到数据间的相互依赖关系，基于统计机器学习的模型对数据有着较强的约束性。
[0004]Liang等人提出了一种两步法的船舶轨迹重建计算方法。首先，引入了随机森林方法，以自动识别船舶轨迹中的丢失位置记录。其次，利用LSTM来重建缺失AIS数据的船舶轨迹。Zhang等人提出了一种利用AIS数据通过三步程序进行船舶轨迹重建的方法，该方法允许船舶在不同航行状态(即停靠、操纵和常速航行)下进行轨迹重建。Li等人提出了一种基于U
‑
Net的轨迹重建方法。该方法的优点是利用历史信息进行轨迹重建，对低质量轨迹具有较强的鲁棒性。

技术实现思路

[0005]本专利技术的目的在于提出一种基于生成对抗神经网络的航运AIS数据修复方法。
[0006]实现本专利技术目的的技术解决方案为：一种基于生成对抗神经网络的航运AIS数据修复方法，所述方法包括以下步骤：
[0007]步骤1，针对内河或开放水域的航运，通过船舶自动识别系统(AIS)获取船舶航行历史数据；
[0008]步骤2，根据船舶历史数据，对不同轨迹的船舶进行分类，将分类后的轨迹数据转换为时间步长固定的数据序列，并据此构建缺失数据掩码矩阵；
[0009]步骤3，以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络鉴别器，构建生成对抗神经网络；
[0010]步骤4，利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型；
[0011]步骤5，利用数据修复模型修复带有缺失值的船舶数据，并对修复的船舶数据进行区分、单元二次修复与合成，实现船舶轨迹的二次修复。
[0012]进一步的，步骤1，针对内河或开放水域的航运，通过船舶自动识别系统(AIS)获取
船舶航行历史数据，其中船舶数据包括经度、纬度、速度、航向角。
[0013]进一步的，步骤2，将分类后的轨迹数据转换为时间步长固定的数据序列，其中固定时间步长为1分钟。
[0014]进一步的，步骤2，构建缺失数据掩码矩阵，具体过程为：
[0015](1)构建船舶数据矩阵；
[0016]所述船舶数据矩阵中第i行第j列表示某条船舶轨迹中第i个时间点第j个特征，所述特征包括经度、纬度、速度、航向角；
[0017](2)构建缺失数据掩码矩阵；
[0018]所述缺失数据掩码矩阵与船舶数据矩阵的维度一致，用来表述船舶的缺失数据，若是船舶数据中某个时刻的数据缺失，掩码矩阵的对应位置设置为0，否则设为1。
[0019]进一步的，步骤3，以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络为鉴别器，具体计算流程如下：
[0020]e
f1
＝TCN
gen
(X,z,m)
[0021]e
f2
＝BiLSTM
gen_enc
(e
f1
,z,m)
[0022][0023][0024][0025]p＝BiLTM
dis_dec
(y)
[0026]式中，m为掩码矩阵，表示数据中缺失的位置，X为船舶数据，z为噪声数据；e
f1
为时域卷积网络TCN
gen
进行一次提取的特征，e
f2
为生成器编码网络BiLSTM
gen_enc
进行二次提取的特征；将e
f1
和e
f2
以残差结构相连可以防止特征的退化，并输入自注意力机制Attention
gen
用于强调当前轨迹点的数据信息在整条船舶轨迹中的重要性与关联性，feature为自注意力机制输出的融合特征，输入给生成器解码网络BiLSTM
gen_dec
，最终得到重构的生成数据y为经鉴别器编码网络BiLSTM
dis_enc
输出得到的隐藏向量，将y输入给鉴别器解码网络BiLSTM
dis_dec
，得到鉴别器对输入数据的评估分数p。
[0027]进一步的，步骤4，利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型，具体训练过程如下：
[0028]步骤4
‑
1，设置生成器的损失函数如下：
[0029][0030]其中，
[0031][0032]式中，m为掩码矩阵，X为船舶数据，z为噪声；表示矩阵元素相乘；X'为船舶数据中已知位置的历史数据；X”为船舶数据中缺失位置的生成数据；为船舶数据经过修复后的修复数据；G为生成器，为船舶数据矩阵中缺失位置的历史数据和对应位置生成器产生的修复数据的绝对平均误差，表示修复数据的重构损失；表示鉴别器对修复数据的评估分数；
[0033]步骤4
‑
2，设置鉴别器的损失函数如下：
[0034][0035]式中，D为鉴别器，为船舶数据经过修复后的修复数据；表示鉴别器对船舶数据中真实数据的评估分数；表示鉴别器对船舶数据中修复数据的评估分数；
[0036]步骤4
‑
3，训练生成器，将船舶数据和构建好的掩码矩阵输入生成器，获得重构后的生成数据；
[0037]步骤4
‑
4，训练鉴别器，定义船舶数据为正样本，修复数据为负样本，将正负样本作为鉴别器的输入，来评估船舶数据修复的分数值；
[0038]步骤4
‑
5，重复步骤4
‑
3和4
‑
4，使生成器和鉴别器相互博弈、优化，直至修复精度达到预设阈值。
[0039]进一步的，步骤5，利用数据修复模型修复带有缺失值的船舶数据，并对修复的船舶数据进行区分、单元二次修复与合成，实现船舶轨迹的二次修复，具体方法为：
[0040]步骤5
‑
1，针对数据修复模型修复后的轨迹，将完整轨迹分解为若干个时间步长相等的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，所述方法包括以下步骤：步骤1，针对内河或开放水域的航运，通过船舶自动识别系统(AIS)获取船舶航行历史数据；步骤2，根据船舶历史数据，对不同轨迹的船舶进行分类，将分类后的轨迹数据转换为时间步长固定的数据序列，并据此构建缺失数据掩码矩阵；步骤3，以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络为鉴别器，构建生成对抗神经网络；步骤4，利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型；步骤5，利用数据修复模型修复带有缺失值的船舶数据，并对修复的船舶数据进行区分、单元二次修复与合成，实现船舶轨迹的二次修复。2.根据权利要求1所述的基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，步骤1，针对内河或开放水域的航运，通过船舶自动识别系统(AIS)获取船舶航行历史数据，其中船舶数据包括经度、纬度、速度、航向角。3.根据权利要求1所述的基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，步骤2，将分类后的轨迹数据转换为时间步长固定的数据序列，其中固定时间步长为1分钟。4.根据权利要求1所述的基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，步骤2，构建缺失数据掩码矩阵，具体过程为：(1)构建船舶数据矩阵；所述船舶数据矩阵中第i行第j列表示某条船舶轨迹中第i个时间点第j个特征，所述特征包括经度、纬度、速度、航向角；(2)构建缺失数据掩码矩阵；所述缺失数据掩码矩阵与船舶数据矩阵的维度一致，用来表述船舶的缺失数据，若是船舶数据中某个时刻的数据缺失，掩码矩阵的对应位置设置为0，否则设为1。5.根据权利要求1所述的基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，步骤3，以融合时域卷积网络、双向长短期记忆网络和自注意力机制的自编码器为生成器，以双向长短期记忆网络为鉴别器，具体计算流程如下：e
f1
＝TCN
gen
(X,z,m)e
f2
＝BiLSTM
gen_enc
(e
f1
,z,m),z,m),z,m)p＝BiLSTM
dis_dec
(y)式中，m为掩码矩阵，表示数据中缺失的位置，X为船舶数据，z为噪声数据；e
f1
为时域卷积网络TCN
gen
进行一次提取的特征，e
f2
为生成器编码网络BiLSTM
gen_enc
进行二次提取的特征；将e
f1
和e
f2
以残差结构相连可以防止特征的退化，并输入自注意力机制Attention
gen
用
于强调当前轨迹点的数据信息在整条船舶轨迹中的重要性与关联性，feature为自注意力机制输出的融合特征，输入给生成器解码网络BiLSTM
gen_dec
，最终得到重构的生成数据y为经鉴别器编码网络BiLSTM
dis_enc
输出得到的隐藏向量，将y输入给鉴别器解码网络BiLSTM
dis_dec
，得到鉴别器对输入数据的评估分数p。6.根据权利要求1所述的基于生成对抗神经网络的航运AIS数据修复方法，其特征在于，步骤4，利用时间步长固定的数据序列和掩码矩阵训练生成对抗神经网络，得到用于修复船舶数据的数据修复模型，具体训练过程如下：步骤4
‑
1，设置生成器的损失函数如下：其中，式中，m为掩码矩阵，X为船舶数据，z为噪声；
⊙
表示矩阵元素相乘；X'为船舶数据中已知位置的历史数据；X”为船舶数据中缺失位置的生成数据；为船舶数据经过修复后的修复数据；G为生成器；为船舶数据矩阵中缺失位置的历史数据和对应位置生成器产生的修复数据的绝对平均误差，表示修复数据的重构损失；表示鉴别器对修复数据的评估分数；步骤4
‑
2，设置鉴别器的损失函数如下：式中，D为鉴别器，为船舶数据经过修复后的修复数据；表示鉴别器对船舶数据中真实数据的评估分数；表示鉴别器对船舶数据中修复数据的评估分数；步骤4
‑
3，训练生成器，将...

【专利技术属性】
技术研发人员：张伟斌，蒋伟洋，肖业，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：