【技术实现步骤摘要】
本专利技术涉及目标轨迹预测，具体而言，涉及一种利用n-gram统计模型的目标轨迹长时预测方法。
技术介绍
1、对于船舶目标，在交通密度大、情况繁杂的海域轨迹预测对保障海上交通安全具有重要意义，利用船舶交通服务系统准确、有效地对船舶的航行轨迹进行及时跟踪和预测是海上交通事故预警的重要技术支撑。对于空中目标，轨迹预测是空域交通管理中的一项重要技术，对飞行器的轨迹实现精准的预测，是实现空域交通管理智能化的一个必要条件。精准的轨迹预测可以提高空域交通管理的效率，而不准确的轨迹预测会造成空域交通管理的混乱，增加飞行器的飞行危险系数。
2、轨迹预测主要是基于目标历史运动轨迹，对未来可能的位置进行预测。传统的基于运动学模型的船舶目标轨迹预测算法，大都采用kalman滤波算法、改进kalman滤波算法以及自适应滤波等算法，通过对目标的位置、速度等剖面建立运动方程模型，实现对目标轨迹的预测，由于可以根据目标位置报文等数据不断对预测结果进行修正，往往容易达到实际应用所需的精度。由于运动学模型难以精确建模，因此，基于运动学模型的目标位置预测算法一般用于目标的短时(未来几分钟之内)预测，其预测误差会随着预测时间的变长而急剧增大，因此，该类方法不适用于完成对目标较长时间内轨迹进行预测的任务。
3、除卡尔曼滤波和灰度预测等传统预测算在船舶轨迹预测方面得到应用外，有学者使用简单的神经网络进行了船舶轨迹的探究，也有学者提出了一些基于深度学习模型的船舶轨迹预测模型，但预测时间都较短。
4、目标轨迹的长时预测一般预测时间较长，如
5、因此，在当前条件下，对于长时间目标轨迹的预测，通常利用目标历史轨迹数据来完成，并且采用两段式预测方法：首先基于目标历史轨迹的挖掘出的目标经典轨迹规律，然后通过相似性轨迹匹配，实现对目标长时间航线的预测，但是存在经典轨迹挖掘难、轨迹相似度实时匹配难等问题。
技术实现思路
1、为了更好的实现对目标轨迹的长时间预测，本专利技术旨在提供一种利用n-gram统计模型的目标轨迹长时预测方法，以解决现有经典轨迹挖掘—轨迹匹配两段式预测存在的规律挖掘难、轨迹匹配难等问题。
2、本专利技术提供的一种利用n-gram统计模型的目标轨迹长时预测方法，包括如下步骤：
3、步骤1，构建目标轨迹语料库；
4、步骤2，基于目标轨迹语料库，构建基于n-gram统计模型的预测模型；
5、步骤3，基于构建的预测模型和目标实时轨迹对设定预测时间之内的轨迹进行预测。
6、进一步的，步骤1包括如下子步骤：
7、步骤1.1，对于选定的目标历史轨迹，基于时间间隔进行轨迹分割，得到分割后的轨迹序列集合；
8、步骤1.2，针对轨迹序列集合，以geohash编码为基础，构建编码集合；
9、步骤1.3，重复执行步骤1.1～步骤1.2直到所有的目标历史轨迹均被处理，得到全部历史轨迹对应的编码集合，形成以geohash编码为表示方式的目标轨迹语料库。
10、进一步的，步骤1.1中，所述基于时间间隔进行轨迹分割包括：
11、计算目标历史轨迹中所有相邻观测点之间的时间间隔序列；
12、取时间间隔序列的一个分位数作为时间间隔分割门限；
13、将目标历史轨迹中所有相邻观测点之间的时间间隔序列中所有大于分割门限的位置作为分割点，实现对选定的目标历史轨迹的分割，得到相应的轨迹序列集合。
14、进一步的，步骤1.2中，所述构建编码集合包括：
15、针对轨迹序列集合中每条子轨迹序列，首先，基于geohash编码规则和指定的编码长度，对轨迹序列集合中的子轨迹序列进行编码，得到编码序列；然后，去除相邻编码之间的重复编码；接着，针对去重之后的编码序列，检测相邻编码之间是否连通，在不连通编码之间，基于最短原则补充缺失编码，最后，在编码序列末尾添加结束编码，得到geohash编码序列；记录所有子轨迹序列的geohash编码序列，形成编码集合。
16、进一步的，步骤2中，所述n-gram统计模型采用2元统计模型、三元统计模型或更高的统计模型。
17、进一步的，步骤2中，所述构建基于n-gram统计模型的预测模型包括：
18、统计目标轨迹语料库中1元编码出现的频率，形成1元编码频率表；
19、同理，统计目标轨迹语料库中2～n元编码出现的频率，形成2～n元编码频率表；
20、将1元编码频率表和2～n元编码频率表共同构成预测模型。
21、进一步的，步骤3包括如下子步骤：
22、步骤3.1，基于期望的预测时间、目标速度和网格大小，估计轨迹待预测步数lp：
23、lp＝ceil(v×tp/csize)
24、其中，v为目标速度，一般为目标前几个时刻的平均速度，tp为预测时间，csize为geohash编码长度对应的网格大小；
25、步骤3.2，计算目标实时轨迹的初始geohash编码；针对基于n-gram统计模型的预测模型，需要计算截止到最新时刻的n-1个初始geohash编码，且需要满足相邻编码不存在重复编码和缺失编码；
26、步骤3.3，基于目标实时轨迹的初始geohash编码和轨迹待预测步数，利用构建的基于n-gram统计模型的预测模型，结合地理拓扑和束搜索方法进行目标轨迹预测。
27、进一步的，步骤3.3包括如下子步骤：
28、步骤3.3.1，判断目标连续n-1个初始geohash编码是否存在于n-1元编码频率表中，若不存在，则直接中止预测，返回无法实施预测的消息；
29、步骤3.3.2，结合目标只能做上下左右运动的地理拓扑约束，根据目标实时或预测轨迹的最后1个编码值，提取计算目标下步可行动编码；
30、步骤3.3.3，基于n-1元编码频率表和n元编码频率表，计算由连续n-1个初始geohash编码转移到每个可行动编码的条件概率序列p；
31、步骤3.3.4，基于条件概率序列和设置的束搜索大小beam_size，提取条件概率序列中前beam_size个最大概率及其对应的可行动编码，将该可行动编码作为预测编码序列，并本文档来自技高网...
【技术保护点】
1.一种利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1包括如下子步骤：
3.根据权利要求2所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1.1中，所述基于时间间隔进行轨迹分割包括：
4.根据权利要求2所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1.2中，所述构建编码集合包括：
5.根据权利要求1所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤2中，所述N-Gram统计模型采用2元统计模型、三元统计模型或更高的统计模型。
6.根据权利要求5所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤2中，所述构建基于N-Gram统计模型的预测模型包括：
7.根据权利要求6所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤3包括如下子步骤：
8.根据权利要求7所述的利用N-Gram统
9.根据权利要求8所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤3.3中，计算由连续N-1个初始geohash编码转移到每个可行动编码的条件概率序列P：
10.根据权利要求8所述的利用N-Gram统计模型的目标轨迹长时预测方法，其特征在于，步骤3.4中，所述结束条件包括：
...【技术特征摘要】
1.一种利用n-gram统计模型的目标轨迹长时预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的利用n-gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1包括如下子步骤：
3.根据权利要求2所述的利用n-gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1.1中，所述基于时间间隔进行轨迹分割包括：
4.根据权利要求2所述的利用n-gram统计模型的目标轨迹长时预测方法，其特征在于，步骤1.2中，所述构建编码集合包括：
5.根据权利要求1所述的利用n-gram统计模型的目标轨迹长时预测方法，其特征在于，步骤2中，所述n-gram统计模型采用2元统计模型、三元统计模型或更高的统计模型。
6.根据权利要求...
【专利技术属性】
技术研发人员：张海瀛，王明阳，叶丰，王成刚，戴礼灿，赵文彬，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。