【技术实现步骤摘要】
本专利技术属于船舶航迹预测，具体涉及一种基于周围船舶影响图和不确定估计的船舶航迹预测方法。
技术介绍
1、随着全球贸易体量的不断扩大，海上运输作为一种高效且经济的跨洋运输手段，保障船舶的航行安全和效率显得尤为关键。在这一背景下，船舶航迹预测技术在提升海上导航安全与海事交通管理效率方面扮演了不可或缺的角色。此技术不仅有助于预防船舶碰撞事故，也为航线规划、港口运营、以及异常行为检测等领域提供了决策支持。然而，船舶行为的不确定性、海洋环境的复杂性以及船只间动态的相互作用，共同增加了船舶航迹预测的挑战性。
2、船舶航迹预测对于完善海上智能运输管理系统具有重要的意义，是当前的研究热点。随着研究的不断深入，该领域的发展过程可以大致分为三个阶段：早期主要采用基于运动学的仿真方法，在第二阶段中统计方法和机器学习方法同步发展，而现阶段基于深度学习的方法已成为研究主流。本节旨在简要回顾船舶航迹预测方法的发展历程，并分析当前研究的主要挑战。
3、最初阶段的研究工作集中于运用船舶物理模型和运动学方程进行位置预测的传统方法。这些基于物理模型的方法为理解船舶的基本运动模式提供了理论基础，但在处理海上繁忙区域中的动态和复杂相互作用时表现出局限性。其主要缺陷在于难以适应海上交通的非线性和多变性，导致预测精度在复杂场景下显著下降。
4、在随后的发展中，统计方法与基于机器学习的方法成为该领域的两大主流。统计方法主要包括基于蒙特卡洛模型、随机过程、马尔可夫链以及滤波等技术的方法，这类方法使用手工设计的数据模型拟合船舶历史航迹数据，
5、机器学习方法中的支持向量回归(svr)、反向传播神经网络(bpnn)和人工神经网络(ann)等技术，因具有较强的非线性拟合能力而被广泛应用于船舶航迹预测领域。此外，如k-means等聚类技术也被用于对原始航迹数据的线聚类或点聚类。线聚类方法常被用于航迹的预分类，再针对不同类别的航迹训练精细化模型以提升预测精度。另一方面，点聚类方法通常用于提取海上关键航路点，构建海上交通网络模型。这种方法通过估计下一航路点来判断船舶当前所处航路，再预测船舶未来航迹。这类方法通常在长期航迹预测中表现较好，且具备一定的可解释性。
6、随着近年来深度学习模型的广泛应用与普及，这类方法逐步成为船舶航迹预测的研究焦点。这主要是由于深度学习模型能够从大量历史数据中自动提取特征，识别航迹数据中的复杂模式，并进行有效的时间序列分析。如卷积神经网络、长短时记忆网络、双向长短时记忆网络、双向门控循环单元、序列到序列的模型、生成对抗网络、图卷积神经网络和transformer等深度学习模型，及各类组合或变体，均被研究者们广泛探索与尝试。得益于硬件计算能力的提升和深度学习技术的不断优化，这类方法显著提高了复杂场景下中短期航迹预测的准确性和可靠性。
7、尽管深度学习方法取得了显著成就，但当前研究依然存在局限性。首先，多数研究集中于使用经度、纬度、航速、航向信息进行预测，而忽略了船舶未来行动可能受到的其他影响因素。此外，在拥挤海域航行时，船舶行为显著受到周围船舶的影响。最后，在基于深度学习的船舶航迹预测任务中，由于预测模型是一个黑盒，因此量化预测的不确定性与获得高精度的预测结果同样重要。
技术实现思路
1、本专利技术的目的在于克服现有技术缺陷，提出了一种基于周围船舶影响图和不确定估计的船舶航迹预测方法。提出了一种新颖的序列到序列的模型——vessel influencelstm（vi-lstm），旨在通过结合环境因素、船舶静态特征以及周围船舶的影响，提高船舶航迹预测的准确性和可靠性。本模型中涉及的多个创新性结构，均易于与现有的航迹智能预测模型集成，具有广泛的应用潜力。
2、为了实现上述目的，本专利技术提出了一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：
3、获取目标船舶包括运动要素、环境要素、船舶静态要素和周围船舶影响要素的多源信息；
4、以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；
5、将目标船舶的多源信息及标准化描述输入预先建立和训练好的航迹预测模型，通过融合海上交通环境的多源信息，捕捉船舶航行中的自身运动模式和周围环境的时序变化规律，得到目标船舶的未来预测位置；
6、通过未来预测位置的高斯分布并结合mc dropout技术估计预测结果的置信范围；
7、所述航迹预测模型包括编码器和解码器，其中，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，并通过单向长短期记忆网络逐步预测出目标船舶的未来轨迹。
8、优选的，其特征在于，
9、所述运动要素包括：t时刻的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速；
10、所述环境要素包括：海水深度和时间状态；其中，所述海水深度根据目标船舶在t时刻的经纬度位置，从gebco全球水深数据集中获取；所述时间状态的获取包括：根据t时刻及目标船舶经纬度位置，计算时空位置的太阳高度，若太阳高度低于第一设定值则时间状态为夜间，若太阳高度高于第二设定值则时间状态为白天，其他情况则时间状态为黎明或黄昏；
11、所述船舶静态要素包括：目标船舶的长度、宽度、类型和水上移动业务标识码；
12、所述周围船舶影响要素为：t时刻目标船舶受到周围船舶k的影响，包括t时刻船舶k的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速，船舶k的长度、宽度，以及船舶k与目标船舶的最近点接近距离，最近点接近时间和驾驶环境压力量化模型。
13、优选的，所述驾驶环境压力量化模型满足下式：
14、
15、其中，表示两船之间的距离，表示两船的平均船长，是根据船舶相对方位调整的回归系数。
16、优选的，所述以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；包括：
17、以目标船舶为中心，以其航向方向为0°基准，将其周围空间按照设定角度划分为12个不同的区域，编号i从1至12号，每个区域代表与目标船舶的设定相对位置关系，其中，1-6号区域覆盖0-2海里，7、8和11号区域为2-6海里，9和10号区域为2-4海里，12号区域为2-8海里，6号和12号区域为迎面模式，1,2,5,7,8,11号为交叉模式，3,4,9,10号区域为超车模式，定义船舶影响图，对于t时刻区域i内的船舶影响要素集合，对应的船舶数量为，特征向量为，分别满足下式：
18、<mstyle displaystyle="true" mathcolor="#00000本文档来自技高网...
【技术保护点】
1.一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：
2.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，
3.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述驾驶环境压力量化模型满足下式：
4.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；包括：
5.根据权利要求4所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；包括：
6.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，包括：
7.根据权利要求6所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码
8.根据权利要求7所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码器的处理还包括：
9.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述航迹预测模型采用逐步衰减的教师强制策略进行训练，采用的损失函数为时序加权混合损失函数，根据以下步骤进行计算：
10.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；包括：
...【技术特征摘要】
1.一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：
2.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，
3.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述驾驶环境压力量化模型满足下式：
4.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；包括：
5.根据权利要求4所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；包括：
6.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解...
【专利技术属性】
技术研发人员：郭志远，彭晓东，强惠敏，
申请(专利权)人：中国科学院国家空间科学中心，
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。