【技术实现步骤摘要】
本专利技术涉及轨迹预测，尤其涉及一种作业渔船航行轨迹预测方法、装置、设备、介质及产品。
技术介绍
1、渔船轨迹预测是基于渔船历史轨迹数据，通过分析和建模，预测未来一段时间内渔船的运动轨迹。这项任务对于提高船舶管理、海上安全和渔业资源利用效率等具有重要意义。传统的渔船轨迹预测方法通常基于统计模型或物理模型，但这些方法往往依赖于领域专家知识和人工特征工程，在处理复杂的海洋环境和多变的渔业活动时存在一定的局限性。
2、当前，对于渔船轨迹的预测分析方法主要依赖于深度学习特征提取技术。这种方法通常通过对渔船行为进行建模，从原始轨迹数据中提取有意义的特征，以支持后续的预测任务。然而，该方法并未充分考虑轨迹数据中的时序关系，预测模型的准确性有待提高。
技术实现思路
1、本专利技术提供一种作业渔船航行轨迹预测方法、装置、设备、介质及产品，用以解决现有技术并未充分考虑轨迹数据中的时序关系，预测模型的准确性有待提高的缺陷。
2、本专利技术提供一种作业渔船航行轨迹预测方法，包括如下步骤：获取待预测作业渔船的ais数据；输入所述ais数据至预先训练完成的轨迹预测模型，得到所述待预测作业渔船的预测轨迹。
3、其中，所述轨迹预测模型的训练步骤，包括：获取作业渔船的历史ais数据，根据所述历史ais数据得到标准ais数据；基于注意力机制和多尺度机制对cnn-lstm模型进行改进，得到改进的cnn-lstm模型；基于所述标准ais数据对所述改进的cnn-lstm模型进行训练，得
4、根据本专利技术提供的一种作业渔船航行轨迹预测方法，所述cnn-lstm模型包括cnn模块以及与所述cnn模块的输出端连接的lstm模块，所述基于注意力机制和多尺度机制对cnn-lstm模型进行改进，得到改进的cnn-lstm模型，包括如下步骤。
5、在所述cnn模块的输入端设置注意力模块，所述注意力模块用于基于内容的注意力机制确定所述标准ais数据或所述ais数据在每一时间步中的注意力权重，根据所述注意力权重对所述标准ais数据进行加权求和操作，得到注意力调节后的标准ais数据。
6、调整所述cnn模块的卷积核参数或池化层参数，得到多尺度cnn模块，所述多尺度cnn模块用于提取所述注意力调节后的标准ais数据在不同时间尺度下的空间特征并进行特征融合，得到多尺度融合特征。
7、基于所述注意力模块、所述多尺度cnn模块和所述lstm模块，得到所述改进的cnn-lstm模型，所述lstm模块用于提取所述多尺度融合特征的时间特征。
8、根据本专利技术提供的一种作业渔船航行轨迹预测方法，所述根据所述注意力权重对所述标准ais数据进行加权求和操作的计算公式如下：
9、
10、其中，softmax为激活函数，w为注意力权重，feature_t为第t个时间步的标准ais数据，n为时间步总数。
11、根据本专利技术提供的一种作业渔船航行轨迹预测方法，所述多尺度cnn模块的输入数据由数据高度、数据宽度和数据通道构成的三维张量，所述多尺度cnn模块包括多个卷积层、激活函数、池化层和全连接层，所述卷积层用于基于互相关进行卷积操作；所述激活函数用于对所述卷积层输出的特征图进行非线性变换；所述池化层用于基于最大池化对所述卷积层输出的特征图进行下采样操作。
12、根据本专利技术提供的一种作业渔船航行轨迹预测方法，所述根据所述历史ais数据得到标准ais数据，包括：对所述历史ais数据进行数据清洗；基于预设数据格式对清洗后的所述历史ais数据进行格式化转换，所述预设数据格式为船舶唯一标识符、航度、经度、纬度、航向、上传时间；对格式化转换后的所述历史ais数据进行归一化处理，得到所述标准ais数据。
13、其中，归一化处理的公式如下：
14、
15、其中，x是历史ais数据，是历史ais数据的均值，σ是历史ais数据的标准差。
16、根据本专利技术提供的一种作业渔船航行轨迹预测方法，在所述得到所述待预测作业渔船的预测轨迹之后，还包括：获取所述待预测作业渔船的作业环境数据和当前作业目标；根据所述作业环境数据、所述当前作业目标和所述预测轨迹，对所述待预测作业渔船进行轨迹异常检测。
17、本专利技术还提供一种作业渔船航行轨迹预测装置，包括训练模块、获取模块和预测模块。
18、训练模块，用于获取作业渔船的历史ais数据，根据所述历史ais数据得到标准ais数据；基于注意力机制和多尺度机制对cnn-lstm模型进行改进，得到改进的cnn-lstm模型；基于所述标准ais数据对所述改进的cnn-lstm模型进行训练，得到所述轨迹预测模型。
19、获取模块，用于获取待预测作业渔船的ais数据。
20、预测模块，用于输入所述ais数据至预先训练完成的轨迹预测模型，得到所述待预测作业渔船的预测轨迹。
21、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作业渔船航行轨迹预测方法。
22、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作业渔船航行轨迹预测方法。
23、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述作业渔船航行轨迹预测方法。
24、本专利技术提供的作业渔船航行轨迹预测方法、装置、设备、介质及产品，通过注意力机制和多尺度机制对cnn-lstm模型进行改进，对改进的cnn-lstm模型训练得到轨迹预测模型，可以提高渔船航行轨迹预测中的性能，使预测结果更加准确和可靠。
本文档来自技高网...【技术保护点】
1.一种作业渔船航行轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的作业渔船航行轨迹预测方法，其特征在于，所述CNN-LSTM模型包括CNN模块以及与所述CNN模块的输出端连接的LSTM模块，所述基于注意力机制和多尺度机制对CNN-LSTM模型进行改进，得到改进的CNN-LSTM模型，包括：
3.根据权利要求2所述的作业渔船航行轨迹预测方法，其特征在于，所述根据所述注意力权重对所述标准AIS数据进行加权求和操作的计算公式如下：
4.根据权利要求2所述的作业渔船航行轨迹预测方法，其特征在于，所述多尺度CNN模块的输入数据由数据高度、数据宽度和数据通道构成的三维张量，所述多尺度CNN模块包括多个卷积层、激活函数、池化层和全连接层，所述卷积层用于基于互相关进行卷积操作；所述激活函数用于对所述卷积层输出的特征图进行非线性变换；所述池化层用于基于最大池化对所述卷积层输出的特征图进行下采样操作。
5.根据权利要求1所述的作业渔船航行轨迹预测方法，其特征在于，所述根据所述历史AIS数据得到标准AIS数据，包括：
6.根据权利
7.一种作业渔船航行轨迹预测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述作业渔船航行轨迹预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作业渔船航行轨迹预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作业渔船航行轨迹预测方法。
...【技术特征摘要】
1.一种作业渔船航行轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的作业渔船航行轨迹预测方法，其特征在于，所述cnn-lstm模型包括cnn模块以及与所述cnn模块的输出端连接的lstm模块，所述基于注意力机制和多尺度机制对cnn-lstm模型进行改进，得到改进的cnn-lstm模型，包括：
3.根据权利要求2所述的作业渔船航行轨迹预测方法，其特征在于，所述根据所述注意力权重对所述标准ais数据进行加权求和操作的计算公式如下：
4.根据权利要求2所述的作业渔船航行轨迹预测方法，其特征在于，所述多尺度cnn模块的输入数据由数据高度、数据宽度和数据通道构成的三维张量，所述多尺度cnn模块包括多个卷积层、激活函数、池化层和全连接层，所述卷积层用于基于互相关进行卷积操作；所述激活函数用于对所述卷积层输出的特征图进行非线性变换；所述池化层用于基于最大池化对所述卷积层输出的特征图进行下采样操作。...
【专利技术属性】
技术研发人员：闫敏，李林，张宇，李延真，李佳康，
申请(专利权)人：北京市天元网络技术股份有限公司，
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。