【技术实现步骤摘要】
本专利技术涉及船舶轨迹预测领域，尤其涉及一种基于ais数据和深度学习的船舶航迹预测方法与系统。
技术介绍
1、lstm(长短期记忆递归神经网络，long short term memory)自1997年被hochreiter s等[1]提出之后在诸多领域展开应用。lstm及其组合模型在时序预测方面的优越性使得诸多学者开始将lstm模型应用到航迹预测方面。gan s等[2]利用lstm进行船舶航迹的短期预测，并取得了较好的效果。为研究船舶航行轨迹的长期预测，ding m等[3]提出了一种新颖的变分lstm的船舶航行轨迹的预测方法，基于ais数据预测船舶未来5-20分钟的轨迹，预测特征包括经度、纬度、航速和航向。gao m等[4]通过构建双向长短时记忆神经网络模型，建立了一种适用于ais数据和时间序列的船舶行为预测模型，对船舶航行行为进行预测，并进行了在线参数调整，双向结构增强了历史数据与未来数据的关联程度，提高了预测的精度，通过长短时记忆的“遗忘门”，记忆普遍的行为模式，遗忘特殊的行为，提高了模型的泛化能力。capobianco s等[5]构建了一种基于编码器-解码器的lstm循环神经网络的序列对序列的船舶轨迹预测方法，通过历史ais数据证明了该模型的有效性。wang r x等[6]通过将多步预测与单步预测方法相比，采用多步预测方法研究其能否为分析船舶行为及预测其轨迹提供更丰富的空间信息参考。ljunggren h[7]和xiang j等[8]分别采用cnn与gru识别船舶捕捞行为，该过程无需设定复杂参数，且相较于传统模型，cnn
2、dwg a等[9]通过将船舶的时间与空间信息统一起来，同时采用三次样条插值的方法并利用船舶的历史轨迹数据对船舶未来的路线进行预测，该方法结合了tpnet(trajectory proposal network for motion prediction,tpnet)和lstm的优点，能够同时预测时间和空间，平衡了预测过程中的复杂性和准确性，易于实现，适合实时分析，具有较高的预测精度。luo w等[10]提出了一种基于矢量分析的预测方法，对船舶航行轨迹进行预测，并利用强化学习的方法提高预测精度。
3、上述算法都对船舶航行轨迹的预测进行了深入的研究，但长短期记忆网络存在着一些不足，长短期记忆网络中的隐藏层对输入序列只能进行平均处理，即对输入序列的所有特征给予相同的权重，无法对序列中的关键信息给予更多的关注，使得计算量大、预测精度低。
技术实现思路
1、本专利技术提供一种基于ais数据和深度学习的船舶航迹预测方法与系统，以克服上述技术问题。
2、一种基于ais数据和深度学习的船舶航迹预测方法，包括，
3、步骤1、构建transformer模型，对transformer模型进行改进，所述对transformer模型进行改进为将lstm嵌入在transformer模型的encoder中并表示为transformer-lstm模型，
4、步骤2、获取ais数据集，对ais数据集进行预处理，根据预处理后的ais数据集构建轨迹数据集，将轨迹数据集划分为训练集和测试集，
5、步骤3、根据训练集对transformer-lstm模型进行训练，其中，根据transformer-lstm模型对训练集中数据的特征赋予不同的权重，
6、根据测试集对训练后的transformer-lstm模型进行测试，根据测试结果选择训练后的transformer-lstm模型，
7、步骤4、获取待预测的船舶历史轨迹，根据待预测的船舶历史轨迹和所选择的transformer-lstm模型对待预测船舶的未来轨迹点进行预测，并将未来轨迹点作为参考点，
8、步骤5、根据船舶当前位置与参考点之间的位置关系进行航行预警。
9、优选地，所述对ais数据集进行预处理包括剔除异常值、根据轨迹时间窗平滑滤波法进行轨迹时间平滑、根据三次样条插值进行插值处理、对数据进行重采样以及均值归一化处理。
10、优选地，所述步骤5包括获取待预测船舶所在主航道的航道宽度和船舶自身宽度，设置低档阈值和高档阈值，以低档阈值为半径、参考点为圆心在主航道内绘制圆并作为安全区域，以高档阈值为半径、参考点为圆心在主航道内绘制圆并将除安全区域的部分作为次安全区域，判断待预测船舶当前位置是否位于安全区域内，若位于，则表示待预测船舶位置正常，反之继续判断待预测船舶当前位置是否位于次安全区域内，若位于，则表示待预测船舶的位置轻微异常，并将轻微异常情况反馈至工作人员并进行预警提醒，反之表示待预测船舶位置严重偏航，并将严重偏航情况反馈至工作人员并进行偏航预警。
11、优选地，所述低档阈值与高档阈值的关系为低档阈值小于高档阈值，且低档阈值大于船长和船宽。
12、一种船舶航迹预测系统，包括模型构建模块、数据处理模块、模型训练模块、轨迹预测模块以及航行预警模块，
13、所述模型构建模块用于构建transformer模型，并对transformer模型进行改进，所述对transformer模型进行改进为将lstm嵌入在transformer模型的encoder中并表示为transformer-lstm模型，
14、数据处理模块用于获取ais数据集，对ais数据集进行预处理，根据预处理后的ais数据集构建轨迹数据集，将轨迹数据集划分为训练集和测试集，
15、模型训练模块用于根据训练集对transformer-lstm模型进行训练，根据transformer-lstm模型对训练集中数据的特征赋予不同的权重，根据测试集对训练后的transformer-lstm模型进行测试，根据测试结果选择训练后的transformer-lstm模型，
16、轨迹预测模块用于获取待预测的船舶历史轨迹，根据待预测的船舶历史轨迹和所选择的transformer-lstm模型对待预测船舶的未来轨迹点进行预测，并将未来轨迹点作为参考点，
17、航行预警模块用于根据船舶当前位置与参考点之间的位置关系进行航行预警。
18、本专利技术提供一种基于ais数据和深度学习的船舶航迹预测方法与系统，采用的transformer-lstm模型预测精度高、预测误差小，可以准确预测船舶未来一段时间的时空位置。同时以transformer-lstm模型的预测结果为参考，建立了预警机制，对船舶偏离航道的行为进行预警，对保障船舶航行安全具有十分重要的现实意义。
本文档来自技高网...【技术保护点】
1.一种基于AIS数据和深度学习的船舶航迹预测方法，其特征在于，包括，
2.根据权利要求1所述的一种基于AIS数据和深度学习的船舶航迹预测方法，其特征在于，所述对AIS数据集进行预处理包括剔除异常值、根据轨迹时间窗平滑滤波法进行轨迹时间平滑、根据三次样条插值进行插值处理、对数据进行重采样以及均值归一化处理。
3.根据权利要求1所述的一种基于AIS数据和深度学习的船舶航迹预测方法，其特征在于，所述步骤5包括获取待预测船舶所在主航道的航道宽度和船舶自身宽度，设置低档阈值和高档阈值，以低档阈值为半径、参考点为圆心在主航道内绘制圆并作为安全区域，以高档阈值为半径、参考点为圆心在主航道内绘制圆并将除安全区域的部分作为次安全区域，判断待预测船舶当前位置是否位于安全区域内，若位于，则表示待预测船舶位置正常，反之继续判断待预测船舶当前位置是否位于次安全区域内，若位于，则表示待预测船舶的位置轻微异常，并将轻微异常情况反馈至工作人员并进行预警提醒，反之表示待预测船舶位置严重偏航，并将严重偏航情况反馈至工作人员并进行偏航预警。
4.根据权利要求3所述的一种基于AIS
5.一种基于权利要求1所述方法的船舶航迹预测系统，其特征在于，包括模型构建模块、数据处理模块、模型训练模块、轨迹预测模块以及航行预警模块，
...【技术特征摘要】
1.一种基于ais数据和深度学习的船舶航迹预测方法，其特征在于，包括，
2.根据权利要求1所述的一种基于ais数据和深度学习的船舶航迹预测方法，其特征在于，所述对ais数据集进行预处理包括剔除异常值、根据轨迹时间窗平滑滤波法进行轨迹时间平滑、根据三次样条插值进行插值处理、对数据进行重采样以及均值归一化处理。
3.根据权利要求1所述的一种基于ais数据和深度学习的船舶航迹预测方法，其特征在于，所述步骤5包括获取待预测船舶所在主航道的航道宽度和船舶自身宽度，设置低档阈值和高档阈值，以低档阈值为半径、参考点为圆心在主航道内绘制圆并作为安全区域，以高档阈值为半径、参考点为圆心在主航道内绘制圆并将除安全区域的部分作...
【专利技术属性】
技术研发人员：李伟峰，史国友，王庆武，马麟，李娜，
申请(专利权)人：大连海事大学，
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。