【技术实现步骤摘要】
本专利技术属于航海与海洋工程。
技术介绍
1、随着全球海洋运输业的快速发展，船舶航行的安全性与效率变得尤为重要。传统的船舶轨迹预测方法主要依赖于规则和统计模型，这些方法在面对复杂多变的海洋环境时，准确性和鲁棒性存在较大局限性。
2、近年来，深度学习技术在时序数据处理和预测方面展现了强大的能力，尤其是双向长短时记忆网络(bilstm)和变分自编码器(vae)在轨迹预测领域的应用，已成为研究热点。bilstm能够从正反两个方向捕捉轨迹数据的长时间依赖关系，对于时间序列数据的建模具有显著优势。而vae通过潜在变量的学习，能够生成多样化的轨迹数据，提高了预测模型的泛化能力。
3、尽管已有研究在应用深度学习方法进行船舶轨迹预测方面取得了一定进展，但现有方法往往在数据处理、模型训练和预测精度等方面仍存在挑战。因此，亟需一种结合lstm和vae优势的创新方法，以提高船舶轨迹预测的准确性和实用性。
技术实现思路
1、为解决现有技术中在数据不完整、船舶航行路径与环境变化多变情况下，传统模型预测性能显著下降以及无法充分捕捉船舶运动的复杂动态特征的问题，提高复杂海洋环境下船舶轨迹预测准确率，本专利技术提出了一种基于变分自编码器与bilstm的船舶轨迹预测方法。
2、为实现上述技术目的，本专利技术提出的技术方案实施步骤包括：
3、步骤1，轨迹数据预处理：读取ais采集到的船舶轨迹数据作为轨迹预测模型输入数据的特征序列，船舶轨迹数据包括mmsi号、经度、纬度、
4、步骤2，变分自编码器对轨迹数据重构：
5、采用变分自编码器进行轨迹重构，变分自编码器包括编码器和解码器两部分，编码器将输入的步骤1处理后轨迹数据映射到特征空间，解码器通过输入船舶未来轨迹特征数据与编码器中的高维数据从而获取历史数据集的有效数据，建立轨迹信息与历史轨迹信息的关联关系，最后计算出重构后的轨迹。
6、步骤3， 使用双向长短时记忆网络进行轨迹预测：
7、将步骤2中重构后的轨迹数据通过双向长短时记忆神经网络学习轨迹的特性来预测下一时刻的轨迹位置。
8、进一步的，所述步骤1包括以下步骤：
9、步骤1.1，根据ais数据中mmsi号进行数据筛选抽取，提取船舶轨迹的数据点(经度、纬度、对地航速、对地航向)，并按照时间序列进行排序。对船舶轨迹的数据进行清洗，筛除海上停泊、靠岸停港以及速度明显异常的数据。
10、步骤1.2， 将轨迹序列基于设定的滑动窗口大小分割成等长的子轨迹，保证较长的轨迹数据可以完整的分割出来。假设单个轨迹序列的样本为x＝(x0,x1,…,xi,…,xn)，其长度为n，xi表示i时刻的轨迹点。基于长度为m，时间步长为t的滑动窗口分割后的序列为：
11、
12、进一步的，所述步骤2包括以下步骤：
13、步骤2.1，编码阶段，编码器q(z|x)将输入的轨迹数据x编码成潜在变量分布z，其中z为高斯分布。
14、步骤2.2，计算隐变量z的后验概率密度函数为
15、
16、使用q(z|x)来拟合真实后验分布p(z|x)，并采用kl散度来衡量2个分布的相似程度，
17、
18、步骤2.3，计算样本数据x边缘似然函数，
19、lgpθ(xi)＝kl(q(z|xi)||p(z|xi))+ζ(θ,φ；xi)
20、其中，φ为真实后验分布参数；θ为隐层的近似分布参数。由于kl散度非负，且当两个分布相同，kl散度为0，从而lgpθ(xi)≥ζ(θ,φ；xi)，因此ζ(θ,φ；xi)为对数似然函数的变分下界，通过最大化变分下界即可以得到样本集的最优估计。
21、进一步的，所述步骤3包括以下步骤：
22、步骤3.1，构造双向长短时记忆网络，其基本的单元结构由输入门、输出门、遗忘门、细胞状态与隐藏状态组成。
23、其中，ot是输出门，it是输入门，ft是遗忘门，xt是当前时刻输入，σ表示激活函数，具体过程如下：
24、ft＝σ(wf·[ht-1,xt]+bf)
25、it＝σ(wi·[ht-1,xt]+bi)
26、ot＝σ(wo·[ht-1,xt]+bo)
27、ct-1和ct分别表示上一时刻和当前时刻的记忆单元， ct的计算表示为：
28、qt＝tanh(wc·[ht-1,xt]+bc)
29、ct＝ft×ct-1+it×qt
30、网络的最终输出为：
31、ht＝ot*tanh(ct)
32、步骤3.2，通过双向长短时记忆网络获取船舶轨迹特征的前后时间联系，从而对船舶轨迹进行预测。将网络的结果ht经过全连接层输出船舶未来时刻的轨迹。
33、本专利技术能够在复杂海洋环境中实现高效、准确的船舶轨迹预测，显著提升海上导航的安全性和运营效率。
本文档来自技高网...【技术保护点】
1.基于变分自编码器与BiLSTM的船舶轨迹预测方法，其特征在于：
2.根据权利要求1所述的基于变分自编码器与BiLSTM的船舶轨迹预测方法，其特征在于：所述步骤1还包括：
3.根据权利要求1或权利要求2所述的基于变分自编码器与BiLSTM的船舶轨迹预测方法，其特征在于：所述步骤2还包括：
4.根据权利要求3所述的基于变分自编码器与BiLSTM的船舶轨迹预测方法，其特征在于：步骤3还包括：
【技术特征摘要】
1.基于变分自编码器与bilstm的船舶轨迹预测方法，其特征在于：
2.根据权利要求1所述的基于变分自编码器与bilstm的船舶轨迹预测方法，其特征在于：所述步骤1还包括：
3.根据权利要求...
【专利技术属性】
技术研发人员：袁业文，宋虎，庞振宇，
申请(专利权)人：中国船舶集团有限公司第七二四研究所，
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。