CN111091248A - 一种船舶路径规划方法及系统 - Google Patents
一种船舶路径规划方法及系统 Download PDFInfo
- Publication number
- CN111091248A CN111091248A CN201911368230.2A CN201911368230A CN111091248A CN 111091248 A CN111091248 A CN 111091248A CN 201911368230 A CN201911368230 A CN 201911368230A CN 111091248 A CN111091248 A CN 111091248A
- Authority
- CN
- China
- Prior art keywords
- track information
- ship
- training
- regression model
- nonlinear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种船舶路径规划方法，包括：获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；将第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；通过非均匀有理B样条对第二轨迹信息进行插值处理，得到第二轨迹信息对应的时间等分的坐标数据；建立基于神经网络的非线性回归模型，将坐标数据按照预设的比例分为训练集和测试集；通过训练集和测试集对非线性回归模型进行训练以及验证，得到第二轨迹信息中时间序列与位置坐标之间的非线性关系；根据非线性关系对船舶的路径进行规划。本发明提供的一种船舶路径规划方法，能够有效提高提高船舶路径规划的可靠性以及准确性。
Description
技术领域
本发明涉及路径规划技术领域，尤其涉及一种船舶路径规划方法及系统。
背景技术
海洋运输在当前各国之间的贸易中扮演着极其重要的角色。而船舶的路径规划问题一直深刻影响着海洋运输的发展,并且其逐步向智能化方向发展。近年来,随着各种智能算法的提出和广泛应用,路径规划问题研究取得了较好成果,但也存在一些问题。现有的船舶路径规划方法为基于链接图法建立海洋环境模型,再利用单源最短路径Dijkstra算法在所建立的环境模型上规划出初始路径。其次,在利用线性递减惯性权重粒子群算法进行路径规划后,采用删除冗余点的方法进行平滑优化处理以增强路径的实用性。
使用现有的船舶路径规划方法，存在以下问题：
线性递减惯性权重粒子群算法存在的容易陷入局部最优解的精度差问题,无法准确对船舶的路劲进行规划。
发明内容
本发明实施例提供一种船舶路径规划方法及系统，能够有效提高提高船舶路径规划的可靠性以及准确性。
为了实现上述目的，一方面，本发明的一个实施例提供了一种船舶路径规划方法，包括：
获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
通过非均匀有理B样条对所述第二轨迹信息进行插值处理，得到所述第二轨迹信息对应的时间等分的坐标数据；
建立基于神经网络的非线性回归模型，将所述坐标数据按照预设的比例分为训练集和测试集；
通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，得到所述第二轨迹信息中时间序列与位置坐标之间的非线性关系；
根据所述非线性关系对船舶的路径进行规划。
进一步地，所述将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息，具体为：
将所述第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
进一步地，在所述将所述第一轨迹信息中的坐标进行转换，得到第二轨迹信息之后，还包括：
获取所述第二轨迹信息中路径长度的四分位数，根据所述四分位数与所述第二轨迹信息中的各个数据之间的关系计算异常值，并将所述异常值进行删除，得到异常值删除后的第二轨迹信息。
进一步地，所述通过非均匀有理B样条对所述第二轨迹信息进行插值处理，具体为：
通过非均匀有理B样条对所述坐标数据进行处理，得到所述第二轨迹信息中船舶位置点之间的样条曲线，根据所述样条曲线对所述第二轨迹信息进行插值处理。
进一步地，所述通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，得到所述第二轨迹信息中时间序列与位置坐标之间的非线性关系，具体为：
设置所述非线性回归模型的输入为时间序列，输出为位置坐标，通过所述训练集对所述给线性回归模型进行训练得到所述时间序列和所述位置坐标的模型关系；
通过所述测试集对所述非线性回归模型进行验证，获得所述时间序列与所述位置坐标的非线性关系。
另一方面，本发明的另一实施例提供了一种船舶路径规划系统，包括：获取模块、转换模块、插值处理模块、模型建立模块、训练及验证模块和规划模块；
所述获取模块，用于获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
所述转换模块，用于将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
所述插值处理模块，用于通过非均匀有理B样条对所述第二轨迹信息进行插值处理，得到所述第二轨迹信息对应的时间等分的坐标数据；
所述模型建立模块，用于建立基于神经网络的非线性回归模型，将所述坐标数据按照预设的比例分为训练集和测试集；
所述训练及验证模块，用于通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，所述第二轨迹信息中时间序列与位置坐标之间的非线性关系；
所述规划模块，用于根据所述非线性关系对船舶的路径进行规划。
进一步地，所述转换模块，具体为：
将所述第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
进一步地，所述路径规划系统还包括异常值处理模块；所述异常值处理模块用于获取所述第二轨迹信息中路径长度的四分位数，根据所述四分位数与所述第二轨迹信息中的各个数据之间的关系计算异常值，并将所述异常值进行删除，得到异常值删除后的第二轨迹信息。
进一步地，所述插值处理模块，具体为：
通过非均匀有理B样条对所述坐标数据进行处理，得到所述第二轨迹信息中船舶位置点之间的样条曲线，根据所述样条曲线对所述第二轨迹信息进行插值处理。
进一步地，所述训练及验证模块，具体为：
设置所述非线性回归模型的输入为时间序列，输出为位置坐标，通过所述训练集对所述给线性回归模型进行训练得到所述时间序列和所述位置坐标的模型关系；
通过所述测试集对所述非线性回归模型进行验证，获得所述时间序列与所述位置坐标的非线性关系。
本发明实施例通过对获取的第一轨迹信息进行坐标转换得到第二轨迹信息，有利于在深度学习中的归一处理和缩放处理；并通过非均匀有理B样条对第二轨迹信息进行插值处理，能够得到时间等分的坐标数据，将时间等分的坐标数据按照预设的比例分为训练集和测试集对非线性回归模型进行训练和验证，能够准确得到时间序列和位置坐标的非线性关系，从而能够有效提高船舶路径规划的可靠性。
附图说明
图1是本发明一实施例提供的船舶路径规划方法的流程示意图；
图2是本发明一实施例提供的船舶路径规划系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1：
本发明的第一实施例。
本发明实施例提供的一种船舶路径规划方法，包括：
S1、获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
在本发明实施例中，通过将历史数据进行整理为三个csv文件，包括船舶信息、航程信息和轨迹信息。
S2、将第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
在本发明实施例中，通过将第一轨迹信息中的球面坐标进行转换，有利于后续深度学习的归一处理和缩放处理，从而能够有效提高路径规划的可靠性。
S3、通过非均匀有理B样条对第二轨迹信息进行插值处理，得到第二轨迹信息对应的时间等分的坐标数据；
在本发明实施例中，通过非均匀有利样条对第二轨迹信息进行插值处理，能够有效解决第二轨迹信息中存在的连续性问题以及数据残缺问题，从而有利于提高获取的时间序列和位置关系之间的非线性关系的可靠性，进而能够有效提高船舶路径规划的准确性和可靠性。
S4、建立基于神经网络的非线性回归模型，将坐标数据按照预设的比例分为训练集和测试集；
在本发明实施例中，将80％的坐标数据作为训练集，将剩余的20％坐标数据作为测试集。
S5、通过训练集和测试集对非线性回归模型进行训练以及验证，得到第二轨迹信息中时间序列与位置坐标之间的非线性关系；
S6、根据非线性关系对船舶的路径进行规划。
在本发明实施例中，由于获取的船舶历史数据规模大，利用Tensorflow(端到端的开源的机器学习框架)基础设施，建立一个多层神经网络模型用于非线性回归模型的计算，同时，利用GPU计算能力缩短整体的计算时间。本发明实施例中，神经网络包含一个全连接(dense)层作为输入层，输入维度与数据维度一致；同时包含两个使用双曲正切函数(tanh)作为激活函数的全连接层作为隐藏层，且模型采取随机梯度下降(SGD)作为优化器，使用均方误差(MSE)作为损失函数。
本发明实施例中，可以根据时间序列与位置坐标的非线性关系船舶ETA、预测船舶位置、推演船舶与气象等风险因素的位置关系和规避风险等，能够有效提高船舶行驶的安全性。
作为本发明实施例的一种具体实施方式，将第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息，具体为：
将第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
在本发明实施例中，通过将第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，通过三维笛卡尔坐标的坐标数据对非线性模型进行训练及验证，有利于后续深度学习的归一处理和缩放处理，从而有利于提高得到的时间序列和位置坐标之间非线性关系的准确性和可靠性，进而能够有效提高路径规划的可靠性。
作为本发明实施例的一种具体实施方式，在将第一轨迹信息中的坐标进行转换，得到第二轨迹信息之后，还包括：
获取第二轨迹信息中路径长度的四分位数，根据四分位数与第二轨迹信息中的各个数据之间的关系计算异常值，并将异常值进行删除，得到异常值删除后的第二轨迹信息。
在本发明实施例中，通过对于第二轨迹信息中的异常值进行处理，能够有效提高第二轨迹信息中坐标数据的有效性。
其中，计算表达式为：
最小预估值：Q1-k(Q3-Q1)；
最大预估值：Q3+k(Q3-Q1)；
K等于1.5时为中度异常，k等于3时为极度异常。
作为本发明实施例的一种具体实施方式，通过非均匀有理B样条对第二轨迹信息进行插值处理，具体为：
通过非均匀有理B样条对坐标数据进行处理，得到第二轨迹信息中船舶位置点之间的样条曲线，根据样条曲线对第二轨迹信息进行插值处理。
在本发明实施例中，通过非均匀有理B样条生成船舶位置点之间的样条曲线，并且通过设置曲线的阶次为3阶，获得C2连续性的样条曲线。本发明实施例通过样条曲线对第二轨迹信息进行插值处理，能够有效解决历史坐标数据中的连续性为以及出具残缺问题，从而提高数据的可靠性。
作为本发明实施例的一种具体实施方式，通过训练集和测试集对非线性回归模型进行训练以及验证，得到第二轨迹信息中时间序列与位置坐标之间的非线性关系，具体为：
设置非线性回归模型的输入为时间序列，输出为位置坐标，通过训练集对给线性回归模型进行训练得到时间序列和位置坐标的模型关系；
通过测试集对非线性回归模型进行验证，获得时间序列与位置坐标的非线性关系。
在本发明实施例中，通过实时监控训练集和测试集在训练和验证过程中的损失变化，能够准确获得非线性模型的有效性变化；本发明实施例通过多次对模型在训练集和测试集上批次(epoch)设置，绘制在两个数据集上的准确率和损失变化曲线，两者交叉点即为模型欠拟合和过拟合的分界点，从而获得最佳拟合的训练批次(epoch)设置，进而能够获得最优的时间序列和位置坐标之间的非线性关系，进而能够有效提高船舶路径规划的可靠性。
实施本发明实施例，具有以下有益效果：
本发明实施例通过对获取的第一轨迹信息进行坐标转换得到第二轨迹信息，有利于在深度学习中的归一处理和缩放处理；并通过非均匀有理B样条对第二轨迹信息进行插值处理，能够得到时间等分的坐标数据，将时间等分的坐标数据按照预设的比例分为训练集和测试集对非线性回归模型进行训练和验证，能够准确得到时间序列和位置坐标的非线性关系，从而能够有效提高船舶路径规划的可靠性。
请参阅图2：
本发明的第二实施例。
本发明实施例提供的一种船舶路径规划系统，包括：获取模块10、转换模块20、插值处理模块30、模型建立模块40、训练及验证模块50和规划模块60；
获取模块10，用于获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
在本发明实施例中，通过将历史数据进行整理为三个csv文件，包括船舶信息、航程信息和轨迹信息。
转换模块20，用于将第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
插值处理模块30，用于通过非均匀有理B样条对第二轨迹信息进行插值处理，得到第二轨迹信息对应的时间等分的坐标数据；
在本发明实施例中，通过非均匀有利样条对第二轨迹信息进行插值处理，能够有效解决第二轨迹信息中存在的连续性问题以及数据残缺问题，从而有利于提高获取的时间序列和位置关系之间的非线性关系的可靠性，进而能够有效提高船舶路径规划的准确性和可靠性。
模型建立模块40，用于建立基于神经网络的非线性回归模型，将坐标数据按照预设的比例分为训练集和测试集；
在本发明实施例中，将80％的坐标数据作为训练集，将剩余的20％坐标数据作为测试集。
训练及验证模块50，用于通过训练集和测试集对非线性回归模型进行训练以及验证，第二轨迹信息中时间序列与位置坐标之间的非线性关系；
规划模块60，用于根据非线性关系对船舶的路径进行规划。
在本发明实施例中，由于获取的船舶历史数据规模大，利用Tensorflow(端到端的开源的机器学习框架)基础设施，建立一个多层神经网络模型用于非线性回归模型的计算，同时，利用GPU计算能力缩短整体的计算时间。本发明实施例中，神经网络包含一个全连接(dense)层作为输入层，输入维度与数据维度一致；同时包含两个使用双曲正切函数(tanh)作为激活函数的全连接层作为隐藏层，且模型采取随机梯度下降(SGD)作为优化器，使用均方误差(MSE)作为损失函数。
作为本发明实施例的一种具体实施方式，转换模块20，具体为：
将第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
在本发明实施例中，通过将第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，通过三维笛卡尔坐标的坐标数据对非线性模型进行训练及验证，有利于后续深度学习的归一处理和缩放处理，从而有利于提高得到的时间序列和位置坐标之间非线性关系的准确性和可靠性，进而能够有效提高路径规划的可靠性。
作为本发明实施例的一种具体实施方式，还包括异常值处理模块；异常值处理模块用于获取第二轨迹信息中路径长度的四分位数，根据四分位数与第二轨迹信息中的各个数据之间的关系计算异常值，并将异常值进行删除，得到异常值删除后的第二轨迹信息。
在本发明实施例中，通过对于第二轨迹信息中的异常值进行处理，能够有效提高第二轨迹信息中坐标数据的有效性。
其中，计算表达式为：
最小预估值：Q1-k(Q3-Q1)；
最大预估值：Q3+k(Q3-Q1)；
k＝1.5时为中度异常，k＝3时为极度异常。
作为本发明实施例的一种具体实施方式，插值处理模块30，具体为：
通过非均匀有理B样条对坐标数据进行处理，得到第二轨迹信息中船舶位置点之间的样条曲线，根据样条曲线对第二轨迹信息进行插值处理。
在本发明实施例中，通过非均匀有理B样条生成船舶位置点之间的样条曲线，并且通过设置曲线的阶次为3阶，获得C2连续性的样条曲线。本发明实施例通过样条曲线对第二轨迹信息进行插值处理，能够有效解决历史坐标数据中的连续性为以及出具残缺问题，从而提高数据的可靠性。
作为本发明实施例的一种具体实施方式，训练及验证模块50，具体为：
设置非线性回归模型的输入为时间序列，输出为位置坐标，通过训练集对给线性回归模型进行训练得到时间序列和位置坐标的模型关系；
通过测试集对非线性回归模型进行验证，获得时间序列与位置坐标的非线性关系。
在本发明实施例中，通过实时监控训练集和测试集在训练和验证过程中的损失变化，能够准确获得非线性模型的有效性变化；本发明实施例通过多次对模型在训练集和测试集上批次(epoch)设置，绘制在两个数据集上的准确率和损失变化曲线，两者交叉点即为模型欠拟合和过拟合的分界点，从而获得最佳拟合的训练批次(epoch)设置，进而能够获得最优的时间序列和位置坐标之间的非线性关系，进而能够有效提高船舶路径规划的可靠性。
实施本发明实施例，具有以下有益效果：
本发明实施例通过对获取的第一轨迹信息进行坐标转换得到第二轨迹信息，有利于在深度学习中的归一处理和缩放处理；并通过非均匀有理B样条对第二轨迹信息进行插值处理，能够得到时间等分的坐标数据，将时间等分的坐标数据按照预设的比例分为训练集和测试集对非线性回归模型进行训练和验证，能够准确得到时间序列和位置坐标的非线性关系，从而能够有效提高船舶路径规划的可靠性。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种船舶路径规划方法，其特征在于，包括：
获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
通过非均匀有理B样条对所述第二轨迹信息进行插值处理，得到所述第二轨迹信息对应的时间等分的坐标数据；
建立基于神经网络的非线性回归模型，将所述坐标数据按照预设的比例分为训练集和测试集；
通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，得到所述第二轨迹信息中时间序列与位置坐标之间的非线性关系；
根据所述非线性关系对船舶的路径进行规划。
2.如权利要求1所述的船舶路径规划方法，其特征在于，所述将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息，具体为：
将所述第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
3.如权利要求1所述的船舶路径规划方法，其特征在于，在所述将所述第一轨迹信息中的坐标进行转换，得到第二轨迹信息之后，还包括：
获取所述第二轨迹信息中路径长度的四分位数，根据所述四分位数与所述第二轨迹信息中的各个数据之间的关系计算异常值，并将所述异常值进行删除，得到异常值删除后的第二轨迹信息。
4.如权利要求1所述的船舶路径规划方法，其特征在于，所述通过非均匀有理B样条对所述第二轨迹信息进行插值处理，具体为：
通过非均匀有理B样条对所述坐标数据进行处理，得到所述第二轨迹信息中船舶位置点之间的样条曲线，根据所述样条曲线对所述第二轨迹信息进行插值处理。
5.如权利要求1所述的船舶路径规划方法，其特征在于，所述通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，得到所述第二轨迹信息中时间序列与位置坐标之间的非线性关系，具体为：
设置所述非线性回归模型的输入为时间序列，输出为位置坐标，通过所述训练集对所述给线性回归模型进行训练得到所述时间序列和所述位置坐标的模型关系；
通过所述测试集对所述非线性回归模型进行验证，获得所述时间序列与所述位置坐标的非线性关系。
6.一种船舶路径规划系统，其特征在于，包括：获取模块、转换模块、插值处理模块、模型建立模块、训练及验证模块和规划模块；
所述获取模块，用于获取船舶海运轨迹的历史数据，得到船舶第一轨迹信息；
所述转换模块，用于将所述第一轨迹信息中的球面坐标进行转换，得到第二轨迹信息；
所述插值处理模块，用于通过非均匀有理B样条对所述第二轨迹信息进行插值处理，得到所述第二轨迹信息对应的时间等分的坐标数据；
所述模型建立模块，用于建立基于神经网络的非线性回归模型，将所述坐标数据按照预设的比例分为训练集和测试集；
所述训练及验证模块，用于通过所述训练集和所述测试集对所述非线性回归模型进行训练以及验证，所述第二轨迹信息中时间序列与位置坐标之间的非线性关系；
所述规划模块，用于根据所述非线性关系对船舶的路径进行规划。
7.如权利要求6所述的船舶路径规划系统，其特征在于，所述转换模块，具体为：
将所述第一轨迹信息中的球面坐标转换成三维笛卡尔坐标，得到第二轨迹信息。
8.如权利要求6所述的船舶路径规划系统，其特征在于，还包括异常值处理模块；所述异常值处理模块用于获取所述第二轨迹信息中路径长度的四分位数，根据所述四分位数与所述第二轨迹信息中的各个数据之间的关系计算异常值，并将所述异常值进行删除，得到异常值删除后的第二轨迹信息。
9.如权利要求6所述的船舶路径规划系统，其特征在于，所述插值处理模块，具体为：
通过非均匀有理B样条对所述坐标数据进行处理，得到所述第二轨迹信息中船舶位置点之间的样条曲线，根据所述样条曲线对所述第二轨迹信息进行插值处理。
10.如权利要求6所述的船舶路径规划系统，其特征在于，所述训练及验证模块，具体为：
设置所述非线性回归模型的输入为时间序列，输出为位置坐标，通过所述训练集对所述给线性回归模型进行训练得到所述时间序列和所述位置坐标的模型关系；
通过所述测试集对所述非线性回归模型进行验证，获得所述时间序列与所述位置坐标的非线性关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911368230.2A CN111091248A (zh) | 2019-12-26 | 2019-12-26 | 一种船舶路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911368230.2A CN111091248A (zh) | 2019-12-26 | 2019-12-26 | 一种船舶路径规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091248A true CN111091248A (zh) | 2020-05-01 |
Family
ID=70397690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911368230.2A Pending CN111091248A (zh) | 2019-12-26 | 2019-12-26 | 一种船舶路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091248A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712214A (zh) * | 2021-01-15 | 2021-04-27 | 中国人民解放军军事科学院国防科技创新研究院 | 海事搜救对象轨迹预测方法、系统、装置和存储介质 |
| CN112947485A (zh) * | 2021-03-31 | 2021-06-11 | 亿海蓝（北京）数据技术股份公司 | 路径规划方法及系统 |
| CN115184045A (zh) * | 2022-09-09 | 2022-10-14 | 运易通科技有限公司 | 一种物流运输用碳减排量检测装置以及检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
| CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
| CN108922247A (zh) * | 2018-07-25 | 2018-11-30 | 重庆大学 | 一种基于ais的船舶-航标碰撞危险度估算方法 |
| CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
| US20190384303A1 (en) * | 2018-06-19 | 2019-12-19 | Nvidia Corporation | Behavior-guided path planning in autonomous machine applications |
-
2019
- 2019-12-26 CN CN201911368230.2A patent/CN111091248A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
| CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
| US20190384303A1 (en) * | 2018-06-19 | 2019-12-19 | Nvidia Corporation | Behavior-guided path planning in autonomous machine applications |
| CN108922247A (zh) * | 2018-07-25 | 2018-11-30 | 重庆大学 | 一种基于ais的船舶-航标碰撞危险度估算方法 |
| CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712214A (zh) * | 2021-01-15 | 2021-04-27 | 中国人民解放军军事科学院国防科技创新研究院 | 海事搜救对象轨迹预测方法、系统、装置和存储介质 |
| CN112712214B (zh) * | 2021-01-15 | 2022-02-18 | 中国人民解放军军事科学院国防科技创新研究院 | 海事搜救对象轨迹预测方法、系统、装置和存储介质 |
| CN112947485A (zh) * | 2021-03-31 | 2021-06-11 | 亿海蓝（北京）数据技术股份公司 | 路径规划方法及系统 |
| CN115184045A (zh) * | 2022-09-09 | 2022-10-14 | 运易通科技有限公司 | 一种物流运输用碳减排量检测装置以及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091248A (zh) | 一种船舶路径规划方法及系统 | |
| CN106027300B (zh) | 一种应用神经网络的智能机器人参数优化系统及方法 | |
| CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
| CN104483962B (zh) | 基于多向正交局部保持投影的间歇过程在线故障检测方法 | |
| CN109726355B (zh) | 一种基于向量插值的船舶轨迹修复方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN113112489B (zh) | 一种基于级联检测模型的绝缘子掉串故障检测方法 | |
| CN105005294A (zh) | 基于不确定性分析的实时传感器故障诊断方法 | |
| CN113822284A (zh) | 一种基于边界注意力的rgbd图像语义分割方法 | |
| CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
| CN104502922A (zh) | 一种神经网络辅助粒子滤波的gps接收机自主完好性监测方法 | |
| CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
| CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
| CN108549955B (zh) | 一种充电桩异常率确定方法及装置 | |
| CN103677815A (zh) | 一种航天器低频电缆电性能自动测试程序生成方法 | |
| CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
| CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
| CN103123668B (zh) | 一种基于混合单元法的空间绳系机器人系统的仿真方法 | |
| CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
| US20230314144A1 (en) | System and method for estimating drift path of marine floating body | |
| Pokorádi | Methodolody of Advanced Graph Model-based Vehicle Systems' Analysis | |
| CN113836661B (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
| CN111756031A (zh) | 一种电网运行趋势估算方法和系统 | |
| CN113516766B (zh) | 一种基于神经网络算法的独立坐标系参数分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |