CN111159924B - 用于预测漂移轨迹的方法和装置 - Google Patents
用于预测漂移轨迹的方法和装置 Download PDFInfo
- Publication number
- CN111159924B CN111159924B CN202010253191.8A CN202010253191A CN111159924B CN 111159924 B CN111159924 B CN 111159924B CN 202010253191 A CN202010253191 A CN 202010253191A CN 111159924 B CN111159924 B CN 111159924B
- Authority
- CN
- China
- Prior art keywords
- drift
- distance
- trajectory prediction
- time
- model
- 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.)
- Active
Links
Images
Abstract
本发明涉及用于预测漂移轨迹的方法和装置。一种预测漂移轨迹的方法,包括获取漂浮物的自身特性;获取漂浮物在时刻T1的位置P1;获取与P1相关的气象数据;从自身特性和气象数据选取多个特征参数以形成特征参数集;以及基于该特征参数集使用漂移轨迹预测模型来预测该漂浮物从T1到T2的漂移距离和漂移方向;获取洋流速度V;基于V使用水动力模型来预测漂浮物从T1到T2的漂移距离和漂移方向;选择基于所述水动力模型预测的漂移距离和基于所述漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于所述水动力模型预测的漂移方向和基于所述漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
Description
技术领域
本发明一般涉及海洋轨迹预测领域,尤其涉及用于预测漂移轨迹的方法和装置。
背景技术
随着对海洋领域的不断深入探索,海洋探测设备和海洋通信设备已经日趋完善并且呈现出多样化的趋势。探测设备(例如,探测船、浮标等)在工作时被投入海洋中。探测设备在规定的时间内完成指定的任务,随后需要及时打捞回收探测设备,并从这些设备中获取数据。当设备发生故障无法定位时,需要快速定位设备,并完成打捞,从而能够获取相关数据。
同时,伴随着对海洋的不断开发以及我国海洋石油产业和运输业的不断发展,海洋活动(诸如海上石油勘探、开发、海底管线铺设等)日益频繁,人员落水、船舶故障等意外事故时有发生。
为了更好地对海洋进行开发、保护和搜救工作,当设备故障、船舶故障而无法定位,尤其还涉及人员搜救时,迫切需要一种快速准确定位设备、船舶、人员的方法,从而实现快速打捞或营救。
目前对漂浮物的漂移轨迹预测要么是仅仅基于水动力模型的漂移轨迹预测,要么是基于以气象因素为特征参数训练的模型的漂移轨迹预测。现有的轨迹预测精度无法快速准确地定位漂浮物。尤其在进行人员搜救时,轨迹预测精度的提升能够起到至关重要的作用。
因此,迫切需要一种用于精确预测漂浮物的漂移轨迹的方法。
发明内容
以下给出了一个或多个方面的简要概述以提供对此类方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在标识出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是以简化形式给出一个或多个方面的一些概念以作为稍后给出的更详细描述之序言。
本发明的目的旨在提供一种用于预测漂移轨迹的方法和装置。本发明所公开的方法将基于水动力模型的漂移轨迹预测与基于训练的漂移轨迹预测模型的漂移轨迹预测结合,以进一步提升漂移轨迹预测的精度。此外,本发明中所描述的用于基于训练的漂移轨迹预测模型预测漂移轨迹的方法不仅考虑从风场、流场和海浪等相关环境因素中选取特征参数,而且还考虑从漂浮物的自身特性中选取特征参数,从而能够针对不同漂浮物(尤其是受自身特性参数影响较大的漂浮物,诸如落水人员、表漂浮标等)有针对性地预测它们的漂移轨迹。
本发明主要涉及对漂浮物的轨迹预测,故不考虑其自身动力特性。
本发明描述了一种预测漂移轨迹的方法。该方法包括:获取漂浮物的自身特性;获取漂浮物在时刻T1的位置P1;获取与位置P1相关的气象数据;从自身特性和气象数据选取多个特征参数以形成特征参数集;基于特征参数集使用漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中漂移轨迹预测模型是通过以下步骤来训练的:基于漂浮物的历史漂移轨迹来获取漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向;将特征参数集与所获取的漂移距离和漂移方向一一对应以形成训练集;以及基于训练集来训练漂移轨迹预测模型;获取洋流速度V;基于洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中水动力模型为:洋流速度V*漂移时间T2-T1=漂移位移D,其中漂移距离和漂移方向是通过分解漂移位移得到的;以及选择基于水动力模型预测的漂移距离和基于漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于水动力模型预测的漂移方向和基于漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
本发明描述了一种预测漂移轨迹的系统。该系统包括:数据获取模块,其被配置成:获取漂浮物的自身特性;获取漂浮物在时刻T1的位置P1;获取与位置P1相关的气象数据;获取洋流速度V;选取模块,其被配置成从自身特性和气象数据选取多个特征参数以形成特征参数集;以及基于训练的漂移轨迹预测模型的漂移轨迹预测模块,其被配置成基于特征参数集使用漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中漂移轨迹预测模型是通过以下步骤来训练的:基于漂浮物的历史漂移轨迹来获取漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向;将特征参数集与所获取的漂移距离和漂移方向一一对应以形成训练集;以及基于训练集来训练漂移轨迹预测模型;基于水动力模型的漂移轨迹预测模块,其被配置成基于洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中水动力模型为:洋流速度V*漂移时间T2-T1=漂移位移D,其中漂移距离和漂移方向是通过分解漂移位移得到的;以及选择模块,其被配置成选择基于水动力模型预测的漂移距离和基于漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于水动力模型预测的漂移方向和基于漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
本发明描述了一种存储有处理器可执行代码的计算机可读介质,这些处理器可执行代码能由处理器执行以:获取漂浮物在时刻T1的位置P1;获取与位置P1相关的气象数据;从自身特性和气象数据选取多个特征参数以形成特征参数集;基于特征参数集使用漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中漂移轨迹预测模型是通过以下步骤来训练的:基于漂浮物的历史漂移轨迹来获取漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向;将特征参数集与所获取的漂移距离和漂移方向一一对应以形成训练集;以及基于训练集来训练漂移轨迹预测模型;获取洋流速度V;基于洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中水动力模型为:洋流速度V*漂移时间T2-T1=漂移位移D,其中漂移距离和漂移方向是通过分解漂移位移得到的;以及选择基于水动力模型预测的漂移距离和基于漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于水动力模型预测的漂移方向和基于漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
提供本发明内容是为了以简化的形式来介绍一些概念,这些概念将在下面的具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。各实施例的其他方面、特征和/或优点将部分地在下面的描述中阐述,并且将部分地从描述中显而易见,或者可以通过本发明的实践来学习。
附图简述
图1a和1b示出了漂浮物从时刻T1到下一时刻T2的漂移轨迹的示意图。
图2示出了根据本发明的各方面的用于训练漂移轨迹预测模型的示例性实施例。
图3示出了根据本发明的各方面的用于基于训练的漂移轨迹预测模型的漂移轨迹预测的示例性实施例。
图4示出了根据本发明的各方面的用于训练漂移轨迹预测模型的过程的流程图。
图5示出了根据本发明的各方面的用于基于训练的漂移轨迹预测模型预测漂移轨迹的过程的流程图。
图6a-6h示出了根据本发明的各方面的分别表示将各个特征参数分别作为单一模型影响因子进行建模得出各个特征参数对漂移距离的影响的示意图。
图7示出了根据本发明的各方面的用于基于水动力模型的漂移轨迹预测的示例性实施例。
图8示出了根据本发明的各方面的用于基于水动力模型来预测漂移轨迹的系统的框图。
图9示出了根据本发明的各方面的将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的示例性实施例。
图10示出了根据本发明的各方面的用于将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的过程的流程图。
图11示出了根据本发明的各方面的用于预测漂移轨迹的系统的框图。
图12示出了根据本发明的各方面的包括用于预测漂移轨迹的系统的设备的框图。
具体实施方式
以下结合附图阐述的具体实施方式旨在作为各种配置的描述,而无意表示可实践本文中所描述的概念的仅有配置。本具体实施方式包括具体细节以提供对各种概念的透彻理解。然而,对于本领域技术人员将显而易见的是,没有这些具体细节也可以实践这些概念。
基于本教导,本领域技术人员应领会,本发明的范围旨在覆盖本发明的任何方面,不论其是与本发明的任何其他方面相独立地还是组合地实现的。例如,可以使用所阐述的任何数目的方面来实现装置或实践方法。另外,本发明的范围旨在覆盖使用作为所阐述的本发明的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。
尽管本文描述了特定方面,但这些方面的众多变体和置换落在本发明的范围之内。虽然提到了优选方面的一些益处和优点,但本发明的范围并非旨在被限定于特定益处、用途或目标。具体实施方式和附图仅仅解说本发明而非限定本发明,本发明的范围由所附权利要求及其等效技术方案来定义。
随着人类对海洋领域的不断深入探索,精确地预测海洋上的漂浮物的漂移轨迹能够有助于打捞探测设备、高效搜救等,从而保障设备和人员安全。
目前对漂浮物的漂移轨迹预测要么是仅仅基于水动力模型的漂移轨迹预测,要么是基于以气象因素为特征参数训练的模型的漂移轨迹预测。现有的轨迹预测精度无法快速准确地定位漂浮物。尤其在进行人员搜救时,轨迹预测精度的提升能够起到至关重要的作用。
本发明提出了一种漂移轨迹预测方法,该方法将基于水动力模型的漂移轨迹预测与基于训练的漂移轨迹预测模型的漂移轨迹预测结合进行漂移轨迹预测,从而进一步提升漂移轨迹预测的精度。此外,本发明中所描述的用于基于训练的漂移轨迹预测模型预测漂移轨迹的方法不仅考虑从风场、流场和海浪等相关环境因素中选取特征参数,而且还考虑从漂浮物的自身特性中选取特征参数,从而能够针对不同漂浮物(尤其是受自身特性参数影响较大的漂浮物)有针对性地预测它们的漂移轨迹。
本发明主要涉及对漂浮物的轨迹预测,故不考虑其自身动力特性。
以下结合附图来具体描述。
图1a和1b示出了漂移轨迹的示意图。
以下将描述基于训练的漂移轨迹预测模型的漂移轨迹预测的示例。
假设漂浮物在时刻T1漂浮在位置P1处,基于训练的漂移轨迹预测模型的漂移轨迹预测可包括:从距离位置P1最近的已知风场信息、流场信息、海浪信息、以及漂浮物的自身特性(诸如质量、密度、体积等)中选取多个特征在参数以形成特征参数集;基于特征参数集使用通过训练得到的漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向;以及通过漂移距离和漂移方向来定位漂浮物在时刻T2所处的位置。
图1a解说了漂浮物从任意位置P1(任意时刻T1)漂移到下一位置P2(下一时刻T2)的漂移轨迹,其中从位置P1到下一位置P2的距离S为漂移距离,以正北方向为Y轴正方向,正东方向为X轴正方向,从位置P1到下一位置的角度为东偏南α°,即为漂移方向(也称为漂移角度),记为-α°。
在一些情形中,漂浮物的自身特性可从数据库中获取。例如,漂浮物可以是浮标系统无法定位的浮标。当浮标发生故障无法被定位时,可通过漂移轨迹预测模型来预测故障浮标漂移过的距离,并由此确定故障浮标的位置,从而实现对故障浮标的打捞。在一个实施例中,浮标的自身特性可从浮标系统中获取,同时可从数据库中获取距离浮标的最后已知位置(即,浮标在最后已知时刻T1的位置)最近的已知气象数据,并从自身特性和已知气象数据选取特征参数集。浮标在从时刻T1(可被认为是最后确认浮标位置的时刻)到下一时刻T2(例如,当前时刻)的时间段内漂移过的漂移距离和漂移方向可基于所选取的特征参数集使用训练得到的漂移轨迹预测模型来预测。此外,可进一步通过预测得出的漂移距离和漂移方向来确定浮标在当前时刻的位置,从而实现打捞并进行维修。
在另外一些情形中,漂浮物的自身特性可通过估算得知。例如,漂浮物可以是落水人员。人员的质量和密度可通过大体估算得知。与预测浮标漂移轨迹相类似地,可从相关数据库中获取距离落水人员的落水位置最近的已知气象数据,并基于落水人员的自身特性以及已知气象数据来选取特征参数集。落水人员在从时刻T1(例如,落水时刻)到下一时刻T2(例如,当前时刻)的时间段内漂移过的漂移距离和漂移方向可基于特征参数集使用训练得到的漂移轨迹预测模型来预测。此外,可进一步通过预测得出的漂移距离和漂移方向来确定落水人员在当前时刻的位置,从而进行有针对性的营救。从落水时刻T1到当前时刻T2的时间段越短,预测的精度越高,从而更有可能成功地营救回落水人员。
作为示例,本发明描述了浮标和落水人员两种类型的漂浮物,但是本领域技术人员将认识到,本发明所公开的方法也能够应用于其他本身不具有动力的漂浮物。
将在以下描述基于水动力模型的漂移轨迹预测的示例。
假设漂浮物在时刻T1漂浮在位置P1处,位置P1处的洋流速度为V,基于水动力模型的漂移轨迹预测可基于水动力预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移位移D,即漂移位移D=洋流速度V*漂移时间T2-T1,其中洋流速度为V。随后可从漂移位移D分解出漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向。
在一些情形中,如图1b中所解说的,当从时刻T1到下一时刻T2的时间段内达到阈值时间段时,根据阈值时间段(假设阈值时间段为Tc-T1)基于水动力模型来预测漂浮物在阈值时间段内漂移过的漂移位移D1=洋流速度V1*阈值时间段Tc-T1,其中洋流速度V1可以是从数据库中获取的距离时刻T1的位置P1最近的已知洋流速度。随后以位置Pc作为第二位置,当从时刻Tc到下一时刻T2的时间段内达到阈值时间段时,根据上述过程以位置Pc处的洋流速度V2作为洋流速度再一次预测漂浮物在阈值时间段内漂移过的漂移位移。替换地,当从时刻Tc到下一时刻T2的时间段内没有达到阈值时间段时,以位置Pc处的洋流速度V2作为洋流速度预测漂浮物在时间段T2-Tc内漂移过的漂移位移D2,从而得到漂浮物在时间段T2-T1内漂移过的漂移位移D=D1+D2。在该情形中,漂浮物从时刻T1从下一时刻T2的漂移距离和漂移方向可从漂移位移D分解得到。
在基于水动力模型的轨迹预测中,一旦漂移时间段达到阈值时间段,洋流速度就发生变化。预知时间段可被设为24小时、32小时、48小时、或72小时,或者可根据实际情况设置。
在一些情形中,位置可用经纬度的形式来表示。在其他情形中,位置可以像素坐标的形式直观地显示在平面上。例如,以纬经度的形式表示地面点位置的球面坐标可被映射成以像素坐标表示的平面,从而能够直观地显示在平面上。具体而言,将球面上的地理坐标映射成界面(平面)上的像素点可通过各种投影方式来实现,诸如但不限于等角正切方位投影(球面极地投影)、等距正割圆锥投影、等积正割圆锥投影、等角正割圆锥投影、等角正切圆柱投影(又称为墨卡托投影)、高斯-克吕格投影(等角横切椭圆柱投影)、通用横轴墨卡托投影(简称为UTM投影)。
以下将描述基于训练算法的漂移轨迹预测的示例。
图2示出了根据本发明的各方面的用于训练漂移轨迹预测模型的示例性实施例200。在训练预测漂移轨迹模型的过程中,可获取多个漂浮物的自身特性、各个长度的多段漂移轨迹、以及多个位置的相关气象数据来对模型进行不断训练。
在训练过程中,首先可从历史漂移轨迹数据库选定任意漂移轨迹。对所选漂移轨迹进行预处理,计算从位置P1(时刻T1)到下一位置P2(时刻T2)的漂移距离;同时以位置P1为原点,正北方向为Y轴正方向,正东方向为X轴正方向,计算从位置P1到下一位置P2的漂移方向。
可从数据库获取漂浮物的自身特性,或者可通过估计来预估漂浮物的自身特性(取决于漂浮物)。可从与获取漂浮物的自身特性相同或不同的数据库获取与所选轨迹的位置P1(在时刻T1)相关的气象数据。为了简化起见,在一些情形中,气象数据可以是数据库中距离位置P1最近的已知气象数据。随后,可从漂浮物的自身特性以及相关的气象数据选取多个特征参数作为特征参数集。例如,特征参数集可包括风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、波峰周期(PK)和重量(M)等。
在一个实施例中,可将位置P1和下一位置P2与特征参数集对应以形成训练集。替换地,可将位置P1以及漂移距离和漂移方向直接与特征参数集对应以形成训练集。漂移距离和漂移方向可直接从数据库中获取,也可由通过对位置P1和下一位置P2进行计算得出。
通过不断地输入训练集,可获得轨迹预测模型。训练集量越大,获得的轨迹预测模型越精确。在一些情形中,可选取一部分测试集作为测试集,并将测试集输入训练得到的轨迹预测模型。在模型相关系数高于一阈值时,认为模型可行;在模型相关系数低于阈值时,重新训练漂移轨迹预测模型。在一些情形中,阈值为50%。在其他一些情形中,阈值为70%。
在一个实施例中,漂移轨迹预测模型是基于支持向量机的来训练的。例如,以浮标作为漂浮物,从数据库中收集浮标的历史漂移轨迹,以及浮标的自身特性。通过浮标的历史漂移轨迹计算浮标漂移到下一时刻的位置处的漂移距离和漂移方向。另外,还根据浮标的历史地理位置来收集每个浮标在不同时刻所处的位置所在的区域的海面风、洋流、海浪数据。
以下将描述权重分析。
在支持向量回归机(SVR)中,需要通过训练样本寻找一个超平面(决策平面)将给定的l个数据样本{(xi,yi),i=1,…,l}∈(Rn×Y)l,其中xi∈Rn表示输入样本,R表示实数集,Rn表示n维实数集,yi∈R表示输出量,Y表示输出向量,决策函数表示如下:
y=f(x)=wT·x+b (1)
其中w表示权值向量,b表示偏置。考虑以下最优化问题:
在式(2)中,C是惩罚参数,使用惩罚参数来控制模型的复杂度与逼近误差之间的平衡,C越大则对数据的拟合程度越高;ξi和ξi *表示松弛变量,其中ε不敏感损失函数的形式为:引入拉格郎日乘子α=(α1,…,αl)T,并将式(2)转换为对应的对偶问题,结果如下:
为了实现在非线性情况下的可分,SVR中将低维空间的问题转化为特征的高维空间的问题,再在高维空间中寻找优化超平面,在高维空间中完成线性情况下的可分,其相应的超平面为wTФ(x)+b=0。SVC理论中引入了核函数K(x,y)=Ф(x)·Ф(y)的概念,实现高维映射,因此,最终的最优超平面为:
对于线性可分的情况,求得上述回归结果后,式(4)中权重向量wT的各分量的绝对值大小分别代表向量x∈Rn的各分量在决策函数中的权重。
在一个实施例中,在预测漂移轨迹时提取海面风风向(WD)、海面风风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、海浪波峰周期(PK)、以及漂移物重量(M)作为影响因子,故式(4)中设在回归点则有回归结果:
即为海面风风向(WD)、海面风风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、海浪波峰周期(PK)、以及漂移物重量(M)在决策函数中的权重(即风向(WD)、风力(WP)、洋流方向(CD)、流速(CS)、海浪方向(WVD)、浪高(WH)、波峰周期(PK)和重量(M)的权重分别记为WWD、WWP、WCD、WCS、WWVD、WWH、WPK、WM),从而利用不同的SVR模型得到在漂浮物轨迹预测中各个因子在各个回归点的权重。
以下将建立支持向量机回归模型。
在一个实施例中,将浮标的漂移距离和漂移方向分别作为模型预测结果,海面风风向(WD)、海面风风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、海浪波峰周期(PK)、以及漂移物重量(M)作为影响因子,建立浮标漂移距离预测模型和浮标漂移方向预测模型。
具体方法如下:
从已知样本库中随机选取训练集和测试集,利用模型预测原理对训练集建立回归模型,为确保模型的准确度需要对模型的预测结果进行一个评估,设定回归中相对误差(RE)小于一定阈值(例如,10%),以获取较准的回归结果,当不存在相对误差阈值的结果时,选用相对误差最小时的模型作为最终模型结果。模型建立后将测试集带入回归模型中,观察测试集回归精度,当精度高于一定阈值(例如,90%)时,认为模型可行;当精度低于该阈值时,重新建立预测模型。在本申请中采用的时交叉验证法对预测模型进行评估。
在该实施例中,将海面风风向(WD)、海面风风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、海浪波峰周期(PK)、以及漂移物重量(M)作为模型影响因子来建立模型,但这仅仅是作为示例,还可纳入其他模型影响因子,或者可删除上述模型因子中的一者或多者。
本领域技术人员将领会,基于支持向量机的模型仅仅是作为示例来描述,本发明还可应用其他训练模型的方法,包括支持向量机(SVM)、卷积神经网络(CNN)、随机森林(RF)、决策树算法(CART)等等。
图3示出了根据本发明的各方面的用于预测漂移轨迹的示例性实施例300。可获得根据图2中所示的示例性实施例训练的漂移轨迹预测模型。可从数据库获取漂浮物的自身特性,或者可通过估计来预估漂浮物的自身特性(取决于漂浮物)。可同时获取漂浮物在任意时刻T1的位置P1并获取与位置P1相关的气象数据。为了简化起见,在一些情形中,与位置P1相关的气象数据可以是数据库中距离位置P1最近的已知气象数据。可从自身特性和气象数据选取多个特征参数以形成特征参数集。例如,特征参数集可包括风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、波峰周期(PK)和重量(M)等。可将特征参数集和位置P1输入训练得到的漂移轨迹预测模型,从而预测漂浮物从时刻T1到当前时刻T2的漂移距离和漂移方向。通过漂移距离和漂移方向可得到当前时刻T2的位置坐标。位置坐标可以经纬度的形式表示,也可被映射成像素点坐标直观地显示在界面上。
图4示出了根据本发明的各方面的用于训练漂移轨迹预测模型的过程400的流程图。
过程400始于框402,可获取漂浮物的自身特性。漂浮物的自身特性包括但不限于漂浮物的质量、密度、体积等。
在框404,对于任意时刻T1,可获取与漂浮物在时刻T1的位置P1相关的气象数据。为了简化起见,在一些情形中,与位置P1相关的气象数据可以例如是数据库中距离位置P1最近的已知气象数据。
在框406,可基于单一因子比较方法从自身特性和气象数据选取多个参数作为特征参数集。例如,特征参数集可包括风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、波峰周期(PK)和重量(M)等。以下参照图6a-6h详细解说。
在框408,可基于漂浮物的历史漂移轨迹来获取漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向。在一些情形中,可通过时刻T1的位置P1和下一时刻T2的下一位置P2来计算漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向。替换地,可直接输入时刻T1的地理坐标以及下一时刻T2的地理坐标,由预测模型完成对漂移距离和漂移方向的计算。
在框410,可将特征参数集与漂移距离和漂移方向一一对应以形成训练集。
在框412,可基于训练集来训练漂移轨迹预测模型。
本发明所描述的用于训练模型的方法包括支持向量机(SVM)、卷积神经网络(CNN)、随机森林(RF)、决策树算法(CART)等等。
图5示出了根据本发明的各方面的用于基于根据过程400训练的漂移轨迹预测模型预测漂移轨迹的过程500的流程图。
过程500始于框502,可获得根据过程400训练的漂移轨迹预测模型。
在框504,可获取漂浮物的自身特性。在一些情形中,漂浮物的自身特性可从系统中获取。例如,在漂浮物为浮标的情形中,可从浮标系统获取浮标的相关信息。在其他情形中,漂浮物的自身特性可通过一些方式来估计,例如,落水人员、故障设备等。
在框506,可获取漂浮物在任意时刻T1(例如,最后已知时刻)的位置P1(例如,最后已知位置)。例如,在人员落水的情形中,最后已知位置P1可以是人员落水的位置。在浮标故障的情形中,最后已知位置可以是浮标故障前向浮标系统报告的最后位置。
在框508,可获取与最后已知位置P1相关的气象数据。为了简化起见,在一些情形中,与最后已知位置P1相关的气象数据可以是距离最后已知位置P1最近的已知气象数据。
在框510,可从自身特性和气象数据来选取多个特征参数以形成特征参数集。例如,特征参数集可包括风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、波峰周期(PK)和重量(M)等。
在框512,可基于特征参数集使用漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向。可通过漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向来获得漂浮物在下一时刻T2的当前位置。
图6a-6h分别表示了将特征参数集中的各个特征参数(例如,风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)、海浪浪高(WH)、波峰周期(PK)和重量(M))分别作为单一模型影响因子进行建模得出各个特征参数对漂移距离的影响的示意图。本领域技术人员将领会,虽然本文中选取了八个特征参数进行建模,但是特征参数的个数可以小于或大于八个,并且可包括自身特性、气相参数等其他相关参数。
以下以浮标为样本,分别将风向(WD)、风力(WP)、洋流方向(CD)、流速(CS)、海浪方向(WVD)、浪高(WH)、波峰周期(PK)和重量(M)作为模型影响因子来建立模型,观察单一特征参数对预测结果的影响。选取109个浮标的549个历史坐标点作为研究对象,其中随机选取22个坐标作为测试集合,使用支持向量机进行轨迹预测。训练集包括527个历史路径数据;而测试集包括22个历史路径数据。
在图6a-6h中所解说的实施例中,图6a-6f中所示的六个特征参数:风向(WD)、风力(WP)、洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)和海浪浪高(WH)对漂移距离的影响较大,而图6g、6h中所示的两个特征参数:波峰周期(PK)和重量(M)对漂移距离的影响较小。替换地,可使用相同的方式来将各个特征参数作为单一模型影响因子进行建模得出各个影响因子对漂移方向的影响。可综合两个结果来选取一个或多个特征参数作为模型影响因子作为特征参数集。
本领域技术人员将领会,不同的漂浮物(例如,密度较大)以及不同的海面环境因素(例如,灾害天气,诸如风暴潮、海啸、灾害性海浪等等)可能会得到不同的影响因子集,影响因子的数目可以是任意的。在一些情形中,可首先对漂浮物的自身因素以及所处的环境因素进行分析。例如,对自身特性的分析可从物体受力方面考虑。一般地,物体受力与物体质量、物体密度、受力横截面积等有关。
在一个实施例中,当物体悬浮于水中且不与空气接触时,物体主要受洋流以及海浪等因素的影响,而风场对于物体漂移的影响较小。在该实施例中,可例如只将洋流方向(CD)、洋流流速(CS)、海浪方向(WVD)和海浪浪高(WH)作为单一因子进行建模得出各个影响因子对漂移方向和/或漂移距离的影响。
在另一实施例中,在物体重量较大或体积较大(即,物体受力面积较大)的情况下,自身特性不能被忽略。例如,诸如沉船、漂移浮标之类的较大物体需要考虑物体自身特性。在该实施例中,可例如将自身因素以及环境因素分别作为单一因子进行建模得出各个影响因子对漂移方向和/或漂移距离的影响。
在又另一实施例中,在物体重量较小或体积较小(即,物体受力面积较小)的情况下,自身特性在一些情形中(例如,当遇到灾害性天气时)可以被忽略。例如,诸如破碎木板、随身行李之类的较小物体可以忽略物体自身特性。在该实施例中,可仅例如将各个环境因素作为单一因子进行建模得出各个影响因子对漂移方向和/或漂移距离的影响。
虽然本申请公开了将各个影响因子作为单一因子进行建模得出各个影响因子对漂移方向和/或漂移距离的影响,但是本领域技术人员将领会还可以使用其他方法来确定各个影响因子对漂移方向和/或漂移距离的影响。
以下将描述基于水动力模型的漂移轨迹预测的示例。
图7示出了根据本发明的各方面的用于基于水动力模型的漂移轨迹预测的示例性实施例700。可将T1时刻的位置P1输入水动力模型。可从数据库获取距离位置P1最近的已知洋流速度V,并将洋流速度V输入水动力模型。可基于洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移位移D,即漂移位移D=洋流速度V*漂移时间T2-T1。可对漂移位移D进行分解得到漂移距离和该漂移方向。
在一些情形中,当从时刻T1到下一时刻T2的时间段内达到阈值时间段时,可根据阈值时间段基于水动力模型来预测漂浮物在阈值时间段内漂移过的漂移位移D1=洋流速度V1*阈值时间段Tc-T1,其中洋流速度V1可以是从数据库中获取的距离时刻T1的位置P1最近的已知洋流速度。随后以位置Pc作为第二位置,当从第二时刻Tc到下一时刻T2的时间段内达到阈值时间段时,根据上述过程以位置Pc处的洋流速度V2作为洋流速度再一次预测漂浮物在阈值时间段内漂移过的漂移位移。
替换地,当从时刻Tc到下一时刻T2的时间段内没有达到阈值时间段时,以位置Pc处的洋流速度V2作为洋流速度预测漂浮物在时间段T2-Tc内漂移过的漂移位移D2,从而得到漂浮物在时间段T2-T1内漂移过的漂移位移D=D1+D2。在该情形中,漂浮物从时刻T1从下一时刻T2的漂移距离和漂移方向可从漂移位移D分解得到。
在基于水动力模型的轨迹预测中,一旦漂移时间段达到阈值时间段,洋流速度就发生变化。预知时间段可被设为24小时、32小时、48小时,或者可根据实际情况设置。
图8示出了根据本发明的各方面的用于基于水动力模型来预测漂移轨迹的过程800的流程图。
过程800始于在框802,可获取所述漂浮物在时刻T1的位置P1。
在框804,可从数据库获取距离位置P1最近的已知洋流速度V。
在框806,基于该洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中该水动力模型为:洋流速度V*漂移时间T2-T1=漂移位移D,其中漂移距离和漂移方向是通过分解漂移位移D得到的。
以下将描述将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的示例。
图9示出了根据本发明的各方面的将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的示例性实施例900。从实施例300中获得基于训练的漂移轨迹预测模型预测的漂移距离和漂移方向,并且从实施例700中获得基于水动力模型预测的漂移距离和漂移方向。随后可选择基于水动力模型预测的漂移距离和基于训练的漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于水动力模型预测的漂移方向和基于训练的漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
图10示出了根据本发明的各方面的用于将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的过程1000的流程图。
过程1000始于在框1002,可从过程500获得基于训练的漂移轨迹预测模型预测的漂移距离和漂移方向。
在框1004,可从过程800获得基于水动力模型预测的漂移距离和漂移方向。
在框1006,可选择基于水动力模型预测的漂移距离和基于训练的漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于水动力模型预测的漂移方向和基于训练的漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
图11示出了根据本发明的各方面的用于预测漂移轨迹的系统1100的框图。参照图11,系统1100可包括数据获取模块1105、选取模块1110、基于训练的漂移轨迹预测模型的漂移轨迹预测模块1115、基于水动力模型的漂移轨迹预测模块1120、以及选择模块1125。
在本发明的各实施例中,数据获取模块1105被配置成获取漂浮物的自身特性;获取该漂浮物在时刻T1的位置P1;获取与位置P1相关的气象数据;获取洋流速度V。选取模块1110被配置成从自身特性和气象数据选取多个特征参数以形成特征参数集。基于训练的漂移轨迹预测模型的漂移轨迹预测模块1115可被配置成基于特征参数集使用漂移轨迹预测模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向。基于水动力模型的漂移轨迹预测模块1120,其被配置成基于洋流速度V使用水动力模型来预测漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向,其中水动力模型为:洋流速度V*漂移时间T2-T1=漂移位移D,其中该漂移距离和该漂移方向是通过分解漂移位移得到的。选择模块1125,其被配置成选择基于水动力模型预测的漂移方向作为最终预测的漂移方向并选择基于训练的漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离。
在一些实施例中,该漂移轨迹预测模型是通过以下步骤来训练的:基于单一因子比较方法从自身特性和气象数据选取多个参数作为特征参数集;从自身特性和气象数据选取特征参数集;基于漂浮物的历史漂移轨迹来获取漂浮物从时刻T1到下一时刻T2的漂移距离和漂移方向;将该特征参数集与漂移距离和漂移方向一一对应以形成训练集;以及基于该训练集来训练漂移轨迹预测模型。
以下结合表1-2解说了根据某一实施例的漂移轨迹的预测结果。在该实施例中,预测结果是将基于水动力模型的漂移轨迹预测与基于训练的漂移轨迹预测模型结合进行漂移轨迹预测得到的,其中漂移轨迹预测模型是根据在图6a-6h中所解说的实施例中选择的六个影响因子训练的。其中表1解说了实际方向、基于水动力模型的预测的漂移方向以及基于训练的漂移轨迹预测模型预测的漂移方向,单位为度;表2解说了实际位置、基于水动力模型的预测的漂移位置、基于训练的漂移轨迹预测模型预测的漂移位置、以及基于水动力模型的预测的漂移方向以及基于训练的漂移轨迹预测模型预测的漂移距离的混合结果。
表1
表2
由此可知,在这一实施例中,将基于训练的漂移轨迹预测模型的漂移轨迹预测与基于水动力模型的漂移轨迹预测结合进行漂移轨迹预测的混合结果能够得到大于60%精度提升,与实际位置的偏差距离最高可缩短83%。
图12示出了根据本发明的各方面的包括用于预测漂移轨迹的系统的设备1200的框图。该设备示出了一般硬件环境,可在其中根据本发明的示例性实施例应用本发明。
现在将参照图12描述设备1200,其是可以应用于本发明的各方面的硬件设备的示例性实施例。设备1200可以是被配置为执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理(PDA)、智能电话、或其任何组合。上述系统可以全部或至少部分地由设备1200或类似设备或系统实现。
设备1200可包括可能经由一个或多个接口与总线1202连接或与总线1202通信的元件。例如,设备1200可包括总线1202、一个或多个输入设备1205、一个或多个输出设备1210、一个或多个处理器1215、以及一个或多个存储器1220等。
处理器1215可以是任何类型的处理器,并且可包括但不限于通用处理器和/或专用处理器(例如特殊处理芯片)、智能硬件设备(例如,通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑器件、分立的门或晶体管逻辑组件、分立的硬件组件、或其任何组合)。在一些情形中,处理器1215可被配置成使用存储器控制器来操作存储器阵列。在其他情形中,存储器控制器(未示出)可被集成到处理器1215中。处理器1215可被配置成执行存储器中所储存的计算机可读指令以执行本文中所描述的各种功能。
存储器1220可以是可实现数据存储的任何存储设备。存储器1220可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软盘、硬盘、磁带或任何其他磁介质、光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。存储器1220可存储包括计算机可读指令的计算机可执行软件1225,这些指令在被执行时使得处理器执行本文中所描述的各种功能。存储器1220可以具有用于实现本文中所描述的各种功能的各种数据/指令/代码。
软件1225可被存储于存储器1220中,包括但不限于操作系统、一个或多个应用程序、驱动器和/或其他数据和代码。用以执行本文中所描述的各种功能的指令可被包括在一个或多个应用程序中,并且上述设备1200的各单元可由处理器1215读取并执行一个或多个应用程序的指令来实现。在一些情形中,软件1225可以是不能由处理器直接执行的,而是可以(例如,在被编译和执行时)使计算机执行本文中所描述的各功能。
输入设备1205可以是可以向计算设备输入信息的任何类型的设备。
输出设备1210可以是可以输出信息的任何类型的输出设备。在一种情形中,输出设备1210可以是可显示信息的任何类型的视频输出设备。
在一些情形中,设备1200可以可任选地包括漂移轨迹数据库1230和气象数据库1235。漂移轨迹数据库1230和气象数据库1235可被集成在设备1200中,也可以通过远程的方式来访问。
本领域技术人员可以从上述实施例中清楚地了解到本发明可以通过具有必要硬件的软件或者通过硬件,固件等来实现。基于这样的理解,本发明的实施例可以部分地以软件形式实现。计算机软件可以存储在可读存储介质中,例如软盘,硬盘,光盘或计算机的闪存。计算机软件包括一系列指令,以使计算机(例如,个人计算机,服务站或网络终端)执行根据本发明的各个实施例的方法或其一部分。
措辞“示例性”在本文中用于表示“用作示例、实施例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
提供之前的描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。对这些方面的各种修改将容易为本领域技术人员所明白,并且在本文中所定义的普适原理可被应用于其他方面。因此,权利要求并非旨在被限定于本文中所示的方面,而是应被授予与语言上的权利要求相一致的全部范围,其中对要素的单数形式的引述除非特别声明,否则并非旨在表示“有且仅有一个”,而是“一个或多个”。除非特别另外声明,否则术语“一些”指的是一个或多个。本发明通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此,且旨在被权利要求所涵盖。
Claims (20)
1.一种预测漂移轨迹的方法,包括:
获取漂浮物的自身特性;
获取所述漂浮物在时刻T1的位置P1;
获取与所述位置P1相关的气象数据;
从所述自身特性和所述气象数据选取多个特征参数以形成特征参数集;
基于所述特征参数集使用漂移轨迹预测模型来预测所述漂浮物从所述时刻T1到下一时刻T2的漂移距离和漂移方向,其中所述漂移轨迹预测模型是通过以下步骤1到3来训练的:
步骤1,基于所述漂浮物的历史漂移轨迹来获取所述漂浮物从所述时刻T1到所述下一时刻T2的漂移距离和漂移方向;
步骤2,将所述特征参数集与所获取的漂移距离和漂移方向一一对应以形成训练集;以及
步骤3,基于所述训练集来训练所述漂移轨迹预测模型;
获取洋流速度V;
基于所述洋流速度V使用水动力模型来预测所述漂浮物从所述时刻T1到下一时刻T2的漂移距离和漂移方向,其中所述水动力模型为:,其中V是洋流速度,T2-T1是漂移时间,而D是漂移位移,并且其中该漂移距离和该漂移方向是通过分解所述漂移位移得到的;以及
选择基于所述水动力模型预测的漂移距离和基于所述漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于所述水动力模型预测的漂移方向和基于所述漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
2.如权利要求1所述的方法,其特征在于,进一步包括:基于所述最终预测的漂移距离和漂移方向来确定所述漂浮物在所述下一时刻T2的下一位置P2。
3.如权利要求1所述的方法,其特征在于,从所述自身特性和所述气象数据选取多个特征参数以形成特征参数集进一步包括:
基于单一因子比较方法从所述自身特性和所述气象数据选取多个参数作为所述特征参数集。
4.如权利要求1所述的方法,其特征在于,训练所述漂移轨迹预测模型进一步包括对所述历史漂移轨迹进行预处理,所述预处理包括:
获取所述漂浮物在所述下一时刻T2的下一位置P2;
计算从所述位置P1到所述下一位置P2的距离作为所述漂浮物从所述时刻T1到所述下一时刻T2的漂移距离;以及
以所述位置P1为原点,正北方向为Y轴正方向,正东方向为X轴正方向,计算从所述位置P1到所述下一位置P2的漂移方向。
5.如权利要求1所述的方法,其特征在于,获取所述漂浮物在所述位置P1处的所述气象数据进一步包括:从数据库中获取距离所述位置P1最近的位置处的已知气象数据。
6.如权利要求1所述的方法,其特征在于,所述特征参数集包括:已知风场信息、流场信息、海浪信息。
7.如权利要求1所述的方法,其特征在于,所述特征参数集包括:海面风风向、海面风风力。
8.如权利要求1所述的方法,其特征在于,所述特征参数集包括:洋流方向、洋流流速。
9.如权利要求1所述的方法,其特征在于,所述特征参数集包括:海浪方向、海浪浪高、海浪波峰周期。
10.如权利要求1所述的方法,其特征在于,所述特征参数集包括:所述漂浮物的质量。
11.如权利要求1所述的方法,其特征在于,所述特征参数集包括:所述漂浮物的密度。
12.如权利要求1所述的方法,其特征在于,所述特征参数集包括:所述漂浮物的体积。
13.如权利要求1所述的方法,其特征在于,训练所述漂移轨迹预测模型包括使用支持向量机、卷积神经网络、随机森林算法、以及决策树算法来训练所述漂移轨迹预测模型。
14.如权利要求1所述的方法,其特征在于,选取一部分训练集作为测试集,将所述测试集输入训练得到的所述漂移轨迹预测模型,在模型相关系数高于一阈值时,认为模型可行;在所述模型相关系数低于所述阈值时,重新训练所述漂移轨迹预测模型。
15.如权利要求14所述的方法,其特征在于,所述阈值为50%或70%。
16.如权利要求1所述的方法,其特征在于,获取所述洋流速度V进一步包括:从数据库中获取距离所述位置P1最近的位置处的已知洋流速度,所述洋流速度V按阈值时间段变化。
17.如权利要求16所述的方法,其特征在于,所述阈值时间段为24小时或48小时。
18.一种预测漂移轨迹的系统,包括:
存储器;以及
与所述存储器处于通信的处理器,所述处理器被配置成执行如权利要求1-17任一项所述的方法。
19.一种存储有处理器可执行代码的计算机可读介质,所述处理器可执行代码能由处理器执行以执行如权利要求1-17任一项所述的方法。
20.一种预测漂移轨迹的系统,包括:
数据获取模块,其被配置成:
获取漂浮物的自身特性;
获取所述漂浮物在时刻T1的位置P1;
获取与所述位置P1相关的气象数据;
获取洋流速度V;
选取模块,其被配置成从所述自身特性和所述气象数据选取多个特征参数以形成特征参数集;以及
基于训练的漂移轨迹预测模型的漂移轨迹预测模块,其被配置成基于所述特征参数集使用漂移轨迹预测模型来预测所述漂浮物从所述时刻T1到下一时刻T2的漂移距离和漂移方向,其中所述漂移轨迹预测模型是通过以下步骤1到3来训练的:
步骤1,基于所述漂浮物的历史漂移轨迹来获取所述漂浮物从所述时刻T1到所述下一时刻T2的漂移距离和漂移方向;
步骤2,将所述特征参数集与所获取的漂移距离和漂移方向一一对应以形成训练集;以及
步骤3,基于所述训练集来训练所述漂移轨迹预测模型;
基于水动力模型的漂移轨迹预测模块,其被配置成基于所述洋流速度V使用水动力模型来预测所述漂浮物从所述时刻T1到下一时刻T2的漂移距离和漂移方向,其中所述水动力模型为:,其中V是洋流速度,T2-T1是漂移时间,而D是漂移位移,并且其中该漂移距离和该漂移方向是通过分解所述漂移位移得到的;以及
选择模块,其被配置成选择基于所述水动力模型预测的漂移距离和基于所述漂移轨迹预测模型预测的漂移方向作为最终预测的漂移距离和漂移方向,或者选择基于所述水动力模型预测的漂移方向和基于所述漂移轨迹预测模型预测的漂移距离作为最终预测的漂移距离和漂移方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253191.8A CN111159924B (zh) | 2020-04-02 | 2020-04-02 | 用于预测漂移轨迹的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253191.8A CN111159924B (zh) | 2020-04-02 | 2020-04-02 | 用于预测漂移轨迹的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159924A CN111159924A (zh) | 2020-05-15 |
CN111159924B true CN111159924B (zh) | 2020-07-28 |
Family
ID=70567718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010253191.8A Active CN111159924B (zh) | 2020-04-02 | 2020-04-02 | 用于预测漂移轨迹的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159924B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115598A (zh) * | 2020-09-09 | 2020-12-22 | 南京大学 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
KR102561270B1 (ko) * | 2021-06-29 | 2023-07-28 | 군산대학교산학협력단 | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 |
CN113658250B (zh) * | 2021-08-25 | 2024-03-08 | 中冶京诚工程技术有限公司 | 漂浮物位置预测方法及装置 |
CN114255616A (zh) * | 2021-12-20 | 2022-03-29 | 武汉理工大学 | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 |
CN114580309B (zh) * | 2022-05-09 | 2022-08-05 | 深圳市朗诚科技股份有限公司 | 漂移速度预测方法、装置、计算设备及存储介质 |
CN114580223B (zh) * | 2022-05-09 | 2022-08-05 | 深圳市朗诚科技股份有限公司 | 风致漂移预测方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2807842B1 (fr) * | 2000-04-13 | 2002-06-14 | Cgg Marine | Methode de simulation de positionnement de steamer, et d'aide a la navigation |
MXPA06010586A (es) * | 2004-03-17 | 2008-03-04 | Westerngeco Seismic Holdings | Sistema y metodo de investigacion sismica marina. |
CN102156817B (zh) * | 2011-04-11 | 2013-04-03 | 国家海洋信息中心 | 海上溢油漂移路径及扩散快速预报方法 |
KR102026651B1 (ko) * | 2012-04-25 | 2019-09-30 | 삼성전자주식회사 | 입자 필터 프레임 워크를 이용한 강건한 객체 추적 방법 및 시스템 |
CN103366227B (zh) * | 2013-08-08 | 2015-09-16 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
CN106096212B (zh) * | 2016-07-19 | 2020-02-14 | 武汉大学 | 水体表面漂浮物监控方法 |
CN106768837A (zh) * | 2016-12-08 | 2017-05-31 | 国家海洋局北海预报中心 | 落水人员海上漂移轨迹预测方法 |
CN108334897B (zh) * | 2018-01-22 | 2023-04-07 | 上海海事大学 | 一种基于自适应高斯混合模型的海上漂浮物轨迹预测方法 |
CN108984820A (zh) * | 2018-04-11 | 2018-12-11 | 哈尔滨工程大学 | 一种基于纳什均衡的粒子重投漂移路径预测方法 |
-
2020
- 2020-04-02 CN CN202010253191.8A patent/CN111159924B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111159924A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159924B (zh) | 用于预测漂移轨迹的方法和装置 | |
Kowalska et al. | Maritime anomaly detection using Gaussian process active learning | |
Alizadeh et al. | Vessel trajectory prediction using historical automatic identification system data | |
CN109543715A (zh) | 一种船舶航路提取以及航迹偏离检测的方法 | |
Jacobi et al. | Multi sensor underwater pipeline tracking with AUVs | |
Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
Tang et al. | Detection of abnormal vessel behaviour based on probabilistic directed graph model | |
CN113607170B (zh) | 空海目标航迹偏离行为实时检测方法 | |
Perera et al. | Situation awareness of autonomous ship navigation in a mixed environment under advanced ship predictor | |
Kim et al. | Extraction of reference seaway through machine learning of ship navigational data and trajectory | |
Wang et al. | Offshore petroleum leaking source detection method from remote sensing data via deep reinforcement learning with knowledge transfer | |
KR102353508B1 (ko) | 수중에서의 이동거리 예측을 이용한 해양 복귀 경로 제공 시스템 | |
Chian Tan et al. | The automated risk estimation for the navigation of autonomous ships by learning with navigation feature | |
KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
Pereira et al. | Detecting docking-based structures for persistent ASVs using a volumetric neural network | |
Farahnakian et al. | Abnormal Behaviour Detection by Using Machine Learning-Based Approaches in the Marine Environment: A Literature Survey | |
Risnumawan et al. | Towards an Automatic Aircraft Wreckage Detection Using A Monocular Camera of UAV | |
Li et al. | Marine Drifting Trajectory Prediction Based on LSTM-DNN Algorithm | |
Zhang et al. | A novel ship trajectory clustering analysis and anomaly detection method based on AIS data | |
Rekik et al. | A trainable system for underwater pipe detection | |
Ellen et al. | Effective searching of drowning victims in the river using deep learning method and underwater drone | |
He et al. | A recognition approach of radar blips based on improved fuzzy c means | |
Xue et al. | Improved BSO for ship path planning with grounding alert using interpolated Delaunay triangulation | |
Son et al. | Ship Motion-Based Prediction of Damage Locations Using Bidirectional Long Short-Term Memory | |
Pereira et al. | A 3-D Lightweight Convolutional Neural Network for Detecting Docking Structures in Cluttered Environments |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220224 Address after: 266237 room 501-512, building 5, No. 162, Qiyunshan Second Road, aoshanwei street, Jimo District, Qingdao, Shandong Province Patentee after: Rainbow Fish Technology (Qingdao) Co.,Ltd. Address before: Building 3067, Haiji Road, No. 6, Pudong New Area, Shanghai Patentee before: SHANGHAI RAINBOWFISH OCEAN TECHNOLOGY CO.,LTD. |