CN111814101A - 一种航迹预测方法、系统和电子设备 - Google Patents
一种航迹预测方法、系统和电子设备 Download PDFInfo
- Publication number
- CN111814101A CN111814101A CN202010664729.4A CN202010664729A CN111814101A CN 111814101 A CN111814101 A CN 111814101A CN 202010664729 A CN202010664729 A CN 202010664729A CN 111814101 A CN111814101 A CN 111814101A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- sequences
- historical
- approximate
- 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 54
- 230000009466 transformation Effects 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims description 45
- 230000007787 long-term memory Effects 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- 238000001914 filtration Methods 0.000 description 8
- 230000004060 metabolic process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/60—Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种航迹预测方法、系统和电子设备,一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
Description
技术领域
本发明涉及雷达目标跟踪、航迹预测技术领域,尤其涉及一种航迹预测方法、系统和电子设备。
背景技术
目前,通常采用卡尔曼滤波算法、自适应ɑ-β滤波、ɑ-β-Y滤波、4D航迹预测方法或灰色新陈代谢GM(1,1)模型预测方法来对目标的航迹进行预测,存在如下问题:
1)卡尔曼滤波算法需要根据不同的目标模型建立不同的观测矩阵和状态更新矩阵,并且算法计算量较大,需要数据较多,因此,当数据有限时,不能保证预测精度;
2)ɑ-β滤波是针对匀速直线运动模型的一种常增益滤波器,也可以说是上述采用卡尔曼滤波算法的卡尔曼滤波器的一种简化形式,同样存在上述问题;
3)ɑ-β-Y滤波常用于对匀加速运动的目标进行跟踪和预测,其系统状态方程和量测模型与卡尔曼滤波器一样,但是目标的状态向量包含位置、速度和加速度三个分量,同样存在上述问题;
4)4D航迹预测方法是对大流量、高密度和小间隔条件下空域实施管理的一种有效手段,其内部是利用Supermap软件创建电子航路网络,电子航路网络图中包含目标的航向和距离等数据,根据目标的数据来进行推测目标在某个时间点的位置,但这种方法模型空间复杂度和时间复杂过于复杂,且对空域有较大的要求,不适合用作雷达目标跟踪;
5)灰色新陈代谢GM(1,1)模型预测方法是从目标的起始位置开始,不断地建立新的GM(1,1)模型,它的缺点之一就是只适合做中短期预测,且在复杂环境下的预测精度较低。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种航迹预测方法、系统和电子设备。
本发明的一种航迹预测方法的技术方案如下:
根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
本发明的一种航迹预测方法的有益效果如下:
一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,其中,近似序列包含第一预设时间段内的三维坐标数据中的原始信号趋势信息,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
在上述方案的基础上,本发明的一种分页查询方法还可以做如下改进。
进一步,所述根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹,包括:
对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
进一步,还包括:
根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型;
根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
进一步,所述分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列,包括:
通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
本发明的一种航迹预测系统的技术方案如下:
包括时序模块、插值模块、小波变换模块、归一化模块、预测模块;
所述时序模块用于根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
所述插值模块用于利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
所述小波变换模块用于将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
所述归一化模块用于分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
所述预测模块用于将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
本发明的一种航迹预测系统的有益效果如下:
一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,其中,近似序列包含第一预设时间段内的三维坐标数据中的原始信号趋势信息,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
在上述方案的基础上,本发明的一种分页查询系统还可以做如下改进。
进一步,所述预测模块具体用于:
对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
所述小波变换模块还用于将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
所述预测模块还具体用于:
调用所述小波变换模块;
将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
进一步,还包括模型训练模块;
所述时序模块还用于根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
所述插值模块还用于利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
所述小波变换模块还用于将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
所述归一化模块还用于分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
所述模型训练模块用于:根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型,并根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
进一步,所述归一化模块具体用于:通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如上述任一项所述的一种航迹预测方法的步骤。
本发明的一种电子设备的有益效果如下:
一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,其中,近似序列包含第一预设时间段内的三维坐标数据中的原始信号趋势信息,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
附图说明
图1为本发明实施例的一种航迹预测方法的流程示意图之一;
图2为本发明实施例的一种航迹预测方法的流程示意图之二;
图3为本发明实施例的一种航迹预测系统的结构示意图;
具体实施方式
如图1所示,本发明实施例的一种航迹预测方法,包括如下步骤:
S1、根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
S2、利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
S3、将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
S4、分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
S5、将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
其中,第一预设时间段可设置为5分钟、10分钟等,也可根据实际情况进行调整,时序数据可进行如下理解:
假设当前时刻之前的第一预设时间段如10分钟内的三维坐标数据为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)……(xn,yn,zn),其中,n为正整数,表示采集的所有三维坐标的个数,可以理解的是,每个三维坐标分别为目标当时所对应的位置,也就是说,(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)、……(xn,yn,zn)分别对应不同的时间,以当前时刻为0、第一预设时间段为60秒,进行说明:
用第-1秒,表示当前之前的第1秒,并以此类推,例如,第-60秒时,雷达采集到的目标的三维坐标为(x1,y1,z1),第-57秒时,雷达采集到的目标的三维坐标为(x2,y2,z2),第-53秒时,雷达采集到的目标的三维坐标为(x3,y3,z3)……,按照时间顺序对三维坐标数据中的x坐标值进行排序为:x1、x2、x3……xn,x1、x2、x3……xn分别结合对应的时间点,形成一条时序数据,标记为x轴的坐标值的时序数据,依此类推,形成y轴的坐标值的时序数据和z轴的坐标值的时序数据,其中,时间点可采用上述第-1秒、第-57秒、第-53秒等方式,也可采用绝对的时间点,如2020年1月1日12:00:00、2020年1月1日12:00:03等,可以理解的是,下述的等间隔时序数据也包含了相应的时间点;
其中,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,并考虑到考虑到目标的运动轨迹大多是曲线,因此,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;
将根据x轴的坐标值的时序数据所形成的等间隔时序数据记为x轴的坐标值的等间隔时序数据,将根据y轴的坐标值的时序数据所形成的等间隔时序数据记为y轴的坐标值的等间隔时序数据,将根据z轴的坐标值的时序数据所形成的等间隔时序数据记为z轴的坐标值的等间隔时序数据,以x轴的坐标值的时序数据所形成的等间隔时序数据为例进行说明,通过对x轴的坐标值的等间隔时序数据进行小波变换后,将该条等间隔时序数据分解为高频部分和低频部分,具体地:
通过小波变换中的父小波函数将x轴的坐标值的等间隔时序数据分解为低频部分,该低频部分即为一条近似序列,该近似序列包含第一预设时间段内的三维坐标数据中的原始信号的趋势信息,其中,三维坐标数据中的原始信号在该处为x轴的坐标值;
通过小波变换中与父小波函数互补的母小波函数将x轴的坐标值的等间隔时序数据分解为多条细节序列,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,如干扰信号、杂散信号等;
依次类推,得到y轴的坐标值的等间隔时序数据对应的一条近似序列和多条细节序列,z轴的坐标值的等间隔时序数据对应的一条近似序列和多条细节序列;
其中,所述分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列,包括:
通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
以x轴的坐标值的等间隔时序数据对应的一条归一化近似序列和多条归一化细节序列为例进行说明,具体地:
根据x轴的坐标值的等间隔时序数据所得到的一条归一化近似序列对应一个航迹预测模型,然后将x轴的坐标值的等间隔时序数据对应的一条归一化近似序列的数据输入该航迹预测模型中,可得到当前时刻之后的第二预设时间段内的一条预测近似序列;
根据x轴的坐标值的等间隔时序数据所得到的每一条归一化细节序列对应一个航迹预测模型,将x轴的坐标值的等间隔时序数据对应的每一条归一化细节序列输入对应的航迹预测模型中,可得到当前时刻之后的第二预设时间段内的预测细节序列;
依次类推,根据y轴的坐标值的等间隔时序数据得到当前时刻之后的第二预设时间段内的一条预测近似序列,以及当前时刻之后的第二预设时间段内的预测细节序列;根据z轴的坐标值的等间隔时序数据得到当前时刻之后的第二预设时间段内的一条预测近似序列,以及当前时刻之后的第二预设时间段内的预测细节序列;
然后再根据根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
较优地,在上述技术方案中,S5中所述根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹,包括:
S50、对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
S51、将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
S52、将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
其中,当通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化时,可根据最大最小值标准化方法的相反的形式对多条预测近似序列的数据和多条预测细节序列的数据进行反标准化,其具体的技术细节为本领域技术人员所悉知,在此不做赘述。
其中,由于小波变换是将时域转为频域,小波拟变换再将频域转为时域,则在将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值,且x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值均分别对应一个相同的时间序列,然后按照时间序列中时间顺序将x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值进行合并,具体地:
例如,第二预设时间段设置为60秒,第1秒分别对应x轴的预测坐标值X1、y轴的预测坐标值Y1、z轴的预测坐标值Z1,第2秒分别对应x轴的预测坐标值X2、y轴的预测坐标值Y2、z轴的预测坐标值Z2……第60秒分别对应x轴的预测坐标值X60、y轴的预测坐标值Y60、z轴的预测坐标值Z60,按照时间顺序合并后形成(X1,Y1,Z1)、(X2,Y2,Z3)……(X60,Y60,Z60),则将(X1,Y1,Z1)、(X2,Y2,Z3)……(X60,Y60,Z60)连接起来后形成所述目标在当前时刻之后的第二预设时间段内的预测航迹。
较优地,在上述技术方案中,还包括:
S050、根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
S051、利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
S052、将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
S053、分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
S054、根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型;
S055、根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
其中,对历史时序数据的理解可参考对上述对时序数据的解释,对历史等间隔时序数据的理解可参考对上述对等间隔时序数据的解释,且S054和S055中通过长短期记忆网络训练出相应的航迹预测模型的具体训练过程,为本领域人员所悉知,在此不做赘述。
下面通过另外一个实施例对本申请的一种航迹预测方法进行说明,如图2所示,具体地:
S60、获取目标在当前时刻之前的第一预设时间段内的三维坐标数据;
S61、得到三条时序数据,具体参照S1;
S62、插值,具体参照S2;
S63、小波变换,具体参照S3;
S64、标准化,具体参照S4;
S65、进行航迹预测;
S66、反标准化,具体参照S50;
S67、小波拟变换,具体参照S51;
S68、合并,得到预测航迹,具体参照S52;
相比于卡尔曼滤波算法、自适应ɑ-β滤波、ɑ-β-γ滤波、4D航迹预测方法或灰色新陈代谢GM(1,1)模型预测方法所得到的预测航迹的精度能提高3~20%。
在上述各实施例中,虽然对步骤进行进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内。
如图3所示,本发明实施例的一种航迹预测系统200,包括时序模块210、插值模块220、小波变换模块230、归一化模块240、预测模块250;
所述时序模块210用于根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
所述插值模块220用于利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
所述小波变换模块230用于将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
所述归一化模块240用于分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
所述预测模块250用于将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,其中,近似序列包含第一预设时间段内的三维坐标数据中的原始信号趋势信息,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
较优地,在上述技术方案中,所述预测模块250具体用于:
对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
所述小波变换模块230还用于将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
所述预测模块250还具体用于:
调用所述小波变换模块230;
将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
较优地,在上述技术方案中,还包括模型训练模块;
所述时序模块210还用于根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
所述插值模块220还用于利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
所述小波变换模块230还用于将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
所述归一化模块240还用于分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
所述模型训练模块用于:根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型,并根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
较优地,在上述技术方案中,所述归一化模块240具体用于:通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
上述关于本发明的一种航迹预测系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种航迹预测方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例的一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现上述任一实施的一种航迹预测方法的步骤。
一方面,由于通过雷达获取的三维坐标数据通常为为非等时间间隔,通过二阶插值法对三条时序数据分别进行插值,使得到的三条等间隔时序数据能准确拟合目标的真实运动轨迹;另一方面,通过对所有的等间隔时序数据进行小波变换,具体地,通过父小波函数将每一条所述等间隔时序数据分解为一条近似序列,通过与父小波函数互补的母小波函数将每一条所述等间隔时序数据分解为多条细节序列,其中,近似序列包含第一预设时间段内的三维坐标数据中的原始信号趋势信息,多条细节序列包括第一预设时间段内的三维坐标数据中的原始信号相关的影响因素特征,然后再根据不同的航迹预测模型进行航迹的预测,相比于现有的航迹预测的方法,预测精度高,计算量更小,且不会受到环境因素的影响,适合对进行不同时间段内的航迹预测。
其中,电子设备可以选用电脑、手机等,相对应地,其程序为电脑软件或手机APP等,且上述关于本发明的一种电子设备中的各参数和步骤,可参考上文中一种航迹预测方法的实施例中的各参数和步骤,在此不做赘述。
在本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种航迹预测方法,其特征在于,包括:
根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
2.根据权利要求1所述的一种航迹预测方法,其特征在于,所述根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹,包括:
对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
3.根据权利要求1所述的一种航迹预测方法,其特征在于,还包括:
根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型;
根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
4.根据权利要求1至3任一项所述的一种航迹预测方法,其特征在于,所述分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列,包括:
通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
5.一种航迹预测系统,其特征在于,包括时序模块、插值模块、小波变换模块、归一化模块、预测模块;
所述时序模块用于根据目标在当前时刻之前的第一预设时间段内的三维坐标数据中的x轴的坐标值、y轴的坐标值和z轴的坐标值,分别得到三条时序数据;
所述插值模块用于利用二阶插值法对三条时序数据分别进行插值,得到三条等间隔时序数据;
所述小波变换模块用于将任一条所述等间隔时序数据进行小波变换后得到一条近似序列和多条细节序列,直至将每条等间隔时序数据进行小波变换,得到多条近似序列和多条细节序列;
所述归一化模块用于分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列;
所述预测模块用于将每条归一化近似序列的数据和每条归一化细节序列的数据分别带入相应的航迹预测模型中,得到当前时刻之后的第二预设时间段内的多条预测近似序列和多条预测细节序列,根据所述多条预测近似序列和多条预测细节序列得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
6.根据权利要求5所述的一种航迹预测系统,其特征在于,所述预测模块具体用于:
对所述多条预测近似序列的数据和多条预测细节序列的数据进行反标准化;
所述小波变换模块还用于将反标准化后的多条预测近似序列的数据和多条预测细节序列的数据进行小波逆变换得到x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值;
所述预测模块还具体用于:
调用所述小波变换模块;
将所述x轴的预测坐标值、y轴的预测坐标值和z轴的预测坐标值按照时间顺序进行合并后,得到所述目标在当前时刻之后的第二预设时间段内的预测航迹。
7.根据权利要求6所述的一种航迹预测系统,其特征在于,还包括模型训练模块;
所述时序模块还用于根据所述目标在预设第三时间段内的航迹的历史三维坐标数据,得到三条历史时序数据;
所述插值模块还用于利用二阶插值法对三条历史时序数据分别进行插值,得到三条历史等间隔时序数据;
所述小波变换模块还用于将任一条所述历史等间隔时序数据进行小波变换后得到一条历史近似序列和多条历史细节序列,直至得到每一条所述历史等间隔时序数据对应的一条历史近似序列和多条历史细节序列;
所述归一化模块还用于分别将每条历史近似序列的数据和每条历史细节序列的数据进行归一化,得到多条历史归一化近似序列和多条历史归一化细节序列;
所述模型训练模块用于:根据每条历史归一化近似序列的数据和长短期记忆网络训练出每一条历史归一化近似序列所对应的一个航迹预测模型,并根据每条历史归一化细节序列的数据和长短期记忆网络训练出每一条历史归一化细节序列所对应的一个航迹预测模型。
8.根据权利要求5至7任一项所述的一种航迹预测系统,其特征在于,所述归一化模块具体用于:通过最大最小值标准化方法分别将每条近似序列的数据和每条细节序列的数据进行归一化,得到多条归一化近似序列和多条归一化细节序列。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,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4任一项所述的一种分页查询方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010664729.4A CN111814101A (zh) | 2020-07-10 | 2020-07-10 | 一种航迹预测方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010664729.4A CN111814101A (zh) | 2020-07-10 | 2020-07-10 | 一种航迹预测方法、系统和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814101A true CN111814101A (zh) | 2020-10-23 |
Family
ID=72842762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010664729.4A Pending CN111814101A (zh) | 2020-07-10 | 2020-07-10 | 一种航迹预测方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814101A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093134A (zh) * | 2021-02-23 | 2021-07-09 | 福瑞泰克智能系统有限公司 | 一种扩展目标的跟踪方法、装置、感知设备及车辆 |
CN113221450A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102478584A (zh) * | 2010-11-26 | 2012-05-30 | 香港理工大学 | 基于小波分析的风电场风速预测方法及系统 |
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
-
2020
- 2020-07-10 CN CN202010664729.4A patent/CN111814101A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102478584A (zh) * | 2010-11-26 | 2012-05-30 | 香港理工大学 | 基于小波分析的风电场风速预测方法及系统 |
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
史习智 等: "《信号处理与软技算》", 31 October 2003, 高等教育出版社, pages: 225 - 228 * |
衣凡: "一种城市交通轨迹数据挖掘方法的研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 04, 15 April 2018 (2018-04-15), pages 034 - 10 * |
陈志华: "基于海量 AIS 数据的内河船舶航迹预测", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 07, 15 July 2019 (2019-07-15), pages 036 - 161 * |
陈志华: "基于海量AIS数据的内河船舶航迹预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, 15 July 2019 (2019-07-15), pages 036 - 161 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093134A (zh) * | 2021-02-23 | 2021-07-09 | 福瑞泰克智能系统有限公司 | 一种扩展目标的跟踪方法、装置、感知设备及车辆 |
CN113221450A (zh) * | 2021-04-27 | 2021-08-06 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
CN113221450B (zh) * | 2021-04-27 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Tracking the orientation and axes lengths of an elliptical extended object | |
CN108680918B (zh) | 应用于雷达的测速方法、测速装置及电子设备 | |
CN111814101A (zh) | 一种航迹预测方法、系统和电子设备 | |
El-Hawary et al. | Robust regression-based EKF for tracking underwater targets | |
CN110705041A (zh) | 一种基于easi的线性结构工作模态参数识别方法 | |
CN114362140B (zh) | 一种适用于配电网量测装置的高精度守时方法及装置 | |
Cooper | Use of optimal estimation theory, in particular the Kalman filter, in data analysis and signal processing | |
Fouskitakis et al. | Functional series TARMA modelling and simulation of earthquake ground motion | |
Ruoyu et al. | Modeling of MEMS gyro drift based on wavelet threshold denoising and improved Elman neural network | |
CN113791240A (zh) | 基于高阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质 | |
CN109188422B (zh) | 一种基于lu分解的卡尔曼滤波目标跟踪方法 | |
CN113466812B (zh) | 逆高斯纹理的复高斯海杂波模型参数的三分位点估计方法 | |
Vörös | Identification of nonlinear block-oriented systems with backlash and saturation | |
Zhang et al. | Denoising and trend terms elimination algorithm of accelerometer signals | |
CN113486300A (zh) | 一种无人驾驶车辆多目标跟踪方法 | |
Ma et al. | Research on robot SLAM of RBPF improved with weight accumulation | |
Lo et al. | Recursive neural filters and dynamical range transformers | |
CN115793472B (zh) | 重载列车的建模方法、建模系统、控制方法及控制系统 | |
Voros | Recursive identification of Wiener systems with two-segment polynomial nonlinearities | |
CN110990766A (zh) | 一种数据预测方法及存储介质 | |
Liu et al. | State estimation for linear dynamic system with multiple-step random delays using high-order Markov chain | |
Voros | Parameter identification of Hammerstein systems with asymmetric dead-zones | |
CN117784114B (zh) | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 | |
CN117930136B (zh) | 基于自适应复值归零神经动力学的多移动声源定位方法 | |
Sastri | An adaptive estimation algorithm |
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 |