CN112070312B - 航迹预测方法、装置、预测设备以及计算机可读存储介质 - Google Patents
航迹预测方法、装置、预测设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112070312B CN112070312B CN202010949565.XA CN202010949565A CN112070312B CN 112070312 B CN112070312 B CN 112070312B CN 202010949565 A CN202010949565 A CN 202010949565A CN 112070312 B CN112070312 B CN 112070312B
- Authority
- CN
- China
- Prior art keywords
- target
- candidate
- predicted
- point
- points
- 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
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种航迹预测方法、装置、预测设备以及计算可读存储介质,该方法包括:先通过预设的SVM回归模型对目标船舶的位置点信息进行回归拟合,得到目标船舶的候选预测目标点,然后再通过预设的知识图谱得到候选预测目标点之间的关联关系以及关联关系对应的关联值,根据关联值确定出目标船舶的预测目标点以及预测航迹。可见,本申请相对于现有技术来说,提高了航迹预测的精确度。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种航迹预测方法、装置、预测设备以及计算机可读存储介质。
背景技术
随着人工智能的发展,人们在船舶的航迹预测领域,相继开发了各种智能化的预测算法,从而保证船舶航行的安全。但是,现有的航迹预测方法是根据船舶的坐标位置、行进方向以及行进速度进行简单的预测,在航迹预测过程中存在精确度较低的问题。
发明内容
本申请实施例提供了一种航迹预测方法、装置、预测设备以及计算机可读存储介质,可以解决现有技术在航迹预测过程中存在精确度较低的问题。
第一方面,本申请实施例提供了一种航迹预测方法,该方法包括:
获取目标船舶的坐标点信息,其中,所述坐标点包括位置点;
将所述坐标点信息输入至预设的SVM回归模型,得到所述目标船舶的候选预测目标点,其中,所述候选预测目标点包括预测目标点。
将所述候选预测目标点输入至预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值;
根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点;
根据所述位置点以及所述预测目标点形成目标船舶的预测航迹。
在第一方面的一种可能的实现方式中,将所述坐标点信息输入至预设的SVM回归模型之前,还包括:
获取所述目标船舶的样本集合,其中,所述样本集合包括所述目标船舶的历史坐标点;
根据所述样本集合对所述预设的SVM回归模型进行训练,确定所述预设的SVM回归模型包含的各个回归方程中的各个特征参数的权重值。
在第一方面的一种可能实现的方式中,将所述候选预测目标点输入至预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值之前,还包括:
获取所述船舶的历史候选目标点;
确定所述历史候选目标点之间的关联关系;
根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建所述预设的知识图谱。
在第一方面的一种可能实现的方式中,根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建所述预设的知识图谱之后,还包括:
统计所述船舶到达所述历史候选目标点的频次;
根据每个所述历史候选目标点的频次确定出所述历史候选目标点之间的关联关系对应的关联值;
根据所述关联值更新所述预设的知识图谱。
在第一方面的一种可能实现的方式中,根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点,包括:
根据所述目标船舶的候选预测目标点生成候选预测目标点集合;
对所述候选预测目标点集合进行假设,得到假设集合;
根据预设函数计算所述假设集合的概率值;
根据所述假设集合的概率值决策出所述目标船舶的预测目标点。
在第一方面的一种可能实现的方式中,根据所述位置点以及所述预测目标点在所述预设的知识图谱中确定出目标船舶的预测航迹之后,还包括:
获取目标船舶的真实预测航迹以及真实预测目标点。
对预测航迹与真实预测航迹进行比较,得到第一比较结果。
对预测目标点与真实预测目标点之间进行比较,得到第二比较结果。
将第一比较结果和第二比较结果输入至残差修正模型,对SVM回归模型以及预设的知识图谱进行矫正。
第二方面,本申请实施例提供了一种航迹预测装置,该装置包括:
第一获取模块,用于获取目标船舶的坐标点信息,其中,所述坐标点包括位置点;
分类模块,用于将所述坐标点信息输入至预设的SVM回归模型,得到所述目标船舶的候选预测目标点,其中,所述候选预测目标点包括预测目标点。
关联模型,用于将所述候选预测目标点输入至预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值;
计算模块,用于根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点;
形成模块,用于根据所述位置点以及所述预测目标点形成目标船舶的预测航迹。
在第二方面的一种可能的实现方式中,所述装置还包括:
第二获取模块,用于获取所述目标船舶的样本集合,其中,所述样本集合包括所述目标船舶的历史坐标点;
训练模块,与用于根据所述样本集合对所述预设的SVM回归模型进行训练,确定所述预设的SVM回归模型包含的各个回归方程中的各个特征参数的权重值。
在第二方面的一种可能的实现方式中,所述装置还包括:
第三获取模块,用于获取所述船舶的历史候选目标点;
确定所述历史候选目标点之间的关联关系;
根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建所述预设的知识图谱。
在第二方面的一种可能的实现方式中,所述计算模块包括:
生成单元,用于根据所述目标船舶的候选预测目标点生成候选预测目标点集合;
假设单元,用于对所述候选预测目标点集合进行假设,得到假设集合;
计算单元,用于根据预设函数计算所述假设集合的概率值;
决策模块,用于根据所述假设集合的概率值决策出所述目标船舶的预测目标点。
在第二方面的一种可能的实现方式中,所述装置还包括:
第四获取模块,用于获取目标船舶的真实预测航迹以及真实预测目标点。
第一比较模块,用于对预测航迹与真实预测航迹进行比较,得到第一比较结果。
第二比较模块,用于对预测目标点与真实预测目标点之间进行比较,得到第二比较结果。
矫正模块,用于将第一比较结果和第二比较结果输入至残差修正模型,对SVM回归模型以及预设的知识图谱进行矫正。
第三方面,本申请实施例提供了一种预测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例,先通过预设的SVM回归模型对目标船舶的位置点信息进行回归拟合,得到目标船舶的候选预测目标点,然后再通过预设的知识图谱得到候选预测目标点之间的关联关系以及关联关系对应的关联值,根据关联值确定出目标船舶的预测目标点以及预测航迹,相对于现有技术来说,提高了航迹预测的精确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种航迹预测的方法的一种流程示意图;
图2是本申请实施例提供的一种航迹预测的方法的图1中步骤S102之前的一种流程示意图;
图3是本申请实施例提供的一种航迹预测方法的图1中步骤S103之前的一种流程示意图;
图4是本申请实施例提供的一种航迹预测方法的图3中步骤S303之后的流程示意图;
图5是本申请实施例提供的一种航迹预测方法的图1中步骤S104的具体流程示意图;
图6是本申请实施例提供的一种航迹预测方法的图1中步骤S105之后的一种流程示意图;
图7是本申请实施例提供的一种航迹预测装置的结构示意图;
图8是本申请实施例提供一种预测设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面根据具体实施例对本方案进行说明。
参见图1,为本申请实施例提供的一种航迹预测的方法的一种流程示意图,该方法可以应用于预测设备,该推荐设备包括终端设备或者服务器,其中,终端设备可以是桌上型计算机、笔记本、掌上电脑等计算设备,服务器可以是云端服务器等计算设备,该方法包括:
步骤S101、获取目标船舶的坐标点信息。
其中,坐标点包括位置点,坐标点是指目标船舶实时的位置,例如坐标点为(X,Y),其中,X表示目标船舶横向方向的航行路程,Y表示目标船舶纵向方法的航行路程,位置点是指目标船舶达到过的目的地,例如香港维多利亚港口、日本横滨港口、太平洋、加利福尼亚港口、里根号、香港维多利亚港口、日本佐保港口、加利福尼亚港口以及夏威夷珍珠港等。坐标点信息包括目标船舶在航行过程中每一时刻对应的坐标和速度,例如,t时刻的速度Vt,坐标为(Xt,Yt)。
这里需要说明的是,坐标点信息是当前船舶的坐标点信息,本申请实施例可以实时通过雷达获取目标船舶的坐标点信息。
步骤S102、将坐标点信息输入至预设的SVM回归模型,得到目标船舶的候选预测目标点。
其中,候选预测目标点包括预测目标点。
具体应用中,利用预设的SVM回归模型,对各个时刻的坐标点进行回归拟合,将各个时刻的坐标点代入到预设的SVM回归模型中各个回归方程中,根据各个回归方程的回归拟合程度找出与本次航行拟合的曲线,根据拟合的曲线预测目标船舶的候选预测目标点。例如,目标在t+1时刻的位置距离横滨港口和佐保港口相对较近,因此可以推断出目标可能到达横滨港口或者佐保港口,则候选预测目标点为横滨港口或者佐保港口,从而得到目标船舶的多个候选预测目标点,后续需要确定多个候选预测目标点中唯一候选预测目标点,即为最终得到的预测目标点。
在一种可选的实施方式中,参见图2,为本申请实施例提供的一种航迹预测的方法的图1中步骤S102之前的一种流程示意图,将坐标点信息输入至预设的SVM回归模型之前,包括:
步骤S201、获取船舶的样本集合,其中,样本集合包括目标船舶的历史坐标点,历史坐标点为目标船舶之前的航行过程中的坐标点。
步骤S202、根据样本集合对预设的SVM回归模型进行训练,确定预设的SVM回归模型包含的各个回归方程中的各个特征参数的权重值。
其中,预设的SVM回归模型由多个回归方程构成,每一回归方程对应目标船舶达到一个预测目标点的概率,特征参数的数量与位置点的数量相同,特征参数的权重值是预先设置好的。
可以理解的是,本申请实施例可以利用目标船舶之间航行过程中达到的坐标点对预设的SVM回归模型进行训练。
步骤S103、将候选预测目标点输入至预设的知识图谱,得到候选预测目标点之间的关联关系,以及关联关系对应的关联值。
其中,预设的知识图谱存储有多个预测目标点以及预测目标点之间的关联关系,以及关联关系对应的关联值,例如,预测目标点之间的关联关系是指现实中的距离远近,关联关系对应的关联值是指目标船舶达到预测目标点的频次。
可以理解的是,将候选预测目标点输入至预设的知识图谱,通过预设的知识图谱强大的关联能力,找到知识图谱中与候选预测目标点匹配的预测目标点,从而得到候选预测目标点之间的关联关系,以及关联关系对应的关联值。
在一种可选的实施方式中,参见图3,为本申请实施例提供的一种航迹预测方法的图1中步骤S103之前的一种流程示意图,将候选预测目标点输入至预设的知识图谱,得到候选预测目标点之间的关联关系,以及关联关系对应的关联值之前,包括:
步骤S301、获取船舶的历史候选目标点。
例如,目标船舶是里根号,里根号在每年的航行路线中都有相应的路径,假设为(里根号,香港维多利亚港口,日本横滨港口,太平洋,加利福尼亚港口)和(里根号,香港维多利亚港口,日本佐保港口,加利福尼亚港口,夏威夷珍珠港),根据路径可以建立相应的路径图谱
步骤S302、确定历史候选目标点之间的关联关系。
其中,确定历史候选目标点之间的关联关系可以根据现实中历史候选目标点之后的远近距离来确定,若两个历史候选目标点相邻则确定这两个历史候选目标点之间存在关联关系,若两个历史候选目标点不相邻,则确定这两个历史候选目标点之间不存在关联关系。
步骤S303、根据历史候选目标点以及历史候选目标点之间的关联关系,构建预设的知识图谱。
具体应用中,可以根据目标船舶之前的行进路径到达的目的地点,构建出想用的知识图谱,例如,里根号在每年的航行路线中都有相应的路径,假设为里根号、香港维多利亚港口、日本横滨港口、太平洋、加利福尼亚港口、里根号、香港维多利亚港口、日本佐保港口、加利福尼亚港口、夏威夷珍珠港,那么可以根据路径可以建立相应的路径图谱。
示例性地,将历史候选目标点作为节点,以及将历史候选目标点之间的关联关系作为节点之间的关联关系,构建预设的知识图谱。
可以理解的是,本申请实施例可以根据目标船舶历史候选目标点构建预设的知识图谱。
可选的,如图4所示,为本申请实施例提供的一种航迹预测方法的图3中步骤S303之后的流程示意图,根据历史候选目标点以及历史候选目标点之间的关联关系,构建预设的知识图谱之后,还包括:
步骤S401、统计船舶到达历史候选目标点的频次。
步骤S402、根据每个历史候选目标点的频次确定出历史候选目标点之间的关联关系对应的关联值。
步骤S403、根据关联值更新预设的知识图谱。
可以理解的是,本申请实施例可以根据目标船舶到预测目标点的次数实时更新知识图谱中节点之间的关联值。
步骤S104、根据候选预测目标点之间的关联值得到目标船舶的预测目标点。
具体地,如图5所示,为本申请实施例提供的一种航迹预测方法的图1中步骤S104的具体流程示意图,根据候选预测目标点之间的关联值得到目标船舶的预测目标点包括:
步骤S501、根据目标船舶的候选预测目标点生成候选预测目标点集合。
示例性地,候选预测目标点为日本横滨港口或者日本佐保港口,那么,设X为全域,也就是候选预测目标点集合,即 X={日本横滨港口、日本佐保港口、其他}。
步骤S502、对候选预测目标点集合进行假设,得到假设集合。
对于X全域,一共可以有2的X次方个假设(包括空集),比如,X={日本横滨港口、日本佐保港口、其他},那么得到的假设集合为X2,X2= {Ø,{日本横滨港口},{日本佐保港口},{其他},{日本横滨港口,日本佐保港口},{日本横滨港口,其他},日本佐保港口,其他},{日本横滨港口,日本佐保港口,其他}}。
步骤S503、将候选预测目标点之间的关联值代入至预设函数计算假设集合的概率值。
具体应用中,第一步、定义假设集合中每个假设子集合的mass函数值,假设集合中全部假设子集合的概率值在[0,1],则满足,其中,A为假设子集合,根据mass函数来计算每一个假设的信度函数(Belief function)以及似然函数Plausibility function)得到的信度函数和似然函数就是这个假设A的概率范围了:bel(A) ≤P(A)≤pl(A)即信任区间。
其中,信度函数的定义如下:,该公式表示,对于假设,它的信度函数为所有真属于A的假设,即B的mass函数值的和,似然函数的定义如下,该公式表示,对于假设A,它的似然函数为所有与A相交不为空的假设B的mass值的和,B指的是假设集合中的全部假设子集合。
第二步、根据候选预测目标点之间的关联值计算每个假设子集合的mass函数值的信任区间。
示例性地,具体计算过程如下:
假设该舰船根据候选预测目标点之间的关联值和专家预测到达各个港口的概率值如下表1所示。
表1
注:将{日本横滨港口,日本佐保港口,其他}即为T,
首先计算归一化系数:
其中,A和B均属于{日本横滨港口,日本佐保港口,其他,T }中的任一情况。
本文以计算日本横滨港口的mass函数值为例:
到达日本横滨港口的mass函数计算结果如下:
根据上述计算结果可以计算得到每个假设的信度函数以及似然函数值:
仍以到达日本横滨港口为例,信度函数的计算结果为:
同理bel(日本佐保港口)=0.015,bel(其他)=0.49,bel(T)=m(日本横滨港口)+m(日本佐保港口)+m(其他)+m(T)= 0.49+0.015+0.49+0.005=1
以到达日本横滨港口为例,似然函数的计算结果为:
同理pl(日本佐保港口)=0.015+0.005=0.020,pl(其他)=0.49+0.005=0.495,pl(T)=1
因此到达日本横滨港口的概率范围为:
同理到达日本佐保港口的信任区间的概率为:[0.015,0.02],到达其他港口的信任区间的概率为:[0.49,0.495],到达T的信任区间的概率为:[1,1]。
步骤S504、根据假设集合的概率值决策出目标船舶的预测目标点。
可以理解的是,根据上述各个情况的各个概率可以得到,该舰船目标此时到达T的概率最大,但是该情况下包括日本横滨港口、日本佐保港口、其他中的所有的情况,参考意义不大;其次到达日本横滨港口和其他港口的概率相同,其他港口和T这种都是未知的结果,因此最终可以判断该目标将可能会到达日本横滨港口。
步骤S105、根据位置点以及预测目标点形成目标船舶的预测航迹。
具体应用中,将位置点与预测目标点连接起来形成曲线,即为目标船舶的预测航迹。
在一种可选的实施方式中,参见图6,为本申请实施例提供的一种航迹预测方法的图1中步骤S105之后的一种流程示意图,根据位置点以及预测目标点在预设的知识图谱中确定出目标船舶的预测航迹之后,还包括:
步骤S601、获取目标船舶的真实预测航迹以及真实预测目标点。
步骤S602、对预测航迹与真实预测航迹进行比较,得到第一比较结果。
步骤S603、对预测目标点与真实预测目标点之间进行比较,得到第二比较结果。
步骤S604、将第一比较结果和第二比较结果输入至残差修正模型,对预设的SVM回归模型以及预设的知识图谱进行矫正。
其中,残差修正模型可以是误差修正模型。
具体应用中,当第一比较结果为预测航迹与真实预测航迹存在偏差,第二比较结果为预测目标点与真实预测目标点之间存在偏差,则同时对预设的SVM回归模型中权重值以及预设的知识图谱的预测目标点之间关联关系对应的关联值进行矫正;
当第一比较结果为预测航迹与真实预测航迹存在偏差,第二比较结果为预测目标点与真实预测目标点之间不存在偏差,则对预设的SVM回归模型中权重值进行矫正;
当第一比较结果为预测航迹与真实预测航迹不存在偏差,第二比较结果为预测目标点与真实预测目标点之间存在偏差,则对预设的知识图谱的预测目标点之间关联关系对应的关联值进行矫正。
可以理解的是,本申请实施例通过对模型的不断矫正,不断优化各个模型的精度。
本申请实施例,先通过预设的SVM回归模型对目标船舶的位置点信息进行回归拟合,得到目标船舶的候选预测目标点,然后再通过预设的知识图谱得到候选预测目标点之间的关联关系以及关联关系对应的关联值,根据关联值确定出目标船舶的预测目标点以及预测航迹,相对于现有技术来说,提高航迹预测的精确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种航迹预测方法,图7示出了本申请实施例提供的一种航迹预测装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图7,该装置包括:
第一获取模块71,用于获取目标船舶的坐标点信息,其中,所述坐标点包括位置点;
分类模块72,用于将所述坐标点信息输入至预设的SVM回归模型,得到所述目标船舶的候选预测目标点,其中,所述候选预测目标点包括预测目标点。
关联模型73,用于将所述候选预测目标点输入至预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值;
计算模块74,用于根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点;
形成模块75,用于根据所述位置点以及所述预测目标点形成目标船舶的预测航迹。
在一种可能的实现方式中,所述装置还包括:
第二获取模块,用于获取所述目标船舶的样本集合,其中,所述样本集合包括所述目标船舶的历史坐标点;
训练模块,与用于根据所述样本集合对所述预设的SVM回归模型进行训练,确定所述预设的SVM回归模型包含的各个回归方程中的各个特征参数的权重值。
在一种可能的实现方式中,所述装置还包括:
第三获取模块,用于获取所述船舶的历史候选目标点;
确定所述历史候选目标点之间的关联关系;
根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建所述预设的知识图谱。
在一种可能的实现方式中,所述计算模块包括:
生成单元,用于根据所述目标船舶的候选预测目标点生成候选预测目标点集合;
假设单元,用于对所述候选预测目标点集合进行假设,得到假设集合;
计算单元,用于根据预设函数计算所述假设集合的概率值;
决策模块,用于根据所述假设集合的概率值决策出所述目标船舶的预测目标点。
在一种可能的实现方式中,所述装置还包括:
第四获取模块,用于获取目标船舶的真实预测航迹以及真实预测目标点。
第一比较模块,用于对预测航迹与真实预测航迹进行比较,得到第一比较结果。
第二比较模块,用于对预测目标点与真实预测目标点之间进行比较,得到第二比较结果。
矫正模块,用于将第一比较结果和第二比较结果输入至残差修正模型,对SVM回归模型以及预设的知识图谱进行矫正。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图8为本申请一实施例提供的一种预测设备的结构示意图。如图8所示,该实施例的预测设备8包括:至少一个处理器80、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述方法实施例中的各个步骤。
所述预测设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该推荐设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是预测设备8的举例,并不构成对预测设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),该处理器80还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述预测设备8的内部存储单元,例如预测设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述预测设备8的外部存储设备,例如所述预测设备8上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述预测设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种航迹预测方法,其特征在于,所述方法包括:
获取目标船舶的坐标点信息,其中,所述坐标点包括位置点,所述坐标点信息是当前船舶的坐标点信息;
将所述坐标点信息输入至预设的SVM回归模型,得到所述目标船舶的候选预测目标点,其中,所述候选预测目标点包括预测目标点;
获取所述船舶的历史候选目标点;
确定所述历史候选目标点之间的关联关系;
根据所述历史候选目标点以及所述历史候选目标点之间的关系,构建预设的知识图谱;
将所述候选预测目标点输入至所述预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值;
根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点;
根据所述位置点以及所述预测目标点形成目标船舶的预测航迹。
2.如权利要求1所述的航迹预测方法,其特征在于,将所述坐标点信息输入至预设的SVM回归模型之前,还包括:
获取所述目标船舶的样本集合,其中,所述样本集合包括所述目标船舶的历史坐标点;
根据所述样本集合对所述预设的SVM回归模型进行训练,确定所述预设的SVM回归模型包含的各个回归方程中的各个特征参数的权重值。
3.如权利要求1所述的航迹预测方法,其特征在于,根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建所述预设的知识图谱之后,还包括:
统计所述船舶到达所述历史候选目标点的频次;
根据每个所述历史候选目标点的频次确定出所述历史候选目标点之间的关联关系对应的关联值;
根据所述关联值更新所述预设的知识图谱。
4.如权利要求1所述的航迹预测方法,其特征在于,根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点,包括:
根据所述目标船舶的候选预测目标点生成候选预测目标点集合;
对所述候选预测目标点集合进行假设,得到假设集合;
将候选预测目标点之间的关联值代入至预设函数计算假设集合的概率值;
根据所述假设集合的概率值决策出所述目标船舶的预测目标点。
5.如权利要求1至2任一项所述的航迹预测方法,其特征在于,根据所述位置点以及所述预测目标点在所述预设的知识图谱中确定出目标船舶的预测航迹之后,还包括:
获取目标船舶的真实预测航迹以及真实预测目标点;
对预测航迹与真实预测航迹进行比较,得到第一比较结果;
对预测目标点与真实预测目标点之间进行比较,得到第二比较结果;
将第一比较结果和第二比较结果输入至残差修正模型,对SVM回归模型以及预设的知识图谱进行矫正。
6.一种航迹预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标船舶的坐标点信息,其中,所述坐标点包括位置点;
分类模块,用于将所述坐标点信息输入至预设的SVM回归模型,得到所述目标船舶的候选预测目标点,其中,所述候选预测目标点包括预测目标点;
第三获取模块,用于获取所述船舶的历史候选目标点,确定所述历史候选目标点之间的关联关系,根据所述历史候选目标点以及所述历史候选目标点之间的关联关系,构建预设的知识图谱;
关联模型,用于将所述候选预测目标点输入至所述预设的知识图谱,得到所述候选预测目标点之间的关联关系,以及所述关联关系对应的关联值;
计算模块,用于根据所述候选预测目标点之间的关联值得到所述目标船舶的预测目标点;
形成模块,用于根据所述位置点以及所述预测目标点形成目标船舶的预测航迹;
所述分类模块包括:
分类单元,用于利用预设的SVM回归模型,对各个时刻的坐标点进行回归拟合,将各个时刻的坐标点代入到预设的SVM回归模型中各个回归方程中,根据各个回归方程的回归拟合程度找出与本次航行拟合的曲线,根据拟合的曲线预测目标船舶的候选预测目标点。
7.一种预测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,所述可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949565.XA CN112070312B (zh) | 2020-09-10 | 2020-09-10 | 航迹预测方法、装置、预测设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949565.XA CN112070312B (zh) | 2020-09-10 | 2020-09-10 | 航迹预测方法、装置、预测设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070312A CN112070312A (zh) | 2020-12-11 |
CN112070312B true CN112070312B (zh) | 2021-11-02 |
Family
ID=73663574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949565.XA Active CN112070312B (zh) | 2020-09-10 | 2020-09-10 | 航迹预测方法、装置、预测设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070312B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433934B (zh) * | 2021-04-27 | 2022-04-12 | 武汉海兰鲸科技有限公司 | 一种商船航速优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
CN109543715A (zh) * | 2018-10-23 | 2019-03-29 | 武汉理工大学 | 一种船舶航路提取以及航迹偏离检测的方法 |
CN110245204A (zh) * | 2019-06-12 | 2019-09-17 | 桂林电子科技大学 | 一种基于定位及知识图谱的智能推荐方法 |
WO2020097449A1 (en) * | 2018-11-09 | 2020-05-14 | Figene, Llc | Means and methods of preventing or reversing aging |
-
2020
- 2020-09-10 CN CN202010949565.XA patent/CN112070312B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
CN109543715A (zh) * | 2018-10-23 | 2019-03-29 | 武汉理工大学 | 一种船舶航路提取以及航迹偏离检测的方法 |
WO2020097449A1 (en) * | 2018-11-09 | 2020-05-14 | Figene, Llc | Means and methods of preventing or reversing aging |
CN110245204A (zh) * | 2019-06-12 | 2019-09-17 | 桂林电子科技大学 | 一种基于定位及知识图谱的智能推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112070312A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | Approaches to multisensor data fusion in target tracking: A survey | |
Denoeux | A k-nearest neighbor classification rule based on Dempster-Shafer theory | |
Yershov et al. | Simplicial Dijkstra and A* algorithms for optimal feedback planning | |
CN110287775B (zh) | 手掌图像裁剪方法、装置、计算机设备及存储介质 | |
Juang et al. | Dynamic system modeling using a recurrent interval-valued fuzzy neural network and its hardware implementation | |
CN113256712A (zh) | 定位方法、装置、电子设备和存储介质 | |
Míguez et al. | On the convergence of two sequential Monte Carlo methods for maximum a posteriori sequence estimation and stochastic global optimization | |
Wang et al. | Alternating minimization based trajectory generation for quadrotor aggressive flight | |
Bonnabel | Symmetries in observer design: Review of some recent results and applications to EKF-based SLAM | |
Jiang et al. | Attention-based meta-reinforcement learning for tracking control of AUV with time-varying dynamics | |
CN112070312B (zh) | 航迹预测方法、装置、预测设备以及计算机可读存储介质 | |
Gurriet et al. | Realizable set invariance conditions for cyber-physical systems | |
WO2021262837A1 (en) | Systems and methods for fine adjustment of roof models | |
Kim | Maneuvering target tracking of underwater autonomous vehicles based on bearing-only measurements assisted by inequality constraints | |
Obradović et al. | The maximal distance between imprecise point objects | |
Sun et al. | Joint tracking and classification of extended object based on support functions | |
Firl et al. | MARV-X: Applying maneuver assessment for reliable verification of car-to-X mobility data | |
Xiong et al. | Multi-uncertainty captured multi-robot lidar odometry and mapping framework for large-scale environments | |
CN113920447A (zh) | 船舶入港检测方法、装置、计算机设备及存储介质 | |
Jiang et al. | Road-constrained geometric pose estimation for ground vehicles | |
Jang et al. | Stochastic computing based ai system for mobile devices | |
Mirinejad et al. | Radial basis function interpolation and galerkin projection for direct trajectory optimization and costate estimation | |
Bolting et al. | The iterated extended set membership filter applied to relative localization between autonomous vehicles based on GNSS and UWB ranging | |
Zhang et al. | An algorithm of the adaptive grid and fuzzy interacting multiple model | |
CN111340870B (zh) | 基于视觉的拓扑地图生成方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 519031 office 1316, No. 1, lianao Road, Hengqin new area, Zhuhai, Guangdong Applicant after: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd. Address before: Room 417.418.419, building 20, creative Valley, 1889 Huandao East Road, Hengqin New District, Zhuhai City, Guangdong Province Applicant before: LONGMA ZHIXIN (ZHUHAI HENGQIN) TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |