CN112364119A - 基于lstm编解码模型的海洋浮标轨迹预测方法 - Google Patents

基于lstm编解码模型的海洋浮标轨迹预测方法 Download PDF

Info

Publication number
CN112364119A
CN112364119A CN202011392272.2A CN202011392272A CN112364119A CN 112364119 A CN112364119 A CN 112364119A CN 202011392272 A CN202011392272 A CN 202011392272A CN 112364119 A CN112364119 A CN 112364119A
Authority
CN
China
Prior art keywords
track
model
ocean
buoy
prediction
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.)
Granted
Application number
CN202011392272.2A
Other languages
English (en)
Other versions
CN112364119B (zh
Inventor
梁建峰
宋晓
韩璐遥
岳心阳
陈萱
陈若冰
李雨森
韦广昊
韩春花
宁鹏飞
刘志杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL MARINE DATA AND INFORMATION SERVICE
Original Assignee
NATIONAL MARINE DATA AND INFORMATION SERVICE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NATIONAL MARINE DATA AND INFORMATION SERVICE filed Critical NATIONAL MARINE DATA AND INFORMATION SERVICE
Priority to CN202011392272.2A priority Critical patent/CN112364119B/zh
Publication of CN112364119A publication Critical patent/CN112364119A/zh
Application granted granted Critical
Publication of CN112364119B publication Critical patent/CN112364119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM编解码模型的海洋浮标轨迹预测方法，包括：获取海洋浮标的轨迹序列，包括海洋浮标的经度坐标和纬度坐标，所有海洋浮标的轨迹序列构成数据集，将数据集分成训练集和测试集；编码器每一个时间步读取训练集中一个轨迹点周期性编码标准化后的数据，并结合上一时间步的隐层输出生成该步的输出，延时间轴方向不断读取最终转换成固定长度的全局向量表示；解码器基于全局向量表示初始化内部状态，直至模型收敛；将测试集输入至训练好的模型中，得到海洋浮标预测轨迹。本发明能够对海洋浮标的轨迹进行准确预测，对于指导浮标投放具有很大的参考价值。

Description

基于LSTM编解码模型的海洋浮标轨迹预测方法
技术领域
本发明涉及海洋浮标轨迹预测技术领域，更具体的说是涉及一种基于LSTM的Encoder-Decoder海洋浮标轨迹预测方法。
背景技术
物体轨迹预测方面已经有很多研究成果。早期研究主要集中在对移动对象轨迹的模拟，此类方法依赖于手工特征，很难在复杂的真实环境下对用户的行为模式进行充分挖掘。Qiao提出使用隐马尔科夫模型(HMM)结合用户的个性化行为习惯进行轨迹预测。其他传统的机器学习算法如线性回归、决策树模型也被应用于轨迹预测。上述算法取得了不错的预测效果但均局限于对离散的位置点进行预测，并不适用于经纬度坐标此类连续的位置信息。随着深度学习的快速发展，长短期记忆网络(Long short-term Memory,LSTM)也被大量应用于轨迹序列预测任务。如斯坦福大学研究员Alahi等在2016年提出的social LSTM模型将轨迹预测看成序列生成任务，通过对人类的一般运动进行学习来预测未来轨迹，但其应用场景局限于特定的小范围区域如十字路口等。Wong等提出的LSTM-PPM模型，使用LSTM网络结合周期模式挖掘，即在模型的输入特征中引入历史轨迹中的周期性模式特征以提高预测精度，该方法建立在移动对象具有规律的移动模式的假设之上，而海洋浮标的漂流轨迹受到多种自然气候因素的影响，且不同区域内的浮标轨迹差异较大，难以对轨迹的周期模式进行挖掘。
根据预测步长的不同，可以将轨迹预测任务分成单步预测和多步预测。单步预测仅对未来的第一个时间步的位置进行预测，应用场景十分有限。若使用单步预测的方法对未来第K个时间步进行预测(K>1)，即实现多步预测的目标，由于无法获得真实的位置信息，需要将上一步的预测输出追加到输入序列的末端作为已知的历史信息，微小的误差在循环单步预测过程中不断累积，严重影响了最终轨迹预测的精度。
因此，如何提供一种预测精度高且适用于海洋浮标的轨迹预测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于LSTM编解码模型的海洋浮标轨迹预测方法，能够对海洋浮标的轨迹进行准确预测。
为了实现上述目的，本发明采用如下技术方案：
一种基于LSTM编解码模型的海洋浮标轨迹预测方法，包括：
获取海洋浮标的轨迹序列，所述轨迹序列中的每个轨迹点包括海洋浮标的经度坐标和纬度坐标，所有海洋浮标的轨迹序列构成数据集，将并将所述数据集分成训练集和测试集；
编码器每一个时间步读取所述训练集中一个轨迹点周期性编码标准化后的数据，并结合上一时间步的隐层输出生成该步的输出，延时间轴方向不断读取最终转换成固定长度的全局向量表示；
解码器基于所述全局向量表示输出预测经度和纬度；
计算输出的上述经度和纬度分别与预测值之间的误差，更新权重直至LSTM模型收敛；
将所述测试集输入至训练好的所述LSTM模型中，得到海洋浮标预测轨迹。
进一步，所述周期性编码具体包括：
将海洋浮标的所述经度坐标和所述纬度坐标进行周期性编码：
Figure BDA0002811292910000031
Figure BDA0002811292910000032
式中，xlgt、xlat分别表示海洋浮标原始的经度和纬度坐标，x′lgt、x′lat分别表示编码后的二维经度坐标和纬度坐标。
进一步，模型选用均方误差作为损失函数，采用反向传播算法计算每个权重的梯度，使用梯度优化算法更新权重：
Figure BDA0002811292910000033
其中，N表示训练集中样本个数，
Figure BDA0002811292910000034
和y分别表示模型预测值和真实值，MSE表示均方误差。
进一步，所述编码器和所述解码器均采用单层的LSTM网络，隐层神经元个数为10，输入维度为2。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于LSTM编解码模型的海洋浮标轨迹预测方法，使用Encoder将不定长度的历史轨迹点序列压缩到固定长度的隐层向量表示，再以特定的隐层表示作为初始状态用于Decoder未来轨迹序列的生成。通过将特征提取和预测过程进行解耦，模型将更加关注于输入序列的全局特征，弱化了异常数据对预测结果带来的误差，避免了传统LSTM模型循环单步预测所带来的误差累积问题，预测准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为Encoder-Decoder模型结构示意图。
图2为LSTM单元遗忘门结构。
图3为LSTM单元输入门结构。
图4为LSTM单元输出门结构。
图5为基于LSTM编解码模型的海洋浮标轨迹预测方法流程图。
图6为轨迹预测结果对比图。
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做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。
本发明实施例公开了一种基于LSTM编解码模型的海洋浮标轨迹预测方法，如图5所示，包括：
步骤一：获取海洋浮标的轨迹序列，轨迹序列中的每个轨迹点包括海洋浮标的经度坐标和纬度坐标，所有海洋浮标的轨迹序列构成数据集，并将数据集分成训练集和测试集：
假设已知浮标i的轨迹序列为Si＝{si1,si2,…,sin}，相邻的轨迹点的采样时间间隔固定为10天左右，即每个时间步的长度为10天左右。其中每一个轨迹点sij＝(xlgt-ij,xlat-ij)(j＝1,2,…n)为一个二维的坐标元组，表示第i个浮标在第j个时间步所处的经纬度坐标。
步骤二：对经度坐标和纬度坐标分别进行周期性编码处理：
对于经度数据，179°W和179°E在地理位置上仅相差2°，在数值上却相差了358°，很大程度上加大了模型学习的难度。为了表达原本经纬度信息在数值上的连续性以及头尾的相接性，对经纬度信息分别进行周期性编码：
Figure BDA0002811292910000051
Figure BDA0002811292910000052
式中，xlgt、xlat分别表示海洋浮标原始的经度和纬度坐标，x′lgt、x′lat分别表示编码后的二维经度坐标和纬度坐标。
将原为一维的经度和纬度数据分别拓展成二维表示，扩充了数据维度，有效地提高了模型预测的准确率。
步骤三：利用LSTM网络进行轨迹预测：
长短期记忆网络(LSTM)将整个隐藏层作为记忆单元，替代了传统RNN的隐层单元，记忆单元中精心设计的三种门控结构可对长期状态和短期状态进行灵活有效的控制，时间跨度随输入的序列长度的改变而动态变化。
3.1遗忘门
遗忘门用以对上一时间步的信息选择性遗忘，其结构如图2中虚线框内部分所示。
上一时间步的隐层输出ht-1和当前时间步的输入xt作为输入信息，送入遗忘门中，通过sigmoid激活函数引入非线性，得到遗忘门的输出ft。在sigmoid函数的作用下，输出在[0,1]之间，也表示为对上一时间步遗忘的概率。表达式如公式3所示。
ft＝σ(Wf·[ht-1,xt]+bf) (3)
其中Wf是上一时间步的隐层输出ht-1和当前时间步的输入xt的权重，bf是偏置，σ为sigmoid激活函数，具体表达式如公式4所示。
Figure BDA0002811292910000061
该函数在x取值趋向于无穷小时取值为0，在x趋向于正无穷时取值为1，x取值为0时取值为0.5。
3.2输入门
输入门对当前时间步输入的信息进行选择性的输入，其结构如图3中虚线框内部分所示。
输入门有两部分组成，第一部分对上一时间步的隐层输出ht-1和当前时间步的输入xt进行整合，经过sigmoid函数激活后生成it，如公式5所示。第二部分对整合后的信息使用tanh激活函数，与第一部分的结果共同生成ct，如公式6所示。
it＝σ(Wi·[ht-1,xt]+bi) (5)
Figure BDA0002811292910000062
式中Wi、Wc、bi、bc分别表示权重和偏置，ct为在t时间步细胞单元的状态。
3.3输出门
输出门结合细胞内部的状态选择性的输出，其结构如图4中虚线框内部分所示。
对上一时间步的隐层输出ht-1和当前时间步的输入xt进行整合，经过sigmoid函数激活后生成ot，如公式7所示。结合当前细胞单元的隐层状态ct，在tanh函数的激活之后生成当前时刻更新后的隐层状态ht，如公式8所示。
ot＝σ(Wo·[ht-1,xt]+bo) (7)
Figure BDA0002811292910000063
其中Wo和bo分别权重和偏置。所有结构的输入值被点乘和加法操作巧妙融合，在模型的一次次的迭代训练中被更新，最后激活函数tanh将输出值控制在0到1之间，其中0表示不输出，1表示全部输出。
对于海洋浮标的经纬度分别进行预测，以提高模型整体的准确率。本发明中编码器和解码器均使用了单层的LSTM网络，隐层神经元个数均为10，输入维度为2，即经过周期编码处理的经/纬度数据。
预测模型如图1所示，编码器每一个时间步读取一个轨迹点的经周期性编码后的数据x′，结合上一时间步的隐层输出生成该步的输出。输入信息沿时间轴方向不断地被编码器读取，最终被转换成固定长度的向量以代表输入信息的全局表示。解码器使用该全局表示初始化其内部状态，由于无法得到浮标在未来每一个时间步的位置信息，解码器每一个时间步的输入为上一个时间步的预测输出，第K个时间步的预测输出连接了两层全连接层，隐层单元数分别为10和1，用于对神经网络中数据的维度进行压缩，为了避免对最终输出的数据分布产生影响，不使用任何激活函数。模型最终输出维度为1，即待预测的经度或纬度数值。
传统的循环单步预测模型，在训练阶段仅考虑未来一个时间步内预测值和真实值之间的差异，模型易收敛。但在预测阶段，需要将模型的预测输出追加到输入序列的末端作为已知的历史轨迹序列，数据与训练阶段不遵循相同的分布，预测效果较差。而本发明中，训练阶段通过计算真实的经/纬度值和模型预测值之间的距离作为模型的训练目标，选用均方误差(Mean Square Error,MSE)作为损失函数，采用反向传播算法计算每个权重的梯度，使用梯度优化算法更新权重，将训练集中的全部浮标分批进行训练直至收敛。均方误差函数的计算如公式9所示，其中N表示训练集中样本的个数，
Figure BDA0002811292910000071
和y分别表示模型预测值和真实值。
Figure BDA0002811292910000081
网络训练过程本发明选择学习率自适应地优化算法(Adaptive MonentEstimmation,Adam)，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
本发明中借助Encoder-Decoder模型序列到序列预测的天然优势，避免传统LSTM循环单步预测所带来的误差累积问题，对浮标未来的轨迹序列进行预测。
实验验证部分：
所有浮标完整的轨迹序列构成数据集D，由于轨迹数据具有时序特征，为避免随机划分造成的未来信息泄漏问题，对于D中每个浮标样本的轨迹序列均沿时间轴按照6:4的比例进行划分，得到训练集S和测试集T。使用5折交叉验证对模型的超参数进行选择，将训练集S划分成五个大小相等的互斥子集，即S＝S1∪S2∪...∪S5每次使用其中4个子集作为训练集，剩余的一个子集作为验证集，进行5次训练和验证，得到相同参数时模型的5次验证结果的均值。为了避免梯度下降陷入局部最小和提高计算效率，将训练集中的数据分批输入模型进行训练。训练过程中随机丢弃部分单元及其连接，即引入Dropout机制防止模型过拟合。模型最终选择具有最小损失函数的超参数组合如下表1所示。确定超参数配置后，使用完整的训练集S重新对模型进行训练，得到最终的轨迹预测模型。测试集T用来检验模型对训练样本外数据的预测能力。
表1轨迹预测模型超参数
Figure BDA0002811292910000091
评价指标
为了评价模型的预测能力，需要建立直观的量化标准来进行衡量。考虑到轨迹预测结果需要应用于确定某固定大小海域是否存在活跃浮标，故可定义预测值和真实值相差小于3°的浮标点为预测正确点。计算预测正确点占全部浮标的比例，以表示模型最终的预测精度。
实验结果
本发明为了预测未来K个月后的浮标所处位置的经纬度坐标，分别在K取值为1，3，6时进行预测，以探索不同大小的时间跨度下，模型的预测精度。为了使样本具有足够多的信息，规定训练阶段编码器的输入轨迹点个数不少于36个，以保证每个训练样本至少有一年的轨迹信息。K在不同取值下，训练集和测试集中样本数目如表2所示，为经度和维度建立独立的模型进行预测，分别计算经/纬度的预测精度，最后计算经度和纬度均预测正确的样本占总测试样本的比例。
表2轨迹预测模型精度(K＝1、3、6)
Figure BDA0002811292910000092
本发明选择四处大小均为20°×20°，区域内浮标数量适中的区域A、B、C、D为例以显示的预测结果：
(1)A：3°N～23°N，36°W～16°W；
(2)B：1°N～21°N，62°E～82°E；
(3)C：21°S～1°S，144°W～124°W；
(4)D：26°N～46°N，151°W～131°W.
使用本发明轨迹预测方法对未来第30天(K＝3)的浮标分布情况进行预测。为保证时空维度的统一，在测试集T中选择上述区域内存活到2018年1月10日之后的所有浮标样本，使用2018年之前的所有轨迹点作为编码器每一步的输入，使用2018年1月10日左右的浮标经/纬度信息作为预测目标，对模型预测结果进行可视化。图6中每个小方格代表一个3°×3°的区域，方格内的数字代表该区域内浮标的数目。
图6中左侧一列(1)(3)(5)(7)表示在2018年1月10日左右区域A、B、C、D内浮标的真实分布情况，右侧一列(2)(4)(6)(8)表示模型所预测的分布情况。其中区域A和区域B的预测分布和真实分布完全一致，而区域C和区域D均存在一个3°×3°的区域预测出现了误差。
综合而言，对于10天后浮标位置的预测的准确率达96.03％，对于30后的位置的预测的准确率达93.04％，对于60天后位置的预测的准确率达81.17％。由于海洋环境多变无常，并且是否对某个小区域补放浮标还需要结合周围区域的浮标数量进行综合考量，所以选取的预测时间的长度并不太久，对于更长期的浮标位置的预测也不符合实际需求。
由于Argo浮标采集的轨迹数据的准确性受多种外部因素影响，且不同区域内的浮标漂移规律差异较大，模型预测难度较大，本发明构建的Encoder-Decoder模型的预测效果已经达到预期，对于指导浮标投放具有很大的参考价值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于LSTM编解码模型的海洋浮标轨迹预测方法，其特征在于，包括：
获取海洋浮标的轨迹序列，所述轨迹序列中的每个轨迹点包括海洋浮标的经度坐标和纬度坐标，所有海洋浮标的轨迹序列构成数据集，并将所述数据集分成训练集和测试集；
编码器每一个时间步读取所述训练集中一个轨迹点周期性编码标准化后的数据，并结合上一时间步的隐层输出生成该步的输出，延时间轴方向不断读取最终转换成固定长度的全局向量表示；
解码器基于所述全局向量表示输出预测经度和纬度；
计算输出的上述经度和纬度分别与预测值之间的误差，更新权重直至LSTM模型收敛；
将所述测试集输入至训练好的所述LSTM模型中，得到海洋浮标预测坐标。
2.根据权利要求1所述的一种基于LSTM编解码模型的海洋浮标轨迹预测方法，其特征在于，所述周期性编码具体包括：
将海洋浮标的所述经度坐标和所述纬度坐标进行周期性编码：
Figure FDA0002811292900000011
Figure FDA0002811292900000012
式中，xlgt、xlat分别表示海洋浮标原始的经度和纬度坐标，x′lgt、x′lat分别表示编码后的二维经度坐标和纬度坐标。
3.根据权利要求2所述的一种基于LSTM编解码模型的海洋浮标轨迹预测方法，其特征在于，模型选用均方误差作为损失函数，采用反向传播算法计算每个权重的梯度，使用梯度优化算法更新权重：
Figure FDA0002811292900000021
其中，N表示训练集中样本个数，
Figure FDA0002811292900000022
和y分别表示模型预测值和真实值，MSE表示均方误差。
4.根据权利要求1～3任意一项所述的一种基于LSTM编解码模型的海洋浮标轨迹预测方法，其特征在于，所述编码器和所述解码器均采用单层的LSTM网络，隐层神经元个数为10，输入维度为2。
CN202011392272.2A 2020-12-01 2020-12-01 基于lstm编解码模型的海洋浮标轨迹预测方法 Active CN112364119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011392272.2A CN112364119B (zh) 2020-12-01 2020-12-01 基于lstm编解码模型的海洋浮标轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011392272.2A CN112364119B (zh) 2020-12-01 2020-12-01 基于lstm编解码模型的海洋浮标轨迹预测方法

Publications (2)

Publication Number Publication Date
CN112364119A true CN112364119A (zh) 2021-02-12
CN112364119B CN112364119B (zh) 2023-04-18

Family

ID=74536562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011392272.2A Active CN112364119B (zh) 2020-12-01 2020-12-01 基于lstm编解码模型的海洋浮标轨迹预测方法

Country Status (1)

Country Link
CN (1) CN112364119B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925782A (zh) * 2021-03-12 2021-06-08 上海海事大学 一种基于lstm预测和平滑分析思想的轨迹数据压缩方法
CN113009551A (zh) * 2021-02-26 2021-06-22 山东省科学院海洋仪器仪表研究所 一种海水放射性漂流浮标经纬度的估计方法
CN113393027A (zh) * 2021-06-10 2021-09-14 大连海事大学 一种基于深度学习的航标漂移智能预测方法
CN113706615A (zh) * 2021-08-27 2021-11-26 上海埃威航空电子有限公司 基于遥感技术的航标漂移监测方法
CN114970714A (zh) * 2022-05-26 2022-08-30 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统
CN114580279B (zh) * 2022-03-02 2024-05-31 广西大学 一种基于lstm的低轨卫星通信自适应编码方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017105835U1 (de) * 2016-09-26 2018-01-02 Google Inc. Neuronale Maschinenübersetzungssysteme
AU2018101514A4 (en) * 2018-10-11 2018-11-15 Chi, Henan Mr An automatic text-generating program for Chinese Hip-hop lyrics
CN109001722A (zh) * 2018-05-30 2018-12-14 武汉理工大学 一种基于lstm模型的船舶航迹数据融合方法
CN109885572A (zh) * 2019-02-20 2019-06-14 哈尔滨工程大学 一种用于海量海洋环境数据管理的三维数据编码及存储方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110443156A (zh) * 2019-07-16 2019-11-12 浙江大华技术股份有限公司 轨迹相似度度量方法、数据处理设备及存储设备
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
CN110955804A (zh) * 2019-12-03 2020-04-03 南京大学 一种针对用户时空数据行为检测的Adaboost方法
CN111027461A (zh) * 2019-12-06 2020-04-17 长安大学 基于多维单步lstm网络的车辆轨迹预测方法
CN111159492A (zh) * 2019-12-18 2020-05-15 北京中交兴路车联网科技有限公司 一种轨迹点检索方法、装置、存储介质及终端
CN111563072A (zh) * 2020-04-15 2020-08-21 交通运输部水运科学研究所 一种基于ais信息的船舶实时准确位置获取方法
CN111914462A (zh) * 2020-07-22 2020-11-10 中国地质大学深圳研究院 一种海上搜救目标漂移预测方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202017105835U1 (de) * 2016-09-26 2018-01-02 Google Inc. Neuronale Maschinenübersetzungssysteme
CN109001722A (zh) * 2018-05-30 2018-12-14 武汉理工大学 一种基于lstm模型的船舶航迹数据融合方法
AU2018101514A4 (en) * 2018-10-11 2018-11-15 Chi, Henan Mr An automatic text-generating program for Chinese Hip-hop lyrics
CN109885572A (zh) * 2019-02-20 2019-06-14 哈尔滨工程大学 一种用于海量海洋环境数据管理的三维数据编码及存储方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110443156A (zh) * 2019-07-16 2019-11-12 浙江大华技术股份有限公司 轨迹相似度度量方法、数据处理设备及存储设备
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
CN110955804A (zh) * 2019-12-03 2020-04-03 南京大学 一种针对用户时空数据行为检测的Adaboost方法
CN111027461A (zh) * 2019-12-06 2020-04-17 长安大学 基于多维单步lstm网络的车辆轨迹预测方法
CN111159492A (zh) * 2019-12-18 2020-05-15 北京中交兴路车联网科技有限公司 一种轨迹点检索方法、装置、存储介质及终端
CN111563072A (zh) * 2020-04-15 2020-08-21 交通运输部水运科学研究所 一种基于ais信息的船舶实时准确位置获取方法
CN111914462A (zh) * 2020-07-22 2020-11-10 中国地质大学深圳研究院 一种海上搜救目标漂移预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘莹: ""基于深度学习的轨迹预测"", 《中国优秀博硕士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009551A (zh) * 2021-02-26 2021-06-22 山东省科学院海洋仪器仪表研究所 一种海水放射性漂流浮标经纬度的估计方法
CN112925782A (zh) * 2021-03-12 2021-06-08 上海海事大学 一种基于lstm预测和平滑分析思想的轨迹数据压缩方法
CN112925782B (zh) * 2021-03-12 2024-01-23 上海海事大学 一种基于lstm预测和平滑分析思想的轨迹数据压缩方法
CN113393027A (zh) * 2021-06-10 2021-09-14 大连海事大学 一种基于深度学习的航标漂移智能预测方法
CN113393027B (zh) * 2021-06-10 2023-11-07 大连海事大学 一种基于深度学习的航标漂移智能预测方法
CN113706615A (zh) * 2021-08-27 2021-11-26 上海埃威航空电子有限公司 基于遥感技术的航标漂移监测方法
CN113706615B (zh) * 2021-08-27 2024-02-27 上海埃威航空电子有限公司 基于遥感技术的航标漂移监测方法
CN114580279B (zh) * 2022-03-02 2024-05-31 广西大学 一种基于lstm的低轨卫星通信自适应编码方法
CN114970714A (zh) * 2022-05-26 2022-08-30 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统
CN114970714B (zh) * 2022-05-26 2024-05-03 哈尔滨工业大学 一种考虑移动目标不确定行为方式的轨迹预测方法及系统

Also Published As

Publication number Publication date
CN112364119B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112364119B (zh) 基于lstm编解码模型的海洋浮标轨迹预测方法
CN108197736B (zh) 一种基于变分自编码器和极限学习机的空气质量预测方法
CN110377686B (zh) 一种基于深度神经网络模型的地址信息特征抽取方法
CN108140146B (zh) 使用绝热量子计算机的离散变分自动编码器系统和方法
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
CN110598842A (zh) 一种深度神经网络超参数优化方法、电子设备及存储介质
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
WO2020048389A1 (zh) 神经网络模型压缩方法、装置和计算机设备
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
Li et al. T2F-LSTM method for long-term traffic volume prediction
US20220268964A1 (en) Method Of Predicting Amount Of Precipitation Based On Deep Learning
KR20210107491A (ko) 어노말리 데이터 생성 방법
CN112784479B (zh) 一种洪水流量预测的方法
Suryo et al. Improved time series prediction using LSTM neural network for smart agriculture application
CN114936620A (zh) 基于注意力机制的海表面温度数值预报偏差订正方法
CN117250914A (zh) 制造过程捕获的测量数据训练机器学习模型的方法和系统
CN114742265B (zh) 一种vhf信号传播路径误差预测方法及系统
CN110944295A (zh) 位置预测方法、装置、存储介质及终端
CN115062759A (zh) 一种基于改进型长短记忆神经网络的故障诊断方法
Zhao et al. RVM based on PSO for Groundwater Level Forecasting.
Tan et al. OSP-FEAN: Optimizing Significant Wave Height Prediction with Feature Engineering and Attention Network
US11816186B2 (en) Architecture for dynamic ML model drift evaluation and visualization on a GUI
Xia et al. An underexplored dilemma between confidence and calibration in quantized neural networks
Zocholl Development of Recurrent Neural Network Architectures for Hydrological Time Series Forecasting
Luu et al. Application of long short-term memory (LSTM) networks for rainfall-runoff simulation in Vu Gia–Thu Bon catchment, Vietnam

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