CN112445847A - 基于北斗导航时频数据的船舶轨迹预测方法及装置 - Google Patents

Abstract

本公开的实施例提供了一种基于北斗导航时频数据的船舶轨迹预测方法及装置。所述方法包括采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。以此方式，通过引入外部影响因子，减少了数据集的数据噪音；通过引入个体特征，提高了算法的泛化能力。

Description

基于北斗导航时频数据的船舶轨迹预测方法及装置

技术领域

本公开的实施例一般涉及计算机技术领域，并且更具体地，涉及基于北斗导航时频数据的船舶轨迹预测方法、装置、设备和计算机可读存储介质。

背景技术

随着国际贸易的兴盛，每时每刻都有着数十万船舶在四大洋上航行，与此同时，全球五千余个港口、六千余家船公司、数十万家货代、数百万家贸易公司以不同的载体、不同的数据格式交互着海量信息。船舶越来越大，种类越来越多，在航运密切的热点区域，水上交通密度持续增加，导致航道负担增大，事故频发。

同时在远洋运输市场上，航行时间和油耗都与盈利息息相关，根据船舶轨迹数据和船舶自身属性信息对航线类型进行分类预测从而推断航行时间和油耗，将对船舶营运产生积极影响。通过航迹预测，帮助船舶运营商看到未来，实现更智能和更安全的船舶处理决策，降低船舶事故发生的风险，这是船舶自动化发展的重要一步。

目前常用的船舶航迹预测数据，有基于模式预测方法和模型预测方法，但是目前常用的预测方法主要考虑船舶本身的因素，没有考虑水文气象、海况等外部因素，另外预测模型将所有船舶统一建模，没有考虑船舶的个体差异，存在算法的泛化能力不足问题。

发明内容

根据本公开的实施例，提供了一种基于北斗导航时频数据的船舶轨迹预测案。

在本公开的第一方面，提供了一种基于北斗导航时频数据的船舶轨迹预测方法。该方法包括：采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据；所述外部影响因子数据包括气象水文、海况、航行受限区、海图数据；所述船舶特征数据包括船舶类型、用途、航速、结构强度数据。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理包括：对所述高时频数据进行缺失值补充和/或数据清洗；对所述外部影响因子数据进行指标量化，并基于海图进行区域划分；对所述船舶特征数据进行汇总量化。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型为GRU网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型是通过以下步骤训练得到的：将预处理后的历史时频数据、外部影响因子数据、船舶特征数据及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；编制GRU网络；基于所述训练样本进行GRU网络拟合；进行GRU网络模型评估，并进行权重参数调整。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述船舶历史航迹数据是通过历史高时频数据中的北斗时频数据进行航线聚类得到的。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，进行GRU网络模型评估，并进行权重参数调整包括：对不同分段设置不同的预设阈值与权重；根据预测的各分段的船舶轨迹与实际船舶轨迹的偏差率，乘以对应的权重并求和，根据加权求和得到的偏差率，与加权求和得到的预设阈值进行比较。

在本公开的第二方面，提供了一种基于北斗导航时频数据的船舶轨迹预测装置。该装置包括：采集模块，用于采集高时频数据、外部影响因子数据和船舶特征数据；预处理模块，用于对所采集的数据进行预处理；预测模块，用于将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的基于北斗导航时频数据的船舶轨迹预测方法的流程图；

图2示出了根据本公开的实施例的基于北斗导航时频数据的船舶轨迹预测装置的方框图；

图3示出了能够实施本公开的实施例的示例性电子设备的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1示出了根据本公开实施例的基于北斗导航时频数据的船舶轨迹预测方法100的流程图。

在框102，采集高时频数据、外部影响因子数据和船舶特征数据；

在一些实施例中，高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据等各类时序数据，时频数据随着船舶航行，数据会持续更新，进入到北斗导航时频数据集中。

在一些实施例中，外部影响因子数据包括气象水文、海况、航行受限区、海图等数据，外部影响因子数据在船舶航行过程中，虽然也会发生变化，但是变化频率没有时序类高，通过指标量化后进入到外部影响因子库。

在一些实施例中，外部影响因子库是通过对外部影响因子进行定性形态构建的。外部影响因子库包括因子名称、量化范围、量化方法、数据频率等。其中量化范围是基于历史数据分析和行业数据标准，如根据波峰的形状、峰顶的破碎程度和浪花出现的多少，海况分为10级。水文图志包括各大洋的波浪、海流、水质、大风及雾等的空间与时间分布图，各天气与海况要素的综合关系图，以及各种气象与水文的统计图，通过空间分布图，进行航区分类，不同航区采用不同数字表达，如极海航区、远洋航区、内河航区、沿海航区等。其他如气压、风、气温、湿度，海雾等本来就是数字化表达，不需要量化。外部影响因子中对不同的枚举取不同的参数，不在范围内的数据，采用默认量化值表达。如航行受限区可以分为①军事演习区②水下电缆和管路的铺设③空中电缆和桥梁（主要考虑净空高度）④避航区⑤禁区。

通过将外部影响因子加入到船舶轨迹预测模型中，针对外部环境对数据集的影响，减少了数据集的数据噪音。

在一些实施例中，船舶特征数据包括船舶类型、用途、航速、结构强度等数据，船舶特征数据是作为船舶的知识库数据，在船舶航行过程中，不会发生变化。

在一些实施例中，常用的船舶特征数据包括船舶类型、用途、吃水、吨位、航速、动力装置、航行状态、结构强度，不同的船舶特征会影响船舶的航行行为，如航速、航向变化效率等。船舶特征知识库包括船舶的特征信息以及各个特征信息的量化范围，像诸如船舶类型等定性化的参数，通过枚举法，将每个类型进行枚举数字表达。例如，船舶类型包括；用途包括军用船舶和民用船舶（运输船、工程船、渔业船、特殊用途船）；船舶载重通过载重比进行数字化表达；航速为船舶在海上试航过程中达到的航速。

通过将船舶的个体差异加入到船舶轨迹预测模型中，增加了模型的泛化场景，无需为每一艘船舶单独建立船舶轨迹预测模型。

在框104，对所采集的高时频数据、外部影响因子数据和船舶特征数据进行预处理；

在一些实施例中，所述预处理包括：

高时频数据对数据的时间分辨率要求较高，如果数据出现丢失，需要进行缺失值补充；对于噪点数据，需要进行数据清洗操作，避免数据污染。其中，对于高时频数据中的北斗RNSS数据、北斗RDSS数据，通过进行轨迹分段。将预处理后的高时频数据作为北斗导航时频数据。在一些实施例中，对北斗导航时频数据进行航线聚类，得到船舶的历史轨迹数据。

外部影响因子数据需要对外部影响因子进行指标量化，并基于海图进行区域划分，不同区域形成区域特色数据指标。

船舶特征数据的预处理主要是将船舶特征数据汇总量化，以便供模型训练使用。

在框106，将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的船舶轨迹。

在一些实施例中，通过将轨迹分段的方式，预测之后一个或多个分段的船舶航行轨迹。

其中，所述分段为时间段，所述时间段与历史数据的预设时间段长度可以相同，也可以不同。

在一些实施例中，通过将实际船舶轨迹数据与预测的船舶轨迹数据进行对比，作为更新的训练样本，不断改进所述轨迹预测神经网络模型。

在一些实施例中，所述轨迹预测神经网络模型为GRU（Gate Recurrent Unit，门控循环单元）网络模型。

在一些实施例中，将预处理后的历史数据（时频数据、外部影响因子数据、船舶特征数据）及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；编制GRU网络；基于所述训练样本进行GRU网络拟合；进行GRU网络模型评估，并进行权重参数调整。

在一些实施例中，将预处理后的历史数据（时频数据、外部影响因子数据、船舶特征数据）及对应的之后一个或多个分段的船舶轨迹作为训练样本包括：

获取历史高时频数据、历史外部影响因子数据和船舶特征数据，获取船舶历史航迹数据；其中，船舶历史航迹数据是通过历史高时频数据中的北斗时频数据进行航线聚类得到的。

对历史高时频数据、历史外部影响因子数据和船舶特征数据进行预处理；

将一个预设时间段内的预处理后的历史高时频数据、历史外部影响因子数据和船舶特征数据，与对应的之后一个或多个分段的船舶轨迹作为标注，生成训练样本。其中，所述分段为时间段，所述时间段与历史数据的预设时间段长度可以相同，也可以不同。

在一些实施例中，进行GRU网络模型评估，并进行权重参数调整包括：若预测的船舶轨迹与实际船舶轨迹的偏差率高于预设阈值，则对所述GRU网络模型进行权重参数调整，继续进行训练。

在一些实施例中，对不同分段设置不同的预设阈值，与当前预设时间段最近的分段，预设阈值越小；同时，对不同分段设置不同的权重，与当前预设时间段最近的分段，权重越大；根据预测的各分段的船舶轨迹与实际船舶轨迹的偏差率，乘以对应的权重并求和，根据加权求和得到的偏差率，与加权求和得到的预设阈值进行比较，若高于加权求和得到的预设阈值，则对所述GRU网络模型进行权重参数调整，继续进行训练；直到加权求和得到的偏差率小于加权求和得到的预设阈值。

在一些实施例中，门控循环单元（Gate Recurrent Unit ，GRU）是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好。循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursiveneural network）。长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

作为轨迹预测模型的核心算法，GRU模型（Gate Recurrent Unit）是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。相比LSTM，使用GRU能够达到相当的效果，并且相比之下更容易进行训练，能够很大程度上提高训练效率，采用GRU模型来构建预测模型的核心算法。

相比LSTM模型的遗忘门、输入门和输出门函数，GRU模型中只有更新门（updategate）和重置门（reset gate），用来决定什么样的信息应该被传递给输出。它可以保存很久之前的信息，也会去掉不相关的信息。

首先，通过上一个传输下来的状态 ht-1和当前节点的输入xt来获取两个门控状态。其中r控制重置的门控（reset gate），z为控制更新的门控（update gate）。

得到门控信号之后，首先使用重置门控来得到“重置”之后的数据

，再将

与输入

进行拼接，再通过一个tanh激活函数来将数据放缩到-1~1的范围内。即得到

)。

GRU最关键的一个步骤，称之为“更新记忆”阶段。在这个阶段，使用了先前得到的更新门控

（update gate）。更新表达式为：

门控信号（这里的z）的范围为0~1。门控信号越接近1，代表“记忆”下来的数据越多；而越接近0则代表“遗忘”的越多。

根据本公开的实施例，实现了以下技术效果：

通过对船舶航迹的影响因子进行归类，影响因子包括水文气象、海况、月份、航行受限区、海图、北斗短报文等因素，通过历史数据统计分析，对影响因子进行量化，在进行算法模型构建时，先输入外部因子进行数据处理，避免外部环境干扰导致预测模型过程中的拟合噪音问题。

对船舶个体特征进行抽象，形成船舶类型用途、吃水、吨位、航速、航行状态、结构强度等特征信息，构建船舶知识库，并将船舶特征进行量化，跟外部因子类似，在执行数据模型前，输入个体特征进行数据处理，提升算法模型的泛化能力。

将量化后的外部影响因子和船舶个体特征数据引入到算法模型中。作为预测输入的主数据，北斗RNSS具有时间、位置、姿态等信息，数据在时间和空间上呈现序列化排列，非常适合使用GRU模型在船舶数据上构建预测模型。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图2示出了根据本公开的实施例的基于北斗导航时频数据的船舶轨迹预测装置200的方框图。如图2所示，装置200包括：

采集模块202，用于采集高时频数据、外部影响因子数据和船舶特征数据；

预处理模块204，用于对所采集的数据进行预处理；

预测模块206，用于将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的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。

图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。如图所示，设备300包括CPU301，其可以根据存储在ROM302中的计算机程序指令或者从存储单元308加载到RAM303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。I/O接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由CPU 301执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，CPU 301可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法100。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑器件（CPLD）等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM、光纤、CD-ROM、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种基于北斗导航时频数据的船舶轨迹预测方法，其特征在于，包括：

采集高时频数据、外部影响因子数据和船舶特征数据；

对所采集的数据进行预处理；

将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

2.根据权利要求1所述的方法，其特征在于，

所述高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据；

所述外部影响因子数据包括气象水文、海况、航行受限区、海图数据；

所述船舶特征数据包括船舶类型、用途、航速、结构强度数据。

3.如权利要求2所述的方法，其特征在于，所述预处理包括：

对所述高时频数据进行缺失值补充和/或数据清洗；

对所述外部影响因子数据进行指标量化，并基于海图进行区域划分；

对所述船舶特征数据进行汇总量化。

4.根据权利要求3所述的方法，其特征在于，

所述轨迹预测神经网络模型为GRU网络模型。

5.根据权利要求4所述的方法，其特征在于，所述轨迹预测神经网络模型是通过以下步骤训练得到的：

将预处理后的历史时频数据、外部影响因子数据、船舶特征数据及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；

编制GRU网络；

基于所述训练样本进行GRU网络拟合；

进行GRU网络模型评估，并进行权重参数调整。

6.根据权利要求5所述的方法，其特征在于，所述船舶历史航迹数据是通过历史高时频数据中的北斗时频数据进行航线聚类得到的。

7.根据权利要求6所述的方法，其特征在于，进行GRU网络模型评估，并进行权重参数调整包括：

对不同分段设置不同的预设阈值与权重；根据预测的各分段的船舶轨迹与实际船舶轨迹的偏差率，乘以对应的权重并求和，根据加权求和得到的偏差率，与加权求和得到的预设阈值进行比较。

8.一种基于北斗导航时频数据的船舶轨迹预测装置，其特征在于，包括：

采集模块，用于采集高时频数据、外部影响因子数据和船舶特征数据；

预处理模块，用于对所采集的数据进行预处理；

预测模块，用于将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。

Images