CN112561148B - 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，包括以下步骤：数据预处理步骤：对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；特征提取步骤：采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；轨迹预测模型训练步骤：将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；轨迹预测步骤：利用所述船舶运动规律对船舶下一时刻的位置进行预测。本发明较其他现有预测方法具有更好的预测精度，均方误差更低，并且预测更迅捷。

Description

基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统

技术领域

本发明属于智能预测技术领域，具体涉及一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统。

背景技术

船舶航行与车辆行驶特点不同，无明显路网约束，航迹随机程度较大，预测难度也更大。传统船舶轨迹预测采用构建动力学方程的方法，这类方法需要专业知识支撑，并且根据不同船舶和场景需进行针对性改造，方法适应性较差。目前主流的方法是采用机器学习，该方法能够根据历史轨迹和当前行驶轨迹进行参数学习，使预测模型具有较好的适应性。具有代表性的基于机器学习的预测方法有：基于BP神经网络、基于LSTM模型以及基于LSTM船舶轨迹预测模型等。在船舶航迹预测研究方面，深度学习预测方法被广泛采用，它是一种以人工神经网络为架构，对数据进行表征学习的算法，具有非线性、自适应性、自学习能力。由于船舶航迹预测的实时性要求，预测时大多采用单一模型算法，如卷积神经算法(Convolutional Nerual Networks，CNN)、长短期记忆神经网络(Networks-Long ShortTerm Memory,LSTM)算法等，具有反应速度快、模型简单等优点，目前由于水上交通环境日益复杂，单一模型在准确度方面已经很难满足使用要求，并且为如何解决船舶航迹预测的实时性与准确度的矛盾提出了挑战。

发明内容

鉴于上述的分析，本发明旨在公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统，解决船舶轨迹预测的问题。

本发明公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，包括以下步骤：

数据预处理步骤：对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取步骤：采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练步骤：将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测步骤：利用所述船舶运动规律对船舶下一时刻的位置进行预测。

进一步地，所述预处理包括：

选定轨迹采样点数据中的经度、纬度、对地速度、航向、时间来表示船舶航行轨迹数据；

采用线性插值的方法对轨迹数据进行插值及修正；

对修正后得到的轨迹数据进行归一化得到归一化的轨迹数据；

对归一化的轨迹数据进行卷积滑动窗口运算，进行轨迹数据的切分。

进一步地，所述卷积滑动窗口的滑窗宽度为N+1，利用卷积神经网络进行迭代计算，在滑窗数据中将前N个数据输入卷积神经网络模型进行学习，得到滑窗数据的第N+1个数据；滑窗的步长为1，每滑动一次，卷积神经网络重新学习一次，产生新的网络模型结构；通过卷积滑动窗口运算，产生长度为N+1的轨迹切分数据。

进一步地，所述滑窗训练的卷积神经网络包括输入层、卷积层、池化层和连接层；

所述输入层的卷积核为3，输入数据长度为N；

所述卷积层包括10个5*5的卷积核；

所述池化层使用2*2的最大池化处理；

所述连接层为具有400个神经元节点的全连接层。

进一步地，所述一维卷积神经网络包括卷积层、池化层、隐藏层和Dropout层；

所述卷积层包括第一卷积层和第二卷积层，第一卷积层用于将输入的轨迹切分数据进行一维序列化；第二卷积层用于扩增第一卷积层的通道；

所述池化层，用于将所述卷积层计算得出的特征图进行下采样，将特征映射矩阵进行筛选；

所述隐藏层，用于实现航迹预测的历史轨迹连贯，提高特征数据的粘性；

所述Dropout层，用于根据设定的比率值，随机地为网络中的神经元赋值零权重。

进一步地，所述第一卷积层为一个64通道的1*1卷积层；

所述第二卷积层为3*3卷积层；

所述池化层采用最大池化处理。

进一步地，设定的比率值为0.5。

进一步地，所述LSTM网络的输入门、输出门、遗忘门分别对应船舶轨迹特征数据序列的写入、读取和先前状态的重置操作；

其中，在时刻t，

输入门τ的输入

为：

遗忘门φ的输出

为：

输出门ω的输出

为：

I，H，C，分别表示输入层、隐藏层和核心层cell的个数；χ^t _i为t时刻网络中第i个cell关于船舶航迹预测参数的输入，

表示上一个时刻中所有不同记忆参数的输出，

表示上一时刻所有特征参数的状态；b表示非线性映射，用于激活函数

ω_it、ω_hτ、ω_τt、ω_iφ、ω_hφ、ω_τφ、ω_iω、ω_hω和ω_τω为连接权重。

进一步地，LSTM网络的输入和输出激活函数采用Relu函数。

本发明还公开了一种基于上述的船舶轨迹预测方法的系统，包括：

数据预处理模块，用于对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取模块，用于采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练模块，用于将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测模块，用于利用所述船舶运动规律对船舶下一时刻的位置进行预测。

本发明至少可实现以下有益效果之一：

本发明的一维卷积神经网络和长短时记忆神经网络预测方法及系统较其他现有预测方法具有更好的预测精度，均方误差更低，并且采样数据预测时间更断的特点。

并且，预测的准确度与目前常用的采用双循环神经网络的预测模型相当，但是在预测耗时上具有显著优势。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本实施例中的船舶轨迹预测方法流程图；

图2为本实施例中的预处理方法流程图；

图3为本实施例中的船舶轨迹预测方法的预测损失图；

图4为CNN网络预测损失图；

图5为LSTM预测损失图；

图6为本实施例中的船舶轨迹预测方法与bilstm网络的航迹预测效果比较图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本实施例公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，如图1所示，包括以下步骤：

据预处理步骤：对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取步骤：采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练步骤：将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测步骤：利用所述船舶运动规律对船舶下一时刻的位置进行预测。

本发明实施例是基于船舶AIS时空轨迹数据进行轨迹预测，AIS表示船舶自动识别系统。由于AIS数据中记录的信息较多，每个轨迹采样点中包含多个维度的数据。本发明的目的是预测船舶下一时刻的位置，因此，为避免其他信息的干扰，本发明选取轨迹数据中与船舶航行活动相关，对船舶位置预测影响程度较大的经度，纬度，对地速度，航向及时间这5个维度的数据来表示船舶的航行状态。

由于各种人为和外界因素，采集到的AIS数据可能存在一些错误的数据以及不便于后续进行航迹预测的因素，因此需要对原始数据进行适当处理，删除错误的AIS数据，减少后期处理中可能出现较大的数据误差，从而提高后续工作的效率。AIS数据中的明显错误的记录包括如下4类：

(1)船舶的水上移动通信业务标识码(MMSI)长度不是9位数的或不合理的记录；

(2)船舶的经纬度超过了合理的范围(如经度>180°或纬度>90°或经纬度为负值)；

(3)船舶的航速和航向超过了合理的范围(如航向>360°或航速<0)；

(4)船舶信息的采集时间超出了合理范围(如采集时间为2022年5月12日)。

同时，对AIS数据的观察可以发现，AIS数据还存在缺失的情况，这其实是一种非常常见的现象，AIS数据缺失的原因有很多，如AIS设备老化、AIS数据发送系统存在故障，设备网络连接失败等。数据的缺失会影响到后面航迹预测的精度，所以有必要对缺失值进行处理。

具体的，如图2所示，所述预处理包括：

1)对于AIS数据选定轨迹采样点数据中的经度、纬度、对地速度、航向和时间5维数据来表示船舶航行轨迹数据；

具体的，AIS数据以20Hz的频率传输数据，即形成间隔为4秒的采样坐标体系。

2)采用线性插值的方法对轨迹数据进行插值及修正；

在本实施例以采样数据中的“对地速度”为例进行线性插值，其他维度的数据插值方法相同。因AIS船舶参数为一维数据序列，采用线性插值可以达到扩增采样数据，对缺失数据进行合理化补偿，从而使得采样数据具有普适性。

具体的插值过程，通过对地速度区间(x₀,y₀)和(x₁,y₁)，在[x₀,x₁]区间内某一位置的x在直线上的值，得到公式

其中x表示时间，y表示该采集参数的对地速度。由于x值已知，可以推倒出公式获得y值，即该点位采样数据值，

3)对修正后得到的轨迹数据进行归一化得到归一化的轨迹数据；

AIS采样数据做归一化处理，归纳统一采样数据的统计分布性，将采样数据进行缩放，减小数据误差造成的模型预测偏差，保证所有的采样数据具有相同的数量级，能有效减少训练时间，避免出现异常样本数据引起的训练结果无法收敛。

将一段时间内的AIS采样数据，如“对地速度”进行归一化处理，y为“对地速度”，min(y)为该时间段内最小的“对地速度”，max(y)为该时间段内最大的“对地速度”，通过归一化计算得到归一后的采样数据Y_norm，即

4)对归一化的轨迹数据进行卷积滑动窗口运算，进行轨迹数据的切分。

用传统的滑动窗口会导致效率很低，为进一步提高对实时数据的分析处理能力，本发明将AIS采样数据进行卷积滑动窗口运算，避免特征参数进行连续卷积计算，可以对一定时间段内的航行数据如船位、航速、航向等运行参数形成的一维序列进行卷积操作，一次得到所有的预测特征参数，达到特征参数匀速快速高效的目的。

具体的，在滑窗训练阶段，将归一化的历史数据进行分类汇总，可按海域、季节、风向等维度进行分组，设置卷积滑动窗口的滑窗宽度为N+1，利用卷积神经网络进行迭代计算，在滑窗数据中将前N个数据输入卷积神经网络模型进行学习，得到滑窗数据的第N+1个数据；滑窗的步长为1，每滑动一次，卷积神经网络重新学习一次，产生新的网络模型结构；通过卷积滑动窗口运算，产生长度为N+1的轨迹切分数据。即利用采集到的AIS数据中第T-N至T个特征数据预测T+1时刻的数据，再通过T-N+1至T+1个数据预测T+2个特征数据，直至预测L个特征数据。

更具体的，所述滑窗训练的卷积神经网络包括输入层、卷积层、池化层和连接层；

所述输入层的卷积核为3，输入数据长度为N；

由滑窗长度限制输入训练集的个数，避免迭代运算耗时过长的问题。卷积核数大小必须大于1才具备提升特征数据感受野的效果，大小为偶数的卷积核无法保障输入特征图的维度和输出的特征图维度不变，另外卷积核数过小会导致计算量无法有效降低，根据卷积神经网络特性和参数优化经验，一般将卷积核数设置为3效果最佳。

所述卷积层包括10个5*5的卷积核；

所述池化层使用2*2的最大池化算法；即取目标参数特征范围内2*2区域内中最大的数值，达到了特征参数降维的效果，减少计算量。

所述连接层为具有400个神经元节点的全连接层。

连接层的神经元节点个数由训练数据的特性决定，神经元个数过多过少都会导致整个模型训练精度的问题，若太少则不能解决拟合和学习回归的问题，造成训练次数的增加、精度降低。若太多则导致过拟合和训练时间增加，降低模型训练整体性能。本发明中通过经验公式

进行试验试凑，选取一个试验结果误差最小的数量作为神经元节点数量。其中m和n分别代表输入层和输出层的节点数，a为[0,10]内的常数。

具体的，采用一维卷积神经网络对轨迹切分数据进行特征提取优化，所述一维卷积神经网络包括卷积层、池化层、隐藏层和Dropout层；

所述卷积层包括第一卷积层和第二卷积层。

第一卷积层为一个64通道的1*1卷积层，用于将输入的轨迹切分数据进行一维序列化；

第二卷积层为3*3卷积层；用于扩增第一卷积层的通道；

所述卷积层的INPUT为8*8，filter的大小即kernel size为5*5，stride＝1，pading＝0，卷积后得到的特征图边长的计算公是：outputSize＝(originalSize_h+padding*2–kernelSize)/stride+1；卷积层的特征图的边长为：conv1_h＝(32-5)/1+1＝28；卷积层的特征图尺寸为28*28；由于同一特征图共享权值，所以总共形成6*(5*5+1)＝156个参数输入到下一级池化层。

所述池化层，用于将第一、第二卷积层计算得出的特征图进行下采样，将特征映射矩阵进行筛选；

通过池化层对两次卷积层计算得出的特征图进行下采样，将特征映射矩阵进行筛选，从而将得到的大量特征图进行缩小，大大的减少了数据量。在大量模型试验下，最适合航迹预测的池化手段是Max pooling,即最大池化处理。通过公式N＝(W-F+2P)/S+1计算得出，N为池化后的特征参数结果，W为卷积层计算得出的Feature Map，F为卷积核大小，P为填充值大小，S为步长。

所述隐藏层中包含了所有历史时刻的状态信息，用于实现航迹预测的历史轨迹连贯，提高特征数据的粘性；

所述隐藏层包括两个两层，由网络中的记忆单元构成，即通过隐藏层形成的状态s为记忆单元，包含了所有历史时刻的状态信息，通过隐藏层的设立可以达到航迹预测的历史轨迹连贯性，提高特征数据的粘性，从而提高整体预测准确性。隐藏层状态S₀初始化为0，隐藏层输出特征数据为{s₀,s₁,…,s_t,s_t+1,…}，S_t为t时刻隐藏层输出特征数据。

所述Dropout层，采用设定的比率值，随机地为网络中的神经元赋值零权重，用于减小网络对数据变化的敏感度。

Dropout层会随机地为网络中的神经元赋值零权重。根据船舶航迹运动参数的特性以及实际模型训练中的经验，选择0.5的比率，则50％的神经元将会是零权重的。通过这种操作，网络对数据的微小变化的响应就不那么敏感了。因此，它能够进一步提高对不可见数据处理的准确性。

通过将一维卷积神经网络对轨迹切分数据进行特征提取优化的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据，输入LSTM网络中进行轨迹预测训练；

具体的，在LSTM网络中主要将船舶历史轨迹数据和AIS实时轨迹数据，包括船舶标识、接收时间、经纬度、航速、航向等运动特征参数，将未来时刻的船舶航迹特征数据作为输出。

LSTM网络的输入门、输出门、遗忘门分别对应本发明实施例中船舶轨迹特征数据序列的写入、读取和先前状态的重置操作。

选取对数逻辑曲线作为门的激活函数，用f表示，门的激活函数在0和1之间取值，特征参数输入和输出激活函数用g和h表示，采用Relu函数。

具体的，在时刻t，

输入门τ的输入

为：

遗忘门φ的输出

为：

输出门ω的输出

为：

I，H，C，分别表示输入层、隐藏层和核心层cell的个数；χ^t _i为t时刻网络中第i个cell关于船舶航迹预测参数的输入，

表示上一个时刻中所有不同记忆参数的输出，

表示上一时刻所有特征参数的状态；b表示非线性映射，用于激活函数

ω_it、ω_hτ、ω_τt、ω_iφ、ω_hφ、ω_τφ、ω_iω、ω_hω和ω_τω为连接权重。

具体的，在一个实施例中t时刻轨迹特征表示为Y_(t)＝{v,c,lng,lat,itv}，其中的五个参数分别代表速度、航向、经度、纬度和时间间隔，通过连续n个时刻的船舶航迹特征数据Y_(t-n+1),…,Y_(t-1)和Y_(t)作为网络数据输入，将t+1时刻的船舶航迹特征数据Y_(t+1)作为输出，其中n对应卷积神经网络中的步长参数。由此形成航迹预测模型表达式：Y_(t+1)＝f({Y_(t-n+1),…,Y_(t-1),Y_(t)})；

因AIS采样数据以0.5秒为时间间隔，则时间序列{t|t＝0.5,1,1.5,2,…,T}，输入集标记为{x₀,x₁,…x_t,x_t+1,…}，x_t代表对应时刻t航速、航向、经度、维度等特征参数，输出为{o₀,o₁,…,o_t,o_t+1,…}。

通过与CNN网络以及LSTM网络进行比较，采用相同数据输入，均输入相同五个时刻船舶轨迹特征，数据格式以速度、航向、精度、纬度和时间间隔作为标识，并在模型训练后以递归方式，连续预测五个时刻，在测试集上预测的第一个时刻，采用CNN网络、LSTM网络的均方误差就已大于该发明的组合预测模型，随着连续预测多个时刻输出，均方误差对比更为明显。因此，本发明实施例较其他现有预测方法有更好的预测精度，均方误差更低，并且采样数据预测时间更迅捷的特点。如图3-图5航迹数据的MSE均方误差率对比图所示，其在训练集的RMSE为7.334，在测试集的RMSE为5.038精度高于LSTM自己进行预测的模型证明该预测模型的合理性。

通过本实施例方法中的神经网络与采用双循环神经网络bilstm的航迹预测效果进行对比，得到如下图6所示，A线代表双循环神经网络其value为5.819，Relative值为23秒，B线代表本实施例的神经网络其value为3.993，Relative值为12秒。

通过采用均方误差(MSE)最大绝对误差(Maxerr)进行航迹预测误差评估。一维卷积神经网络和长短时记忆神经网络预测模型和仅采用双循环神经网络构建的预测模型进行预测经度对比，如下表所示：

表明本实施例的航迹预测的准确度与采用BiLSTM网络的预测模型相差无几，但是在预测耗时上本发明具有显著优势。

本发明实施例还公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测系统，包括：

数据预处理模块，用于对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取模块，用于采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练模块，用于将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测模块，用于利用所述船舶运动规律对船舶下一时刻的位置进行预测。

本实施例中的基于一维卷积神经网络和LSTM的船舶轨迹预测系统的技术细节和有益效果与方法实施例中的相同，在此就不一一赘述了。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，其特征在于，包括以下步骤：

数据预处理步骤：对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取步骤：采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练步骤：将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测步骤：利用所述船舶运动规律对船舶下一时刻的位置进行预测；

所述预处理包括：

选定轨迹采样点数据中的经度、纬度、对地速度、航向、时间来表示船舶航行轨迹数据；

采用线性插值的方法对轨迹数据进行插值及修正；

对修正后得到的轨迹数据进行归一化得到归一化的轨迹数据；

对归一化的轨迹数据进行卷积滑动窗口运算，进行轨迹数据的切分；

在所述卷积滑窗的训练阶段，将归一化的轨迹数据进行分类汇总，按包括海域、季节、风向在内的维度进行分组，设置卷积滑动窗口的滑窗宽度为N+1，利用卷积神经网络进行迭代计算，在滑窗数据中将前N个数据输入卷积神经网络模型进行学习，得到滑窗数据的第N+1个数据；滑窗的步长为1，每滑动一次，卷积神经网络重新学习一次，产生新的网络模型结构；通过卷积滑动窗口运算，产生长度为N+1的轨迹切分数据；

所述滑窗训练的卷积神经网络包括输入层、卷积层、池化层和连接层；

所述输入层的卷积核为3，输入数据长度为N；

所述卷积层包括10个5*5的卷积核；

所述池化层使用2*2的最大池化处理；

所述连接层为具有400个神经元节点的全连接层；

连接层的神经元节点个数通过经验公式

进行试验试凑，其中m和n分别代表输入层和输出层的节点数，a为[0,10]内的常数；

所述一维卷积神经网络包括卷积层、池化层、隐藏层和Dropout层；

所述卷积层包括第一卷积层和第二卷积层，第一卷积层为一个64通道的1*1卷积层，用于将输入的轨迹切分数据进行一维序列化；

第二卷积层为3*3卷积层，用于扩增第一卷积层的通道；

所述池化层采用最大池化处理，用于将所述卷积层计算得出的特征图进行下采样，将特征映射矩阵进行筛选；

池化后的特征参数N＝(W-F+2P)/S+1；其中，W为卷积层计算得出的Feature Map，F为卷积核大小，P为填充值大小，S为步长；

所述隐藏层包括两个两层，由网络中的记忆单元构成，通过隐藏层形成的状态为记忆单元，包含了所有历史时刻的状态信息，用于实现航迹预测的历史轨迹连贯，提高特征数据的粘性；

所述Dropout层，用于根据设定的比率值，随机地为网络中的神经元赋值零权重。

2.根据权利要求1所述的船舶轨迹预测方法，其特征在于，设定的比率值为0.5。

3.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述LSTM网络的输入门、输出门、遗忘门分别对应船舶轨迹特征数据序列的写入、读取和先前状态的重置操作；

其中，在时刻t，

输入门τ的输入

为：

遗忘门φ的输出

为：

输出门ω的输出

为：

I，H，C，分别表示输入层、隐藏层和核心层cell的个数；χ^t _i为t时刻网络中第i个cell关于船舶航迹预测参数的输入，

表示上一个时刻中所有不同记忆参数的输出，

表示上一时刻所有特征参数的状态；b表示非线性映射，用于激活函数

ω_it、ω_hτ、ω_τt、ω_iφ、ω_hφ、ω_τφ、ω_iω、ω_hω和ω_τω为连接权重。

4.根据权利要求1所述的船舶轨迹预测方法，其特征在于，LSTM网络的输入和输出激活函数采用Relu函数。

5.一种基于如权利要求1-4任一项所述的船舶轨迹预测方法的系统，其特征在于，包括：

数据预处理模块，用于对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取模块，用于采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练模块，用于将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测模块，用于利用所述船舶运动规律对船舶下一时刻的位置进行预测。

Images