CN113283653A - 一种基于机器学习和ais数据的船舶轨迹预测方法 - Google Patents
一种基于机器学习和ais数据的船舶轨迹预测方法 Download PDFInfo
- Publication number
- CN113283653A CN113283653A CN202110586239.1A CN202110586239A CN113283653A CN 113283653 A CN113283653 A CN 113283653A CN 202110586239 A CN202110586239 A CN 202110586239A CN 113283653 A CN113283653 A CN 113283653A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- ship
- prediction
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000004873 anchoring Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于机器学习和AIS数据的船舶轨迹预测方法，包括：对船舶历史AIS数据集进行预处理；对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据；再对轨迹特征数据中的错误数据进行检测和删除；对每条轨迹特征数据进行网格化处理，将每条轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向；建立基于xgboost算法的轨迹预测模型，通过轨迹预测模型对轨迹点进行预测。从而提高船舶运动方向预测的准确率。同时在数据集选取时，只要求传回的AIS数据位置信息在网格精度允许范围内即可认为数据有效，降低了对AIS数据的精确性要求。
Description
技术领域
本发明涉及船舶航运安全技术领域，尤其涉及一种基于机器学习和AIS数据的船舶轨迹预测方法。
背景技术
AIS是装载在船舶上的自动跟踪系统，可以实时的发送航行中船舶的特征信息如速度、航向、船艏向等等。通过对过往获取到的AIS数据进行分析，结合船舶当前的航行轨迹，可对航行轨迹进行预测，并为港口船只的监控及调度提供了助力。
目前，通过AIS数据对船舶航行轨迹预测方法主要包括：基于船舶运动学模型和基于机器学习模型两种，前者只考虑了船舶的当前轨迹，而没有考虑历史轨迹，忽略了当前水域的先验信息，而后者则对轨迹数据的要求有着较高的要求，需要轨迹数据在时间上分布连续且均匀，但原始AIS数据受设备和海上环境影响往往会出现各种缺失值，为此要在原始轨迹数据中进行插值修正以对不存在的采样点数据进行填充，插值结果与真实值的偏离程度对预测的准确性有着较大的影响。
发明内容
本发明提供一种基于机器学习和AIS数据的船舶轨迹预测方法，以克服上述技术问题。
本发明一种基于机器学习和AIS数据的船舶轨迹预测方法，包括：
对船舶历史AIS数据集进行预处理；
对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据；再对所述轨迹特征数据中的错误数据进行检测和删除；
对每条所述轨迹特征数据进行网格化处理，将每条所述轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向；
建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测。
进一步地，所述对船舶历史AIS数据集进行预处理，包括：删除明显的错误数据和静止船舶数据；所述明显的错误数据包括：MMSI错误、航速过大错误及航向越界错误；所述静止船舶数据包括：锚泊、系链锚泊、捕捞的船舶数据，以及速度和位置在一定时间内变化小于阈值的船舶数据。
进一步地，所述对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据，再对所述轨迹特征数据中的错误数据进行检测和删除，包括：
所述轨迹特征数据，包括：船长、航向、船艏向、速度、经纬度、轨迹点记录时间和转向率；
针对各条轨迹中出现异常行为的数据进行检测和删除，所述异常行为的数据包括：经纬度明显偏离航线、实际航速和传回航速值差异超过阈值；得到经过处理的轨迹数据集：
XT＝[x1,x2,…xj,…xN]T∈RmM*N (1)
其中，M为每条轨迹包含的轨迹点数目，N为从数据中获取的轨迹条数，Xj＝[x1,x2,…xi,…xM]T包含了每条轨迹返回的轨迹点；
Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T包含了每个轨迹点的所有特征信息，其中，xlat,xlng记录了轨迹点的经纬度信息。
进一步地，所述对每条所述轨迹特征数据进行网格化处理，将每条所述轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向，包括：
对于每个轨迹点的经纬度信息通过式(2)和式(3)进行离散化处理；
式中，δlng,δlat为网格在经纬度上的分度值，min(xlng),min(xlat)为经纬度的最小值；
选取AIS数据中的速度信息xv、航向信息xd、船艏向信息xr、转向率xr、船长信息xl及轨迹点记录时间xt作为特征，轨迹点记录时间xt＝H(xt),其中，H(x)表示取一时间变量x的小时部分；
基于不同船舶的船长信息xl及轨迹点记录时间xt两项特征为连续值，进一步通过式(4)进行离散化处理；
xt＝H(xt) (5)
其中，H(x)表示取一时间变量x的小时部分；
根据轨迹中每个当前轨迹点的位置和后继轨迹点的位置，计算其推测航行方向并作为标签值，由式(6)和(7)表示为：
其中
为当前轨迹点的位置，
为后继轨迹点的位置。
进一步地，所述建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测，包括：
轨迹点Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T；
采用boosting决策树通过式(8)、(9)的轨迹预测模型对下一轨迹点位置进行预测；
式中，FkM为对应八个不同角度的标签值k生成的M棵树，fm(Xi)为轨迹点Xi对应fm叶子节点的得分，SkM(Xi)表示轨迹点Xi在k方向标签上M棵决策树上总得分，再经softmax函数求出每一方向对应的概率
取概率
中的较大值的对应类别作为最终的预测方向。
进一步地，所述建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测，还包括：
将所有轨迹点划分为训练集和测试集，利用所述训练集对所述轨迹预测模型训练；
目标函数设置为：
式中，
为损失函数，采用对数似然代价函数，用于度量当前输出预测值和真实值的差异程度；Ω(ft)为惩罚项，与决策树中叶子节点的数目和得分成正相关，其中，t表示当前决策树生成的轮次；ft(xi)为轨迹点Xi在当前决策树的方向预测概率值，
为t-1时计算的所有决策树所得出的方向预测概率值，yi为实际方向，Ω(ft)为当前决策树的结构得分；
将目标函数Obj(t)用泰勒二阶展开式近似，对ft(xi)求导以求取使目标函数极小值的最优解，表示为：
式中，gi为损失函数l对
的一阶导数，hi为损失函数l对
的二阶导数；
通过训练后的所述轨迹预测模型利用所述测试集来获得轨迹点的预测方向或者对应每个方向的预测概率。
进一步地，获得轨迹点的预测方向后，对测试轨迹点的特征进行更新以进行多步轨迹预测，包括：
通过式(12)计算轨迹点移动后的船舶特征变化值；
式中，xdd表示航向的变化值，xdv表示速度的变化值，xdr表示转向率的变化值，xdh表示船艏向的变化值；
将所述船舶特征变化值加权后取平均值，与测试轨迹点相应特征相加，再根据预测方向计算出测试轨迹点下一步位置，获得更新后的测试轨迹点，重复上述过程完成多步轨迹预测。
本发明通过对船舶的位置信息进行网格化处理，从而使得轨迹点的预测从360度范围内的连续预测问题简化为了8个角度的运动方向问题；再通过将运动方向设定为轨迹点样本的标签，用机器学习中的分类模型对问题进行建模求解，提高船舶运动方向预测的准确率。同时在数据集选取时，只要求传回的AIS数据位置信息在网格精度允许范围内即可认为数据有效，降低了对AIS数据的精确性要求。
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以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明中轨迹点对应的预测方向标签值示意图；
图3为本发明中测试轨迹点距离的二维高斯分布图；
图4为本发明中通过基于xgboost算法的轨迹预测模型对轨迹点进行预测的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
如图1所示，本实施例提供了一种基于机器学习和AIS数据的船舶轨迹预测方法，包括：
101、对船舶历史AIS数据集进行预处理；
具体而言，明显的错误数据指的是MMSI错误、航速过大错误及航向越界错误。静止船舶数据指定位类型为锚泊、系链锚泊、捕捞的船舶数据、速度长时间较小、位置变化不大船舶数据。
102、对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据；再对轨迹特征数据中的错误数据进行检测和删除；
具体而言，轨迹特征数据包括：船长、航向、船艏向、速度、经纬度、轨迹点记录时间和转向率；
针对各条轨迹中出现异常行为的数据进行检测和删除，异常行为的数据包括：经纬度明显偏离航线、实际航速和传回航速值差异过大；得到经过处理的轨迹数据集：
XT＝[x1,x2,…xj,…xN]T∈RmM*N (1)
其中，M为每条轨迹包含的轨迹点数目，N为从数据中获取的轨迹条数，Xj＝[x1,x2,…xi,…xM]T包含了每条轨迹返回的轨迹点；
Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T包含了每个轨迹点的所有特征信息，其中，xlat,xlng记录了轨迹点的经纬度信息。
103、对每条轨迹特征数据进行网格化处理，将每条轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向；
具体而言，对于每个轨迹点的经纬度信息通过式(2)和式(3)进行离散化处理；
式中，δlng,δlat为网格在经纬度上的分度值，min(xlng),min(xlat)为经纬度的最小值；
选取AIS数据中的速度信息xv、航向信息xd、船艏向信息xr、转向率xr、船长信息xl及轨迹点记录时间xt作为特征，轨迹点记录时间xt＝H(xt),其中，H(x)表示取一时间变量x的小时部分；
基于不同船舶的船长信息xl及轨迹点记录时间xt两项特征为连续值，进一步通过式(4)进行离散化处理；
xt＝H(xt) (5)
H(x)表示取一时间变量x的小时部分；
根据轨迹中每个当前轨迹点的位置和后继轨迹点的位置，计算其推测航行方向并作为标签值，由式(6)和(7)表示为：
其中
为当前轨迹点的位置，
为后继轨迹点的位置。
假定
为坐标中心，则对应方向标签值如图2所示。
104、建立基于xgboost算法的轨迹预测模型，通过轨迹预测模型对所述轨迹点进行预测。
具体而言，经上述步骤，获得了每条轨迹Xj对应的下一步位置Yj，将每个轨迹点Xi视作一个样本，轨迹点下一步位置yi视为该样本对应类别,由此将轨迹预测问题转化为了一个机器学习中的分类问题。假定存在某已知轨迹点Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T，则可根据由boosting决策树原理构建如下模型对其下一步位置(类别)进行预测：
式中，FkM为对应八个不同角度的标签值k生成的M棵树，fm(Xi)为轨迹点Xi对应fm叶子节点的得分，SkM(Xi)表示轨迹点Xi在k方向标签上M棵决策树上总得分，再经softmax函数求出每一方向对应的概率
取概率
中的较大值的对应类别作为最终的预测方向。
如图4所示，基于xgboost的轨迹预测模型，所有轨迹点划分为训练集和数据集，将训练集投入该模型训练，目标函数设置为：
式中，
为损失函数，采用对数似然代价函数，用于度量当前输出预测值和真实值的差异程度；Ω(ft)为惩罚项避免过拟合，与决策树中叶子节点的数目和得分成正相关，其中，t表示当前决策树生成的轮次；ft(xi)为轨迹点Xi在当前决策树的方向预测概率值，
为t-1时计算的所有决策树所得出的方向预测概率值，yi为实际方向，Ω(ft)为当前生成树的结构得分；
将目标函数Obj(t)用泰勒二阶展开式近似，对ft(xi)求导以求取使目标函数极小值的最优解，表示为：
式中，gi为损失函数l对
的一阶导数，hi为损失函数l对
的二阶导数；
采用贪心算法或其近似算法遍历样本所有特征及特征可能的分裂节点，计算分裂前后Obj的增益，分裂要求为：选取其中最大的节点增益与增益阈值进行比较，以决定是否进行分裂。当分裂节点数目过多或者叶子节点的得分和较低时终止树分裂，开始下一轮的迭代。得到训练好的树状分类模型后，投入测试集进行预测，常用的评价标准为mlogloss，即如式(12)所示的对数似然代价函数，依据此指标对模型中的参数如分类节点数目，叶子节点最小得分和等等参数进行调整，最终得到一个最优的模型，获得测试集的预测方向或者对应每个方向的预测概率。
获得测试轨迹点的预测方向后，需对测试轨迹点的特征进行更新以进行多步轨迹预测，聚合训练集中所有在测试轨迹点当前位置8邻域网格范围内、且运动方向和预测方向相同的轨迹点。按如下方式计算这些轨迹点进行下一次移动前后的船舶特征变化：
式中，xdd表示航向的变化值，xdv表示速度的变化值，xdr表示转向率的变化值，xdh表示船艏向的变化值。
将这些轨迹点特征变化值加权后取平均值，与测试轨迹点相应特征相加，再根据预测方向计算出测试轨迹点下一步位置，由此获得更新后的测试轨迹点，可进行再一次预测。如图3所示，特征变化加权方式为依到测试轨迹点距离的二维高斯分布。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (7)
1.一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，包括：
对船舶历史AIS数据集进行预处理；
对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据；再对所述轨迹特征数据中的错误数据进行检测和删除；
对每条所述轨迹特征数据进行网格化处理，将每条所述轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向；
建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测。
2.根据权利要求1所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，所述对船舶历史AIS数据集进行预处理，包括：删除明显的错误数据和静止船舶数据；
所述明显的错误数据包括：MMSI错误、航速过大错误及航向越界错误；
所述静止船舶数据包括：锚泊、系链锚泊、捕捞的船舶数据，以及速度和位置在一定时间内变化小于阈值的船舶数据。
3.根据权利要求2所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，所述对预处理后的AIS数据集按轨迹进行划分，以获取多条轨迹特征数据，再对所述轨迹特征数据中的错误数据进行检测和删除，包括：
所述轨迹特征数据，包括：船长、航向、船艏向、速度、经纬度、轨迹点记录时间和转向率；
针对各条轨迹中出现异常行为的数据进行检测和删除，所述异常行为的数据包括：经纬度明显偏离航线、实际航速和传回航速值差异超过阈值；得到经过处理的轨迹数据集：
XT＝[x1,x2,…xj,…xN]T∈RmM*N (1)
其中，M为每条轨迹包含的轨迹点数目，N为从数据中获取的轨迹条数，Xj＝[x1,x2,…xi,…xM]T包含了每条轨迹返回的轨迹点；
Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T包含了每个轨迹点的所有特征信息，其中，xlat,xlng记录了轨迹点的经纬度信息。
4.根据权利要求3所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，所述对每条所述轨迹特征数据进行网格化处理，将每条所述轨迹特征数据内轨迹点的预测目标划分为八个邻域网格方向，包括：
对于每个轨迹点的经纬度信息通过式(2)和式(3)进行离散化处理；
式中，δlng,δlat为网格在经纬度上的分度值，min(xlng),min(xlat)为经纬度的最小值；
选取AIS数据中的速度信息xv、航向信息xd、船艏向信息xr、转向率xr、船长信息xl及轨迹点记录时间xt作为特征，轨迹点记录时间xt＝H(xt),其中，H(x)表示取一时间变量x的小时部分；
基于不同船舶的船长信息xl及轨迹点记录时间xt两项特征为连续值，进一步通过式(4)进行离散化处理；
xt＝H(xt) (5)
其中，H(x)表示取一时间变量x的小时部分；
根据轨迹中每个当前轨迹点的位置和后继轨迹点的位置，计算其推测航行方向作为标签值，由式(6)和(7)表示为：
其中
为当前轨迹点的位置，
为后继轨迹点的位置。
5.根据权利要求4所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，所述建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测，包括：
轨迹点Xi＝[xlat,xlng,xv,xd,xl,xt,xh,xr]T；
采用boosting决策树通过式(8)、(9)的轨迹预测模型对下一轨迹点位置进行预测；
式中，FkM为对应八个不同角度的标签值k生成的M棵树，fm(Xi)为轨迹点Xi对应fm叶子节点的得分，SkM(Xi)表示轨迹点Xi在k方向标签上M棵决策树上总得分，再经softmax函数求出每一方向对应的概率
取概率
中的较大值的对应类别作为最终的预测方向。
6.根据权利要求5所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，所述建立基于xgboost算法的轨迹预测模型，通过所述轨迹预测模型对所述轨迹点进行预测，还包括：
将所有轨迹点划分为训练集和测试集，利用所述训练集对所述轨迹预测模型训练；
目标函数设置为：
用于度量当前输出预测值和真实值的差异程度；Ω(ft)为惩罚项，与决策树中叶子节点的数目和得分成正相关，其中，t表示当前决策树生成的轮次；ft(xi)为轨迹点Xi在当前决策树的方向预测概率值，
为t-1时计算的所有决策树所得出的航行方向预测概率值，yi为实际方向，Ω(ft)为当前决策树的结构得分；
将目标函数Obj(t)用泰勒二阶展开式近似，对ft(xi)求导以求取使目标函数极小值的最优解，表示为：
式中，gi为损失函数l对
的一阶导数，hi为损失函数l对
的二阶导数；
通过训练后的所述轨迹预测模型利用所述测试集来获得轨迹点的预测方向或者对应每个方向的预测概率。
7.根据权利要求6所述的一种基于机器学习和AIS数据的船舶轨迹预测方法，其特征在于，获得轨迹点的预测方向后，对测试轨迹点的特征进行更新以进行多步轨迹预测，包括：
通过式(12)计算轨迹点移动后的船舶特征变化值；
式中，xdd表示航向的变化值，xdv表示速度的变化值，xdr表示转向率的变化值，xdh表示船艏向的变化值；
将所述船舶特征变化值加权后取平均值，与测试轨迹点相应特征相加，再根据预测方向计算出测试轨迹点下一步位置，获得更新后的测试轨迹点，重复上述过程完成多步轨迹预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586239.1A CN113283653B (zh) | 2021-05-27 | 2021-05-27 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586239.1A CN113283653B (zh) | 2021-05-27 | 2021-05-27 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283653A true CN113283653A (zh) | 2021-08-20 |
| CN113283653B CN113283653B (zh) | 2024-03-26 |
Family
ID=77282140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586239.1A Active CN113283653B (zh) | 2021-05-27 | 2021-05-27 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283653B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836118A (zh) * | 2021-11-24 | 2021-12-24 | 亿海蓝（北京）数据技术股份公司 | 船舶静态数据补充方法和装置、电子设备和可读存储介质 |
| CN114692080A (zh) * | 2022-06-01 | 2022-07-01 | 南京城建隧桥智慧管理有限公司 | 基于主动预测的轨迹数据异常检测及修正方法 |
| CN115359096A (zh) * | 2022-10-21 | 2022-11-18 | 中智行(苏州)科技有限公司 | 一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
| CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
| CN111242341A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种线路定价方法、装置、设备和存储介质 |
| CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
| CN112307143A (zh) * | 2020-08-26 | 2021-02-02 | 四川云从天府人工智能科技有限公司 | 一种时空轨迹构建方法、系统、设备和介质 |
| WO2021017577A1 (zh) * | 2019-07-29 | 2021-02-04 | 南京莱斯网信技术研究院有限公司 | 一种基于集成学习的船舶类型仿冒监测方法 |
-
2021
- 2021-05-27 CN CN202110586239.1A patent/CN113283653B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
| CN111242341A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种线路定价方法、装置、设备和存储介质 |
| WO2021017577A1 (zh) * | 2019-07-29 | 2021-02-04 | 南京莱斯网信技术研究院有限公司 | 一种基于集成学习的船舶类型仿冒监测方法 |
| CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
| CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
| CN112307143A (zh) * | 2020-08-26 | 2021-02-02 | 四川云从天府人工智能科技有限公司 | 一种时空轨迹构建方法、系统、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 朱飞祥等: "基于数据挖掘的船舶行为研究", 《中国航海》, pages 50 - 54 * |
| 罗永豪: "基于AIS数据的船舶航行轨迹预测", 《中国优秀硕士学位论文全文数据库》, pages 036 - 194 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836118A (zh) * | 2021-11-24 | 2021-12-24 | 亿海蓝（北京）数据技术股份公司 | 船舶静态数据补充方法和装置、电子设备和可读存储介质 |
| CN114692080A (zh) * | 2022-06-01 | 2022-07-01 | 南京城建隧桥智慧管理有限公司 | 基于主动预测的轨迹数据异常检测及修正方法 |
| CN115359096A (zh) * | 2022-10-21 | 2022-11-18 | 中智行(苏州)科技有限公司 | 一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283653B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283653A (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
| CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
| CN112100917A (zh) | 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法 | |
| CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| CN113156947B (zh) | 一种船舶在动态环境下的路径规划的方法 | |
| CN113312438B (zh) | 融合航线提取与趋势判断的海上目标位置预测方法 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN110673148A (zh) | 一种主动声纳目标实时航迹解算方法 | |
| CN115730263B (zh) | 一种船舶行为模式侦测方法及装置 | |
| CN115100247A (zh) | 一种基于ais动态信息的分步预测船舶轨迹的方法 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| CN112445847A (zh) | 基于北斗导航时频数据的船舶轨迹预测方法及装置 | |
| CN114090718A (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
| CN113128826A (zh) | 通航风险预测方法、装置和存储介质 | |
| CN113032896A (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
| CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
| CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| CN112556698B (zh) | 船舶行为变化及异常识别方法、设备及介质 | |
| CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
| Tritsarolis et al. | Vessel collision risk assessment using AIS data: A machine learning approach | |
| CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
| CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| CN113917930A (zh) | 一种基于感知数据的无人船航行状态控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |