CN113312438B - 融合航线提取与趋势判断的海上目标位置预测方法 - Google Patents

Abstract

本发明提供了一种融合航线提取与趋势判断的海上目标位置预测方法，包括：步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果。本发明所述的融合航线提取与趋势判断的海上目标位置预测方法，适应性强、预测精准度高，不易受到噪声的影响解决了海上目标深层次移动规律的提取与可解释性问题，实现了海上目标高效、高精度的预测需求。

Description

融合航线提取与趋势判断的海上目标位置预测方法

技术领域

本发明涉及时空大数据挖掘技术领域，特别涉及一种融合航线提取与趋势判断的海上目标位置预测方法。

背景技术

随着我国经济的快速发展，海上船舶的保有量持续增长。由于海域情况复杂，并且海上船舶的运动不受到实质空间边界的限制、船舶大小差异巨大，因此在交通密度大、情况复杂的港口处，海上船舶的运动经常出现航行路线交叉、重叠，甚至由于水体的特殊性，运动中的船舶难以相互避让，出现碰撞、堵塞等情况；严重影响了海上船舶的安全性和通畅性。因此，利用船舶实时信息准确、有效地对船舶轨迹进行追踪和预测是海上交通态势把握和事故预警的重要途径。

并且传感器技术和网络技术的发展和卫星AIS(Automatic IdentificationSystem)设备的使用，海上目标的定位和监控能力极大增强的同时，产生了海量的AIS轨迹数据；这些海量的AIS轨迹数据中包含了海上目标的潜在规律，并且这些数据具有可靠性高、连续性好、实时性强的特点，为海上目标的意图预测提供了数据基础。

现有基于AIS轨迹数据的海上目标的意图预测方法主要从两方面出发，即基于传统统计理论的方法和基于深度学习的方法。基于传统统计理论的方法主要是通过数理统计的方法分析历史数据，从而发现系统内部的潜在规律，从而实现轨迹的预测；传统统计理论具有模型较简单，计算方便的特点，然而其对数据质量要求高。基于深度学习的方法通过构建多隐藏层的大型神经网络来训练数据样本，学习系统特征，从而实现准确预测；基于深度学习的方法学习能力强，但是模型复杂，训练难度大。在现实世界中，海上环境多变、海上目标自身技术发展迅速、目的多变，对传统统计理论的预测精准度和深度学习模型的适应性提出了重大挑战。

综上所述，基于AIS轨迹数据的海上目标意图预测是当前把我海上态势、调控海上交通的重要手段之一，然而缺乏一种适应性强、预测精准度高的海上目标意图预测方法。

发明内容

本发明提供了一种融合航线提取与趋势判断的海上目标位置预测方法，其目的是为了传统的海上目标预测方法适应性低、预测精准度低，容易受到噪声的影响，难以捕捉海上目标深层次的移动规律，深度学习模型构建较为复杂，模型运算成本较高，且预测结果缺乏可解释性的问题。

为了达到上述目的，本发明的实施例提供了一种融合航线提取与趋势判断的海上目标位置预测方法，包括：

步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；

步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果；

步骤3，根据起点聚类结果和终点聚类结果将预处理后的AIS轨迹数据中具有相同起点和相同终点的轨迹划分为同一类，对所有同一类轨迹采用DBSCAN聚类算法再次划分，得到轨迹聚类结果；

步骤4，采用Delaunay三角网算法分别将轨迹聚类结果中每同一类轨迹的所有轨迹合并为一条航线，得到多条航线并建立航线库；

步骤5，采用B样条曲线拟合方法分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数；

步骤6，在航线库中寻找与目标轨迹的起点相同的航线，分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离，选取出航线库中与目标轨迹的弗雷歇距离最近的航线与目标轨迹进行航线匹配，获得目标轨迹与匹配航线间的偏移距离，并将匹配航线的拟合函数作为目标轨迹的拟合函数；

步骤7，根据目标轨迹的速度、加速度和未来时间计算未来时间内目标轨迹的运动距离，根据未来时间内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离对未来时刻目标轨迹的位置进行预测，得到预测的未来时刻目标轨迹的位置信息。

其中，所述步骤1具体包括：

步骤11，确定研究区域，删除AIS轨迹数据中研究区域范围之外和重复记录的轨迹数据；

步骤12，根据航程的起航和到达信息对轨迹数据进行分段；

步骤13，将存在长时间缺失连续位置记录的轨迹进行剔除，对分段后的轨迹数据的连续位置记录进行判断，当当前轨迹的连续位置间隔超出设定的阈值，则将当前段轨迹剔除。

其中，所述步骤2具体包括：

采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，步骤如下：

步骤21，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的起点P_z，当起点P_z有超过Minpts个其他停留点且起点P_z与其他停留点/>之间的距离小于距离阈值Eps时，则将起点P_z当成一个簇Cluster_j的核点，否则，将起点P_z当成一个噪声点Noise_v；

步骤22，给定一个簇Cluster_j的核点，当存在一个起点P_z与簇Cluster_j中的核点之间的距离小于距离阈值Eps时，则将当前起点P_z加入到簇Cluster_j之中；

步骤23，循环迭代步骤22，直到没有新的起点添加到任何簇时，结束循环，得到起点聚类结果。

其中，所述步骤2还包括：

采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，步骤如下：

步骤24，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的终点P_k，当终点P_k有超过Minpts个其他停留点且终点P_k与其他停留点/>之间的距离小于距离阈值Eps时，则将终点P_k当成一个簇Cluster_l的核点，否则，将终点P_k当成一个噪声点Noise_v；

步骤25，给定一个簇Cluster_l的核点，当存在一个终点P_k与簇Cluster_l中的核点之间的距离小于距离阈值Eps时，则将当前终点P_k加入到簇Cluster_l之中；

步骤26，循环迭代步骤25，直到没有新的终点添加到任何簇时，结束循环，得到终点聚类结果。

其中，所述步骤4具体包括：

步骤31，在同一类轨迹中随机选取一条轨迹作为初始航线；

步骤32，在同一类轨迹的剩余轨迹中随机选取一条轨迹与初始航线轨迹构建三角网，按顺序选取三角网中连接两条轨迹的边的中点构成新的航线；

步骤33，重复步骤32直至遍历完同一类轨迹中的所有轨迹，得到合并后的航线，并获得航线的轨迹点信息；

步骤34，对每同一类轨迹执行步骤31、步骤32和步骤33，直至遍历完所有同一类轨迹，得到多条航线。

其中，所述步骤5还包括：

采用B样条曲线拟合方法对航线进行函数拟合，已知航线有n+1个航线轨迹点P_i和一个航线轨迹点向量U＝{u₀,u₁,…,u_n},p次B样条曲线由航线轨迹点P_i和航线轨迹点向量U定义，如下所示：

其中，f(u)表示航线的拟合函数，N_i,p表示p次B样条基函数，P_i表示航线轨迹点，i＝0,1,2,...,n，p表示次数，U表示航线轨迹点向量，U＝{u₀,u₀,...,u_n}，n表示航线轨迹点的个数；

根据公式(1)分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数。

其中，所述步骤6具体包括：

设二元组(S,d)是一个度量空间，轨迹A和轨迹B为度量空间S上的两条连续曲线，其中，A:[0,1]→S,B:[0,1]→S；设α和β为单位区间的两个重参数化函数，其中，α:[0,1]→[0,1],β:[0,1]→[0,1]，轨迹A与轨迹B的弗雷歇距离的计算，如下所示：

其中，F(A，B)表示轨迹A与轨迹B的弗雷歇距离，α和β表示单位区间的重参数化函数，d表示S上的度量函数，c表示轨迹点；

根据公式(2)分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离。

其中，所述步骤7具体包括：

根据目标轨迹的速度v、加速度a和未来时间t计算未来时间t内目标轨迹的运动距离，如下所示：

其中，L表示未来时间t内目标轨迹的运动距离，v表示目标轨迹的速度，a表示目标轨迹的加速度，t表示未来时间。

其中，所述步骤7还包括：

根据未来时间t内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离来预测未来时刻目标轨迹的位置信息，如下所示：

其中，Z表示预测未来时刻目标轨迹的位置信息，f_i表示目标轨迹的拟合函数，σ表示目标轨迹与匹配轨迹间的偏移距离。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，适应性强、预测精准度高，不易受到噪声的影响解决了海上目标深层次移动规律的提取与可解释性问题，实现了海上目标高效、高精度的预测需求，易于捕捉海上目标深层次的移动规律。

附图说明

图1为本发明的流程图；

图2为本发明的部分AIS轨迹数据与研究区域示意图；

图3为本发明的AIS轨迹起点聚类结果示意图；

图4为本发明的AIS轨迹终点聚类结果示意图；

图5为本发明的航线拟合结果示意图；

图6为本发明的目标轨迹未来时刻的预测结果示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的海上目标预测方法适应性低、预测精准度低，容易受到噪声的影响，难以捕捉海上目标深层次的移动规律，深度学习模型构建较为复杂，模型运算成本较高，且预测结果缺乏可解释性的问题，提供了一种融合航线提取与趋势判断的海上目标位置预测方法。

如图1至图6所示，本发明的实施例提供了一种融合航线提取与趋势判断的海上目标位置预测方法，包括：步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果；步骤3，根据起点聚类结果和终点聚类结果将预处理后的AIS轨迹数据中具有相同起点和相同终点的轨迹划分为同一类，对所有同一类轨迹采用DBSCAN聚类算法再次划分，得到轨迹聚类结果；步骤4，采用Delaunay三角网算法分别将轨迹聚类结果中每同一类轨迹的所有轨迹合并为一条航线，得到多条航线并建立航线库；步骤5，采用B样条曲线拟合方法分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数；步骤6，在航线库中寻找与目标轨迹的起点相同的航线，分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离，选取出航线库中与目标轨迹的弗雷歇距离最近的航线与目标轨迹进行航线匹配，获得目标轨迹与匹配航线间的偏移距离，并将匹配航线的拟合函数作为目标轨迹的拟合函数；步骤7，根据目标轨迹的速度、加速度和未来时间计算未来时间内目标轨迹的运动距离，根据未来时间内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离对未来时刻目标轨迹的位置进行预测，得到预测的未来时刻目标轨迹的位置信息。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，采用基于聚类的方法识别数据预处理后的AIS轨迹数据的特征点簇，特征点簇包括轨迹起点簇、轨迹终点簇和轨迹固定点簇，轨迹固定点簇为目标航行过程中，高频经过的位置或区域。

其中，所述步骤1具体包括：步骤11，确定研究区域，删除AIS轨迹数据中研究区域范围之外和重复记录的轨迹数据；步骤12，根据航程的起航和到达信息对轨迹数据进行分段；步骤13，将存在长时间缺失连续位置记录的轨迹进行剔除，对分段后的轨迹数据的连续位置记录进行判断，当当前轨迹的连续位置间隔超出设定的阈值，则将当前段轨迹剔除。

其中，所述步骤2具体包括：采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，步骤如下：步骤21，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的起点P_z，当起点P_z有超过Minpts个其他停留点且起点P_z与其他停留点/>之间的距离小于距离阈值Eps时，则将起点P_z当成一个簇Cluster_j的核点，否则，将起点P_z当成一个噪声点Noise_v；步骤22，给定一个簇Cluster_j的核点，当存在一个起点P_z与簇Cluster_j中的核点之间的距离小于距离阈值Eps时，则将当前起点P_z加入到簇Cluster_j之中；步骤23，循环迭代步骤22，直到没有新的起点添加到任何簇时，结束循环，得到起点聚类结果。

其中，所述步骤2还包括：采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，步骤如下：步骤24，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的终点P_k，当终点P_k有超过Minpts个其他停留点且终点P_k与其他停留点/>之间的距离小于距离阈值Eps时，则将终点P_k当成一个簇Cluster_l的核点，否则，将终点P_k当成一个噪声点Noise_v；步骤25，给定一个簇Cluster_l的核点，当存在一个终点P_k与簇Cluster_l中的核点之间的距离小于距离阈值Eps时，则将当前终点P_k加入到簇Cluster_l之中；步骤26，循环迭代步骤25，直到没有新的终点添加到任何簇时，结束循环，得到终点聚类结果。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，由于DBSCAN聚类算法的特殊性，需要对聚类参数进行合理优化，海上目标起点、终点受到港口的限制，因此需要保持聚类结果的高聚集性，即保证簇内高紧密性。同时，起点和终点被识别为噪声点的轨迹数据将被作为异常数据剔除。

其中，所述步骤4具体包括：步骤31，在同一类轨迹中随机选取一条轨迹作为初始航线；步骤32，在同一类轨迹的剩余轨迹中随机选取一条轨迹与初始航线轨迹构建三角网，按顺序选取三角网中连接两条轨迹的边的中点构成新的航线；步骤33，重复步骤32直至遍历完同一类轨迹中的所有轨迹，得到合并后的航线，并获得航线的轨迹点信息；步骤34，对每同一类轨迹执行步骤31、步骤32和步骤33，直至遍历完所有同一类轨迹，得到多条航线。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，根据起点聚类结果和终点聚类结果将预处理后的AIS轨迹数据中具有相同起点和相同终点的轨迹划分为同一类，得到n个同一类轨迹，对所有同一类轨迹采用DBSCAN聚类算法再次划分，得到轨迹聚类结果，采用Delaunay三角网算法分别将轨迹聚类结果中每同一类轨迹中的所有轨迹合并为一条航线，得到n条航线，n条航线构成航线库，由于得到的n条航线是离散，则采用B样条拟合方法分别对n条航线进行拟合，每一条航线得到一个相对应的拟合函数f_i，得到n个拟合函数，同一类轨迹合并为一条航线，一条航线拟合为一个拟合函数。

其中，所述步骤5还包括：采用B样条曲线拟合方法对航线进行函数拟合，已知航线有n+1个航线轨迹点P_i和一个航线轨迹点向量U＝{u₀,u₁,…,u_n},p次B样条曲线由航线轨迹点P_i和航线轨迹点向量U定义，如下所示：

其中，f(u)表示航线的拟合函数，N_i,p表示p次B样条基函数，P_i表示航线轨迹点，i＝0,1,2,...,n，p表示次数，U表示航线轨迹点向量，U＝{u₀,u₀,...,u_n}，n表示航线轨迹点的个数；

根据公式(1)分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数。

其中，所述步骤6具体包括：设二元组(S,d)是一个度量空间，轨迹A和轨迹B为度量空间S上的两条连续曲线，其中，A:[0,1]→S,B:[0,1]→S；设α和β为单位区间的两个重参数化函数，其中，α:[0,1]→[0,1],β:[0,1]→[0,1]，轨迹A与轨迹B的弗雷歇距离的计算，如下所示：

其中，F(A，B)表示轨迹A与轨迹B的弗雷歇距离，α和β表示单位区间的重参数化函数，d表示S上的度量函数，c表示轨迹点；

根据公式(2)分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，轨迹相似性区别于普通点和集合距离，是连续点的形状相似性和空间距离共同决定的，因此使用弗雷歇距离作为轨迹间的相似度度量方式。

其中，所述步骤7具体包括：根据目标轨迹的速度v、加速度a和未来时间t计算未来时间t内目标轨迹的运动距离，如下所示：

其中，L表示未来时间t内目标轨迹的运动距离，v表示目标轨迹的速度，a表示目标轨迹的加速度，t表示未来时间。

其中，所述步骤7还包括：根据未来时间t内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离来预测未来时刻目标轨迹的位置信息，如下所示：

其中，Z表示预测未来时刻目标轨迹的位置信息，f_i表示目标轨迹的拟合函数，σ表示目标轨迹与匹配轨迹间的偏移距离。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，采用中国沿海2020年10月28日至2020年11月26日货船AIS轨迹数据，选择中国沿海作为研究区域，采用的数据为货船AIS轨迹数据，该数据时间为2020年10月28日至2020年11月26日，部分AIS轨迹数据与研究区域如图2所示。清洗轨迹数据中研究区域外、重复记录的数据。由于同一条船可能存在多个航程，但实际记录上时间和位置是连续点，因此根据轨迹的起航和到达信息对轨迹数据进行分段处理，得到目标的单次航程作为一条轨迹。并对分段后的轨迹剔除连续位置点间隔远超过阈值的异常轨迹。对分段后轨迹的起点和终点分别使用DBSCAN算法将起点和终点分别划分为227个簇和221个簇，并且结果发现噪声点较少。根据起点聚类结果和终点聚类结果，对航线进行分类，将起点和终点之间的所有分段后轨迹划分为一类。并对同一类轨迹再次采用DBSCAN算法以发现相同形状的轨迹，得到轨迹聚类结果。根据轨迹聚类结果，将同一类轨迹拟合成一条航线。采用Delaunay三角网算法分别将每同一类轨迹的多条轨迹合并为一条航线，得到多条航线，根据多条航线建立航线库。由于得到的多条航线是离散的，需要采用B样条曲线拟合方法，将离散的多条航线分别拟合为函数，得到多条航线的拟合函数，由于航线的形状复杂，拟合过程中存在无法用一个B样条函数拟合的情况，需要采用分段拟合。根据起点聚类结果判断目标轨迹的起点，根据目标轨迹的起点寻找航线库中与目标轨迹的起点相同的航线，然后分别计算目标轨迹与航线库中所有与目标轨迹的起点相同的航线的弗雷歇距离，选取航线库中与目标轨迹的弗雷歇距离最近的航线，完成航迹匹配，目标轨迹的拟合函数为匹配航线的拟合函数，利用目标轨迹的拟合函数、目标轨迹自身运动速度与加速度预测目标轨迹下一时刻的位置。

本发明的上述实施例所述的融合航线提取与趋势判断的海上目标位置预测方法，适应性强、预测精准度高，不易受到噪声的影响解决了海上目标深层次移动规律的提取与可解释性问题，实现了海上目标高效、高精度的预测需求。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，包括：

步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；

步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果；

步骤3，根据起点聚类结果和终点聚类结果将预处理后的AIS轨迹数据中具有相同起点和相同终点的轨迹划分为同一类，对所有同一类轨迹采用DBSCAN聚类算法再次划分，得到轨迹聚类结果；

步骤4，采用Delaunay三角网算法分别将轨迹聚类结果中每同一类轨迹的所有轨迹合并为一条航线，得到多条航线并建立航线库；

步骤5，采用B样条曲线拟合方法分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数；

步骤6，在航线库中寻找与目标轨迹的起点相同的航线，分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离，选取出航线库中与目标轨迹的弗雷歇距离最近的航线与目标轨迹进行航线匹配，获得目标轨迹与匹配航线间的偏移距离，并将匹配航线的拟合函数作为目标轨迹的拟合函数；

步骤7，根据目标轨迹的速度、加速度和未来时间计算未来时间内目标轨迹的运动距离，根据未来时间内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离对未来时刻目标轨迹的位置进行预测，得到预测的未来时刻目标轨迹的位置信息。

2.根据权利要求1所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤1具体包括：

步骤11，确定研究区域，删除AIS轨迹数据中研究区域范围之外和重复记录的轨迹数据；

步骤12，根据航程的起航和到达信息对轨迹数据进行分段；

步骤13，将存在长时间缺失连续位置记录的轨迹进行剔除，对分段后的轨迹数据的连续位置记录进行判断，当当前轨迹的连续位置间隔超出设定的阈值，则将当前段轨迹剔除。

3.根据权利要求2所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤2具体包括：

采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，步骤如下：

步骤21，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的起点P_z，当起点P_z有超过Minpts个其他停留点P_j(j≠z)，且起点P_z与其他停留点P_j(j≠z)之间的距离小于距离阈值Eps时，则将起点P_z当成一个簇Cluster_j的核点，否则，将起点P_z当成一个噪声点Noise_v；

步骤22，给定一个簇Cluster_j的核点，当存在一个起点P_z与簇Cluster_j中的核点之间的距离小于距离阈值Eps时，则将当前起点P_z加入到簇Cluster_j之中；

步骤23，循环迭代步骤22，直到没有新的起点添加到任何簇时，结束循环，得到起点聚类结果。

4.根据权利要求3所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤2还包括：

采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，步骤如下：

步骤24，设定距离阈值Eps与数量阈值Minpts，循环遍历选取出的预处理后的AIS轨迹数据中的各个轨迹的终点P_k，当终点P_k有超过Minpts个其他停留点P_j(j≠k)，且终点P_k与其他停留点P_j(j≠k)之间的距离小于距离阈值Eps时，则将终点P_k当成一个簇Cluster_l的核点，否则，将终点P_k当成一个噪声点Noise_v；

步骤25，给定一个簇Cluster_l的核点，当存在一个终点P_k与簇Cluster_l中的核点之间的距离小于距离阈值Eps时，则将当前终点P_k加入到簇Cluster_l之中；

步骤26，循环迭代步骤25，直到没有新的终点添加到任何簇时，结束循环，得到终点聚类结果。

5.根据权利要求4所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤4具体包括：

步骤31，在同一类轨迹中随机选取一条轨迹作为初始航线；

步骤32，在同一类轨迹的剩余轨迹中随机选取一条轨迹与初始航线轨迹构建三角网，按顺序选取三角网中连接两条轨迹的边的中点构成新的航线；

步骤33，重复步骤32直至遍历完同一类轨迹中的所有轨迹，得到合并后的航线，并获得航线的轨迹点信息；

步骤34，对每同一类轨迹执行步骤31、步骤32和步骤33，直至遍历完所有同一类轨迹，得到多条航线。

6.根据权利要求5所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤5还包括：

采用B样条曲线拟合方法对航线进行函数拟合，已知航线有n+1个航线轨迹点P_i和一个航线轨迹点向量U＝{u₀,u₁,…,u_n},p次B样条曲线由航线轨迹点P_i和航线轨迹点向量U定义，如下所示：

其中，f(u)表示航线的拟合函数，N_i,p表示p次B样条基函数，P_i表示航线轨迹点，i＝0,1,2,...,n，p表示次数，U表示航线轨迹点向量，U＝{u₀,u₀,...,u_n}，n表示航线轨迹点的个数；

根据公式(1)分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数。

7.根据权利要求6所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤6具体包括：

设二元组(S,d)是一个度量空间，轨迹A和轨迹B为度量空间S上的两条连续曲线，其中，A:[0,1]→S,B:[0,1]→S；设α和β为单位区间的两个重参数化函数，其中，α:[0,1]→[0,1],β:[0,1]→[0,1]，轨迹A与轨迹B的弗雷歇距离的计算，如下所示：

其中，F(A，B)表示轨迹A与轨迹B的弗雷歇距离，α和β表示单位区间的重参数化函数，d表示S上的度量函数，c表示轨迹点；

根据公式(2)分别计算和记录目标轨迹和与在航线库中寻找到的所有与目标轨迹起点相同的航线的弗雷歇距离。

8.根据权利要求7所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤7具体包括：

根据目标轨迹的速度v、加速度a和未来时间t计算未来时间t内目标轨迹的运动距离，如下所示：

其中，L表示未来时间t内目标轨迹的运动距离，v表示目标轨迹的速度，a表示目标轨迹的加速度，t表示未来时间。

9.根据权利要求8所述的融合航线提取与趋势判断的海上目标位置预测方法，其特征在于，所述步骤7还包括：

根据未来时间t内目标轨迹的运动距离、目标轨迹的拟合函数和目标轨迹与匹配航线间的偏移距离来预测未来时刻目标轨迹的位置信息，如下所示：

其中，Z表示预测未来时刻目标轨迹的位置信息，f_i表示目标轨迹的拟合函数，σ表示目标轨迹与匹配轨迹间的偏移距离。