CN113837461A - 一种基于lstm网络的船舶轨迹预测方法 - Google Patents
一种基于lstm网络的船舶轨迹预测方法 Download PDFInfo
- Publication number
- CN113837461A CN113837461A CN202111095680.6A CN202111095680A CN113837461A CN 113837461 A CN113837461 A CN 113837461A CN 202111095680 A CN202111095680 A CN 202111095680A CN 113837461 A CN113837461 A CN 113837461A
- Authority
- CN
- China
- Prior art keywords
- predicted
- square error
- point
- ship
- lstm
- 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 33
- 230000002452 interceptive effect Effects 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (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)
Abstract
本发明提供一种基于LSTM网络的船舶轨迹预测方法，包括下列步骤：建立交互感知神经网络，提取交互感知加速度
建立Conv‑LSTM网络，获得第一预测轨迹点Pt1；基于运动层获得第二预测轨迹点Pt2，对第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3，计算第一预测轨迹点Pt1的第一均方根误差，计算第二预测轨迹点Pt2的第二均方根误差，计算第三预测轨迹点Pt3的第三均方根误差，对第一均方根误差、第二均方根误差、第三均方根误差进行归一化并进行比较，选择数值小的值作为最优预测轨迹点。
Description
技术领域
本发明涉及船舶轨迹预测技术领域，尤其涉及一种基于LSTM网络的船舶轨迹预测方法。
背景技术
船舶航行是一个连续的过程，AIS系统却并不是连续的发送数据，而是以一定的时间间隔发送报文信息，通常用于研究的航行数据是一个个离散的轨迹点信息，构成了离散的时间系列。基于AIS数据格式，船舶运动轨迹的研究大体分为两种方式：以航迹点为研究对象及以航线为研究对象。以航迹点为研究对象一般会采用网格划分的方式，将研究水域进行空间切割，对每个网格内的船舶轨迹点的特征数据(经纬度、航速及偏航角)进行分析，用建模的方式探寻该区域船舶行为规律。然而将轨迹点作为研究对象有两个缺点：1、网格的大小影响模型的性能，若网格划分过大，网格内的轨迹点数目增多，只能得到概括性信息，丢失局部特征信息；若网格划分过小，则网格数目增多，会增加计算复杂度。2、忽略了邻近轨迹点之间的关联性，且没有考虑轨迹序列的时序相关性。相比于轨迹点作为研究对象，更多的研究选择以航线作为研究对象，但完成的航迹线过长导致在建模过程中容易丢失大量局部信息，需要对航迹进行切割获得子序列，这过程采用不同的方法同样会产生不同程度的信息丢失。
发明内容
本发明的目的在于提供一种基于LSTM网络的船舶轨迹预测方法，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：一种基于LSTM网络的船舶轨迹预测方法，包括下列步骤：
获取AIS原始数据，对所述AIS原始数据进行预处理，获得AIS数据集，所述AIS数据集包括船舶行驶的轨迹点；
建立交互感知神经网络，将所述AIS数据集输入所述交互感知神经网络，提取船舶在时间戳t处的交互感知加速度
建立Conv-LSTM网络，将第1秒至第t秒的交互感知加速度
以及AIS数据集导入所述Conv-LSTM网络进行学习训练，使所述Conv-LSTM网络输出船舶在第t+1秒的第一预测轨迹点Pt1；
对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3；
计算第一预测轨迹点Pt1与实际轨迹点之间的第一均方根误差，计算第二预测轨迹点Pt2与实际轨迹点之间的第二均方根误差，计算第三预测轨迹点Pt3与实际轨迹点之间的第三均方根误差；
对所述第一均方根误差、第二均方根误差、第三均方根误差进行归一化，对所述归一化后的第一均方根误差、第二均方根误差、第三均方根误差进行比较，选择数值小的值作为最优预测轨迹点。
可选的，在获取AIS原始数据，对所述AIS原始数据进行预处理时，包括：选定AIS数据中的经度、纬度、航速、偏航角、时间以及位置作为与船舶轨迹相关的AIS原始数据；
采用线性插值的方法对AIS原始数据进行插值及修正，获得AIS数据集。
可选的，所述交互感知神经网络包括卷积层、全连接层、编码器LSTM、解码器LSTM，所述卷积层作为社会张量提取器，所述全连接层作为社会特征的混合器，所述编码器LSTM用于实现深度特征的合并，所述解码器LSTM用于输出船舶在时间戳t处的交互感知加速度
其交互感知加速度
的表达式为：
其中，
为已记录的船舶加速度，
为已记录的船舶长度，
为已记录的船舶精度，
为已记录的船舶的纬度，
为已记录的偏航角，
为与环境的排斥性相互作用力。
可选的，所述Conv-LSTM网络包括深度LSTM层、全局深化层、FCL全连接层，所述深度LSTM层用于提取和存储第1秒至第t秒的数据特征，并输出第t+1秒的第一预测轨迹点Pt1，所述全局深化层用于降低数据的纬度。
可选的，所述Conv-LSTM网络在学习训练的过程中，采用Adam优化算法来进行权重更新，采用Relu函数作为激活函数。
可选的，所述运动层中包含有运动方程，将所述交互感知加速度
输入所述运动方程中，使所述运动方程输出船舶在第t+1秒的第二预测轨迹点Pt2，所述运动方程如下：
式中，Vt-1表示时间戳t-1处的速度，o(t3)表示高阶算子的忽略。
可选的，对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3：Pt3＝x*Pt1+y*Pt2，其中x，y为预设的权值。
可选的，通过下式分别计算第一均方根误差以及第二均方根误差：
式中，MSE1为第一均方根误差，MSE2为第二均方根误差，MSE3为第二均方根误差，n为轨迹点数，Pt0为实际的轨迹点。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的一种基于LSTM网络的船舶轨迹预测方法，其提出了一个新的多通道张量而不是单一张量的输入，其方法考虑运动数据的同时也考虑了与周围环境的交互，有效的减少了位置预测误差能够解决船舶轨迹预测在大时代发展环境的需求，另外在传统LSTM基础上进行了进一步的改进，使得其在训练时间序列相关问题方面有了更好的性能，具有更优的轨迹预测的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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优选实施例，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为本发明提供的一种基于LSTM网络的船舶轨迹预测方法的流程图；
图2为本发明提供的整体结构示意图；
图3为本发明提供的交互感知神经网络结构示意图；
图4为本发明提供的Conv-LSTM网络结构示意图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
参见图1至图2，一种基于LSTM网络的船舶轨迹预测方法，包括下列步骤：
S1、获取AIS原始数据，对所述AIS原始数据进行预处理，获得AIS数据集，所述AIS数据集包括船舶行驶的轨迹点；
S2、建立交互感知神经网络，将所述AIS数据集输入所述交互感知神经网络，提取船舶在时间戳t处的交互感知加速度
S3、建立Conv-LSTM网络，将第1秒至第t秒的交互感知加速度
以及AIS数据集导入所述Conv-LSTM网络进行学习训练，使所述Conv-LSTM网络输出船舶在第t+1秒的第一预测轨迹点Pt1；
S4、建立运动层，将所述交互感知加速度
输入运动层中，使所述运动层输出船舶在第t+1秒的第二预测轨迹点Pt2；
S5、对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3；
S6、计算第一预测轨迹点Pt1与实际轨迹点之间的第一均方根误差，计算第二预测轨迹点Pt2与实际轨迹点之间的第二均方根误差，计算第三预测轨迹点Pt3与实际轨迹点之间的第三均方根误差；
S7、对所述第一均方根误差、第二均方根误差、第三均方根误差进行归一化，对所述归一化后的第一均方根误差、第二均方根误差、第三均方根误差进行比较，选择数值小的值作为最优预测轨迹点。
在本申请实施例中，AIS原始数据通过数据接口从船舶自动识别系统(automaticidentification system,AIS)处获取，由于AIS原始数据中的种类较多，而航迹的基本参数主要包括经度、纬度、航速、偏航角、时间以及环境变量等。因此需裁剪掉原始AIS数据中的无效字段，只保留所需的，分析各种人为和外界因素。
进一步的，在步骤S1中，采集到的AIS数据可能存在错误数据，需对原始数据进行适当预处理，减少后期处理中可能出现较大误差。AIS数据中的明显错误记录大体有如下几类：(1)船舶的水上移动通信业务标识码(MMSI)长度不是9位数的或不合理记录；(2)船舶的经纬度超过了合理范围(如经经纬度为负值)；(3)船舶的航速和航向超过了合理的范围；(4)船舶信息的采集时间超过了合理范围。同时，AIS数据由于设备老化、发送系统故障等造成缺失，需对缺失数据进行处理，这里采用线性插值的方法对AIS原始数据进行插值及修正，获得AIS数据集。
通常情况下，船舶的运动将由它自己的动力学来决定。然而，在针对的多智能体系统中，情况要复杂得多，因为船舶会受到附近其他附近船舶的影响(或者他们之间的相互作用)。例如，如果附近的另一船试图切断前面的航线，船舶就会被迫减速或转向。事实上，船舶的运动不仅取决于它们的物理加速度，而且也取决于船舶之间的交互作用。综上，在步骤S2中，本申请构建了一个交互感知神经网络来模拟了船长避免与动态或静态障碍物碰撞的意图。
参见图3，在步骤S2中，所述交互感知神经网络是一个LSTM编码器-解码器，其包括卷积层、全连接层、编码器LSTM、解码器LSTM，其中卷积层(CNN)作为一个社会张量提取器，全连接层(FCN)被认为是一个社会特征的混合器，并将深度特征合并到编码器LSTM中。在解码器中，解码器LSTM输出预测的交互感知加速度
其交互感知加速度
的表达式为：
其中，
为已记录的船舶加速度，
为已记录的船舶长度，
为已记录的船舶精度，
为已记录的船舶的纬度，
为已记录的偏航角，
为与环境的排斥性相互作用力，并且
可通过下式进行表达：
此外，针对于神经网络模型可能会出现的过拟合问题，这里采用了Dropout方法来处理，阈值设定为0.5。则在时间戳t处交互感知神经网络输入到输出的运算式表达为：
是过去从t0到t的环境组合，
是从t+1到t+L的交互感知加速度组合
在步骤S3中，为了减少环境交互变量的损失，本实施例从计算机视觉领域考虑物体检测的想法，因为船舶与环境交互的数据类似于图像的张量。在现有技术中，Alexnet和VGG网络取得了很好的结果，因为它们加深了原始输入的特征，增加了网络的复杂性，提高了其学习能力。受此启发，本实施例设计了一个Conv-LSTM网络，所述Conv-LSTM网络包括深度LSTM层、全局深化层、FCL全连接层，具体如图4所示。其中深度LSTM是由3层LSTM组成，且每层由8个LSTM组成，所述深度LSTM层用于提取和存储第1秒至第t秒的数据特征，例如第1秒到第8秒的参数特征，并输出第t+1秒的第一预测轨迹点Pt1，例如输出第9秒的第一预测轨迹点Pt1，对于1-3层的递归操作，不仅网络内存加深，而且输入数据也更加丰富。与此同时，1-3层的递归操作大大增加了网络的复杂性，由此设计了全局深化层，降低了输出数据的纬度，即直接减少了全连接层的神经元节点的个数，大大降低了网络的复杂度，并在实际设计也发现添加全局深化层也使得损失值显著的减低，提高了预测的准确率。随着LSTM层数量的增加，网络学习能力的增加，但也有可能发生梯度爆炸和消失。通过批处理标准化参数和标准化中间层，可以解决这个问题。最后经全连接层对网络的预测结果进行了输出。
可选的，所述Conv-LSTM网络在学习训练的过程中，采用Adam优化算法来进行权重更新，Adam优化算法不同于传统的随机梯度下降(SGD)。随机梯度下降保持了一个单一的学习率来更新所有的权重，并且学习率在训练过程中不会发生变化。Adam优化算法通过计算梯度的第一和第二矩估计来计算不同参数的独立自适应学习率；
基于亚当优化算法，随着迭代数的增加，学习率会降低。实际过程，先使用相对较大的学习率1e-3，尝试在短时间内找到较低的损失值。然后逐渐降低了学习率到1e-6，获得了较好的效果。
激活函数采用了Relu函数，且针对过拟合的优化在全连接层设定阈值为0.5
在步骤S4中，本实施例构建的运动层中包含关于位置、时间和速度之间关系的主运动学方程，通过主运动学方程来实现轨迹点的预测，其策略是使用一个位置的高阶导数来进行更好的预测，其第二预测轨迹点Pt2的预测方程如下
式中，Vt-1表示时间戳t-1处的速度，通过应用一个基于交互感知加速度的积分函数来估计它们的值：
at-1表示时间戳t-1处的加速度，o(t3)表示高阶算子的忽略。
在步骤S5中，通过Conv-LSTM网络计算出第一预测轨迹点Pt1、通过运动方程计算出第二预测轨迹点Pt2后，对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3：Pt3＝x*Pt1+y*Pt2，其中x，y为预设的权值。
在步骤S6中，分别计算第一预测轨迹点Pt1与实际轨迹点的第一均方根误差、第二预测轨迹点Pt2与实际轨迹点的第二均方根误差，第三预测轨迹点Pt3与实际轨迹点的第三均方根误差。
通过下式分别计算第一均方根误差、第二均方根误差以及第三均方根误差：
式中，MSE1为第一均方根误差，MSE2为第一均方根误差，n为轨迹点数，Pt0为实际的轨迹点，通过第一均方根误差来判断第一预测轨迹点Pt1的预测准确度，通过第二均方根误差来判断第二预测轨迹点Pt2的预测准确度，通过第三均方根误差来判断第三预测轨迹点Pt3的预测准确度
同时对所述第一均方根误差、第二均方根误差、第三均方根误差进行归一化，使第一均方根误差、第二均方根误差、第三均方根误差的取值范围在(0.1)之间，对所述归一化后的第一均方根误差、第二均方根误差、第三均方根误差进行比较，选择数值小的值作为最优预测轨迹点，综合多个最优轨迹点即为船舶的最优预测轨迹。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种基于LSTM网络的船舶轨迹预测方法，其特征在于，包括下列步骤：
获取AIS原始数据，对所述AIS原始数据进行预处理，获得AIS数据集，所述AIS数据集包括船舶行驶的轨迹点；
建立交互感知神经网络，将所述AIS数据集输入所述交互感知神经网络，提取船舶在时间戳t处的交互感知加速度
建立Conv-LSTM网络，将第1秒至第t秒的交互感知加速度
以及AIS数据集导入所述Conv-LSTM网络进行学习训练，使所述Conv-LSTM网络输出船舶在第t+1秒的第一预测轨迹点Pt1；
建立运动层，将所述交互感知加速度
输入运动层中，使所述运动层输出船舶在第t+1秒的第二预测轨迹点Pt2；
对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3；
计算第一预测轨迹点Pt1与实际轨迹点之间的第一均方根误差，计算第二预测轨迹点Pt2与实际轨迹点之间的第二均方根误差，计算第三预测轨迹点Pt3与实际轨迹点之间的第三均方根误差；
对所述第一均方根误差、第二均方根误差、第三均方根误差进行归一化，对所述归一化后的第一均方根误差、第二均方根误差、第三均方根误差进行比较，选择数值小的值作为最优预测轨迹点。
2.根据权利要求1所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，在获取AIS原始数据，对所述AIS原始数据进行预处理时，包括：选定AIS数据中的经度、纬度、航速、偏航角、时间以及位置作为与船舶轨迹相关的AIS原始数据；
采用线性插值的方法对AIS原始数据进行插值及修正，获得AIS数据集。
3.根据权利要求1所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，所述交互感知神经网络包括卷积层、全连接层、编码器LSTM、解码器LSTM，所述卷积层作为社会张量提取器，所述全连接层作为社会特征的混合器，所述编码器LSTM用于实现深度特征的合并，所述解码器LSTM用于输出船舶在时间戳t处的交互感知加速度
其交互感知加速度
的表达式为：
其中，
为已记录的船舶加速度，
为已记录的船舶长度，
为已记录的船舶精度，
为已记录的船舶的纬度，
为已记录的偏航角，
为与环境的排斥性相互作用力。
4.根据权利要求3所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，所述Conv-LSTM网络包括深度LSTM层、全局深化层、FCL全连接层，所述深度LSTM层用于提取和存储第1秒至第t秒的数据特征，并输出第t+1秒的第一预测轨迹点Pt1，所述全局深化层用于降低数据的纬度。
5.根据权利要求4所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，所述Conv-LSTM网络在学习训练的过程中，采用Adam优化算法来进行权重更新，采用Relu函数作为激活函数。
6.根据权利要求3所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，所述运动层中包含有运动方程，将所述交互感知加速度
输入所述运动方程中，使所述运动方程输出船舶在第t+1秒的第二预测轨迹点Pt2，所述运动方程如下：
式中，Vt-1表示时间戳t-1处的速度，o(t3)表示高阶算子的忽略。
7.根据权利要求6所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，对所述第一预测轨迹点Pt1、第二预测轨迹点Pt2进行加权融合，获得第三预测轨迹点Pt3：Pt3＝x*Pt1+y*Pt2，其中x，y为预设的权值。
8.根据权利要求4或7所述的一种基于LSTM网络的船舶轨迹预测方法，其特征在于，通过下式分别计算第一均方根误差、第二均方根误差以及第三均方根误差：
式中，MSE1为第一均方根误差，MSE2为第二均方根误差，MSE3为第二均方根误差，n为轨迹点数，Pt0为实际的轨迹点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111095680.6A CN113837461B (zh) | 2021-09-18 | 2021-09-18 | 一种基于lstm网络的船舶轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111095680.6A CN113837461B (zh) | 2021-09-18 | 2021-09-18 | 一种基于lstm网络的船舶轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837461A true CN113837461A (zh) | 2021-12-24 |
| CN113837461B CN113837461B (zh) | 2023-07-25 |
Family
ID=78959980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111095680.6A Active CN113837461B (zh) | 2021-09-18 | 2021-09-18 | 一种基于lstm网络的船舶轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837461B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114464015A (zh) * | 2022-02-08 | 2022-05-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
| CN114708750A (zh) * | 2022-06-06 | 2022-07-05 | 武汉理工大学 | 一种桥区水域船舶碰撞风险检测方法和装置 |
| CN114936669A (zh) * | 2022-04-06 | 2022-08-23 | 武汉大学 | 一种基于数据融合的混合船舶横摇预测方法 |
| JP7463485B2 (ja) | 2022-08-16 | 2024-04-08 | 緯創資通股▲ふん▼有限公司 | ビームフォーミングのスケジューリング方法およびネットワークエンティティ |
| CN114936669B (zh) * | 2022-04-06 | 2024-05-17 | 武汉大学 | 一种基于数据融合的混合船舶横摇预测方法 |
Citations (3)
| 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 |
| CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
-
2021
- 2021-09-18 CN CN202111095680.6A patent/CN113837461B/zh active Active
Patent Citations (3)
| 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 |
| CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
| CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114464015A (zh) * | 2022-02-08 | 2022-05-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
| CN114936669A (zh) * | 2022-04-06 | 2022-08-23 | 武汉大学 | 一种基于数据融合的混合船舶横摇预测方法 |
| CN114936669B (zh) * | 2022-04-06 | 2024-05-17 | 武汉大学 | 一种基于数据融合的混合船舶横摇预测方法 |
| CN114708750A (zh) * | 2022-06-06 | 2022-07-05 | 武汉理工大学 | 一种桥区水域船舶碰撞风险检测方法和装置 |
| JP7463485B2 (ja) | 2022-08-16 | 2024-04-08 | 緯創資通股▲ふん▼有限公司 | ビームフォーミングのスケジューリング方法およびネットワークエンティティ |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837461B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113837461A (zh) | 一种基于lstm网络的船舶轨迹预测方法 | |
| CN110737968B (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
| CN111428789A (zh) | 一种基于深度学习的网络流量异常检测方法 | |
| KR102053202B1 (ko) | 머신 러닝의 학습성능 강화장치 및 방법 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN109993770B (zh) | 一种自适应时空学习与状态识别的目标跟踪方法 | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
| CN111695737A (zh) | 一种基于lstm神经网络的群目标行进趋势预测方法 | |
| CN115599779A (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
| CN111125551B (zh) | 一种基于选择记忆的马尔可夫模型的用户位置预测方法 | |
| CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
| CN115147790A (zh) | 一种基于图神经网络的车辆未来轨迹预测方法 | |
| CN113515131B (zh) | 基于条件变分自动编码器的移动机器人避障方法及系统 | |
| CN116738324B (zh) | 模型训练方法和渔船单拖作业行为的识别方法 | |
| CN117351440A (zh) | 基于开放式文本检测的半监督船舶检测方法及系统 | |
| CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
| CN116300913A (zh) | 一种基于视觉信息的无人艇多约束局部路径规划方法 | |
| CN114664118B (zh) | 一种智能船舶避碰自动测试场景生成方法及系统 | |
| CN115743168A (zh) | 用于换道决策的模型训练方法、目标车道确定方法及装置 | |
| CN116229011A (zh) | 一种基于空间数据融合和网格化的车辆感知训练方法 | |
| CN111242246B (zh) | 一种基于强化学习的图像分类方法 | |
| CN114972429A (zh) | 云边协同自适应推理路径规划的目标追踪方法和系统 | |
| CN114170421B (zh) | 图像检测方法、装置、设备及存储介质 | |
| CN117036966B (zh) | 地图中点位特征的学习方法、装置、设备及存储介质 |
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 |