CN114046786B - 航迹预测方法、装置、设备及存储介质 - Google Patents

航迹预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114046786B
CN114046786B CN202111331308.0A CN202111331308A CN114046786B CN 114046786 B CN114046786 B CN 114046786B CN 202111331308 A CN202111331308 A CN 202111331308A CN 114046786 B CN114046786 B CN 114046786B
Authority
CN
China
Prior art keywords
track
historical
target
current
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.)
Active
Application number
CN202111331308.0A
Other languages
English (en)
Other versions
CN114046786A (zh
Inventor
何闵
侯思尧
凌杰
敖庆
李华
李永光
吕晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202111331308.0A priority Critical patent/CN114046786B/zh
Publication of CN114046786A publication Critical patent/CN114046786A/zh
Application granted granted Critical
Publication of CN114046786B publication Critical patent/CN114046786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/14Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by recording the course traversed by the object

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种航迹预测方法、装置、设备及存储介质,该方法包括:获取所有目标一段预设时间内的历史航迹并进行统计分析建立历史航迹库;保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;根据近期航迹信息获取待获取航迹目标的当前航迹点;根据近期航迹信息在历史航迹库中匹配出待获取航迹目标的历史航迹;根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置;将当前航迹点和当前位置加权融合,得到待获取航迹目标的最终预测点。本发明通过融合历史航迹信息、近期航迹信息和当前方位信息,实现了在只有单测向线的情况下对目标位置进行实时预测,从而保证了目标航迹的连续性。

Description

航迹预测方法、装置、设备及存储介质
技术领域
本发明属于行进路线预测技术领域,尤其涉及一种航迹预测方法、装置、设备及存储介质。
背景技术
船舶在行驶过程中受航线、天气和水况及等多种因素影响,船舶的航迹具有不确定性。实时掌握船舶的航迹在商业和军事上都有重要的价值。
目前现有的船舶航迹预测方法主要分为三大类,每一类方法均存在一定缺陷。
第一种是基于船舶自动识别系统(AIS)的航迹预测方法。随着AIS在全球范围内的普及和应用,海事主管机关及相关部门可以通过AIS数据实时获得船舶的位置和航迹,但在实际过程中AIS设备存在信息发送不及时的问题,从而导致船舶航迹丢失。
第二种是基于船舶运动模型的航迹预测方法。该类方法通过对船舶建立运动模型来预测其航迹,常见的方法有离线时间序列方法、卡尔曼滤波航迹预测方法以及其衍生的方法等。这类方法均有成熟的理论依据,在建模时通常需要知道其航向角、瞬时航速和水情等信息,在信息完备的情况下,通过对船舶建立运动模型能取得较好的预测效果,若缺少部分信息,则会影响其模型预测的准确性。
第三种是基于人工智能算法的航迹预测方法。该类方法将人工智能算法与船舶的运动场景有机结合,通过对船舶历史航迹的统计分析、船舶运动状态特征提取,制作训练集和测试集,构建神经网络并训练,从而实现对船舶航迹的预测。常见的方法有基于支持向量机的航迹预测方法、基于LSTM的航迹预测法等。这类方法的预测效果受训练集和测试集样本的数量、分布以及超参的选择等多方面因素的影响,学习效果较难调至最优,容易出现欠拟合或过拟合的情况。
在使用交叉定位的场景中,有时因为通信或种种原因,只能暂时获取单根测向线信息,在这段时间内,使用传统的船舶航迹预测方法,无法保持对目标位置的实时预测。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了航迹预测方法、装置、设备及存储介质,对所有目标的历史航迹进行系统的统计和分析,对所有目标建立历史航迹库。通过融合历史航迹信息、近期航迹信息和当前方位信息三个维度的信息,实现了在只有单测向线的情况下对目标位置进行实时预测,从而保证了目标航迹的连续性。
本发明目的通过下述技术方案来实现:
一种航迹预测方法,所述方法包括:
获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库;
保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;
根据所述近期航迹信息获取待获取航迹目标的当前航迹点;
根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹;
根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置;
将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点。
进一步的,所述获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库具体包括:
收集每个目标在所述一段预设时间内的历史航迹;
对收集的历史航迹采用层次聚类算法进行聚类并剔除野值,得到若干类航迹,每一类航迹即为该目标的一个历史航迹,一个目标的所有历史航迹组成该目标的历史航迹集合;
所有目标的历史航迹集合组成历史航迹库。
进一步的,所述获取待获取航迹目标的当前航迹点具体包括:
根据所述待获取航迹目标的近期航迹信息,采用卡尔曼滤波方法预测目标当前航迹点。
进一步的,所述根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹具体包括:
计算所述待获取航迹目标近期航迹信息与历史航迹库中所有历史航迹间的曼哈顿距离;
取和所述待获取航迹目标近期航迹信息的曼哈顿距离最小的历史航迹作为当前目标的历史航迹。
进一步的,所述方法还包括用所述待获取航迹目标的最终预测点更新该目标的近期航迹信息。
进一步的,所述根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置具体包括:
以待获取航迹目标的上一时刻测向线与历史航迹的交点为起点,根据上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的趋势,预测当前位置点,具体计算为:
xcurrent=xlast+x1-x2
Figure GDA0004130314400000041
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标。
进一步的,所述将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点具体包括:
采用指数因子加权融合:
Figure GDA0004130314400000051
其中,d表示上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的距离,a为从历史航迹中获取的超参数。
另一方面,本发明还提供了一种航迹预测装置,所述装置包括:
历史航迹库建立模块,用于获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库;
近期航迹获取模块,用于保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;
当前航迹获取模块,用于根据所述近期航迹信息获取待获取航迹目标的当前航迹点;
历史航迹匹配模块,用于根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹;
当前位置预测模块,用于根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置;
最终预测点计算模块,用于将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点。
可选地,所述历史航迹库建立模块获取待获取航迹目标的当前航迹点具体包括:
根据所述待获取航迹目标的近期航迹信息,采用卡尔曼滤波方法预测目标当前航迹点。
可选地,所述历史航迹匹配模块根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹具体包括:
计算所述待获取航迹目标近期航迹信息与历史航迹库中所有历史航迹间的曼哈顿距离;
取和所述待获取航迹目标近期航迹信息的曼哈顿距离最小的历史航迹作为当前目标的历史航迹。
可选地,所述当前航迹获取模块还包括用所述待获取航迹目标的最终预测点更新该目标的近期航迹信息。
可选地,所述当前位置预测模块根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置具体包括:
以待获取航迹目标的上一时刻测向线与历史航迹的交点为起点,根据上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的趋势,预测当前位置点,具体计算为:
Xcurrent=xlast+x1-x2
Figure GDA0004130314400000071
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标。
可选地,所述最终预测点计算模块将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点具体包括:
采用指数因子加权融合:
Figure GDA0004130314400000072
其中,d表示上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的距离,a为从历史航迹中获取的超参数。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种航迹预测方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种航迹预测方法。
本发明的有益效果在于:
本发明对所有目标的历史航迹进行系统的统计和分析,对所有目标建立历史航迹库。通过融合历史航迹信息、近期航迹信息和当前方位信息三个维度的信息,实现了在只有单测向线的情况下对目标位置进行实时预测,从而保证了目标航迹的连续性。
附图说明
图1是本发明实施例提供的航迹预测方法流程示意图;
图2是在只有站点1的测向线情况下的航迹预测示意图;其中,图2(a)是只有站点1的测向线情况下x方向30-40km的航迹预测示意图,图2(b)是只有站点1的测向线情况下x方向40-50km的航迹预测示意图;
图3是在只有站点2的测向线情况下的航迹预测示意图;图3(a)是只有站点2的测向线情况下x方向30-40km的航迹预测示意图,图3(b)是只有站点2的测向线情况下x方向40-50km的航迹预测示意图;
图4是本发明实施例基于两个站点统计的所有预测航迹与真实航迹的曼哈顿距离统计图;
图5是本发明实施例提供的航迹预测装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
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。
实施例1
无源定位是指侦察站在不对目标发射辐射电磁波的条件下,利用目标辐射或散射的无线电信号来实现对目标的定位。一个单独的无源侦察站点只探测出目标的方位信息,当两个或两个以上的无源侦察站点协同侦察,同时给出各自对目标的方位信息时,则可以通过交叉定位的方法得出目标的具体位置。在实际情况中,每个无源侦察站点有各自的任务和扫描范围,因此常会出现目标在一段时间内只被一个站点侦测到,导致该目标的侦察上报信息只有一根测向线,从而造成这段时间内目标的航迹缺失。
通过对目标的历史航迹进行大数据统计分析,发现目标的航迹是相对固定的,这是因为目标的巡逻受任务所驱动,在相同的任务下目标行驶的航迹近似相同。此外,同一个目标可能执行多种任务,因此其历史航迹可能呈现多条线段,每条线段对应一种任务,我们称该线段为该目标的某一任务航迹。
在上述背景下,提出本发明航迹预测方法的各个实施例,旨在充分利用目标航迹固定的信息、目标近期航迹信息和目标当前方位信息,实现在只有单测向线的情况下对目标位置进行实时预测,从而保证目标航迹连续性。
参照图1,如图1所示是本实施例提供的航迹预测方法的流程示意图。该方法具体包括以下步骤:
步骤S100:获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库。
具体地,本实施例以一年作为历史航迹获取期限,对所有目标一年的历史航迹进行统计分析,建立总的历史航迹库DBall。DBall由每个目标的历史航迹集合DBi组成,在一个目标的DBi中,包含该目标执行多个任务对应的历史任务航迹DBij。
对目标库中第i个目标而言,先对其历史航迹进行统计收集,然后对收集的航迹采用层次聚类算法(BIRCH)进行聚类,将聚类结果中的类别里包含点数小于10的类别作为野值剔除,得到最终的n类航迹,每一类航迹即为该目标的一个历史任务航迹记作DBij。一个目标所有的历史任务航迹∑jDBij组成该目标的历史航迹集合DBi。所有目标的历史航迹集合DBi组成总的历史航迹库DBall
DBall=∑iDBi=∑ijDBij
步骤S200:保存所有目标的一段预设时间内的航迹信息作为近期航迹信息。
具体地,将第i个目标在t时刻的航迹点信息记为
Figure GDA0004130314400000111
其中
Figure GDA0004130314400000112
为t时刻的测向线,
Figure GDA0004130314400000113
表示目标在t时刻的位置。对所有目标,保存其近期航迹信息记作Hrecent(1,P)。
Figure GDA0004130314400000114
本实施例以一小时内的航迹信息作为近期航迹信息。
步骤S300:根据所述近期航迹信息获取待获取航迹目标的当前航迹点。
具体地,根据目标近期航迹Hrecent(l,P),采用卡尔曼滤波方法预测目标当前航迹点,记作卡尔曼滤波预测点Pkf
步骤S400:根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹。
具体地,根据目标近期航迹Hrecent(l,P),在目标历史航迹集合DBi中匹配出近期航迹所属的历史任务航迹DBij
计算目标近期航迹Hrecent(l,P)与目标历史航迹集合DBi中所有任务航迹DBij间的曼哈顿距离,具体计算如下:
每个航迹都可以看作是一个簇,一个航迹簇的特征表示为CF=(N,LS,SS),N为航迹簇内航迹点的数量,在本实例中每个航迹点都是2维向量(X、Y方向上的距离)。LS为矢量,是各点的线性求和:
Figure GDA0004130314400000121
SS为标量,是各数据点的平方和:
Figure GDA0004130314400000122
其中,
Figure GDA0004130314400000123
表示二维向量,n表示第几个向量,N是向量的总数,xn1表示x,xn2表示y。
簇间曼哈顿距离的计算为:
Figure GDA0004130314400000124
取簇间距离最小的任务航迹DBij作为当前目标对应的历史任务航迹。
步骤S500:根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置。
具体地,设当前时刻为k,用目标当前时刻测向线
Figure GDA0004130314400000125
与当前对应的历史任务航迹DBij相交得到点
Figure GDA0004130314400000126
设上一时刻测向线的方程为:
y=k1x+b1
设历史航迹DBij内有N个点,则任意一点(xi,yi)到
Figure GDA0004130314400000127
的距离为:
Figure GDA0004130314400000131
设距离门限为r,
Figure GDA0004130314400000132
为所有距离小于门限r的点集的中心点。
用目标上一时刻测向线
Figure GDA0004130314400000133
与当前对应的历史任务航迹DBij相交得到点
Figure GDA0004130314400000134
若上一时刻有两根测向线,则选择与当前上报站点一致的测向线。
Figure GDA0004130314400000135
的计算方法与
Figure GDA0004130314400000136
相同。
以目标上一时刻位置
Figure GDA0004130314400000137
为起点,并根据
Figure GDA0004130314400000138
Figure GDA0004130314400000139
的趋势预测出目标当前航迹点,记作Pcurrent(xcurrent,ycurrent)。具体计算为:
Xcurrent=xlast+x1-x2
Figure GDA00041303144000001310
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标。
步骤S600:将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点。
具体地,将Pcurrent和Pkf以一定权重融合,得出的最终预测点Ppredict。融合方式采用指数因子加权融合:
Figure GDA0004130314400000141
上式中:d表示
Figure GDA0004130314400000142
Figure GDA0004130314400000143
的距离即
Figure GDA0004130314400000144
xP和yP表示
Figure GDA0004130314400000145
的横纵坐标,xQ和yQ表示
Figure GDA0004130314400000146
的横纵坐标。当d越小表示近期航迹Hrecent(1,P)在k-1到k时刻与其对应的任务轨迹DBij越接近,说明根据以历史趋势预测的点更可信,则融合权重更加偏向于Pcurrent。a为超参,可以利用历史航迹计算得到,步骤如下:
将历史航迹剔除部分航迹片段,剔除片段记为Lreal
用本实施例提供的航迹预测方法预测被剔除的片段,预测片段记为Lpredict
计算a=argminDHMD(Lreal,Lpredict)。
作为一种具体实施方式,如果需要继续对下一个航迹进行预测,则可以用Ppredict更新目标近期航迹Hrecent(l,P),而不必再重新获取近期航迹信息。
在本实例中,设置了两个侦察站点分别为站点1和站点2,位置分别为(5,35)和(22,70)。基于不同站点的测向线的航迹预测情况如图2和图3所示。图2是在只有站点1的测向线情况下的航迹预测示意图,图2(a)是只有站点1的测向线情况下x方向30-40km的航迹预测示意图,图2(b)是只有站点1的测向线情况下x方向40-50km的航迹预测示意图。图3是在只有站点2的测向线情况下的航迹预测示意图,图3(a)是只有站点2的测向线情况下x方向30-40km的航迹预测示意图,图3(b)是只有站点2的测向线情况下x方向40-50km的航迹预测示意图。
在图2和图3中:三角形符号的轨迹表示历史航迹;空心圆圈符号的轨迹表示近期航迹;菱形符号的轨迹表示人为剔除的近期轨迹,为预测航迹的真值;“X”符号的轨迹表示本方法预测航迹;“|”符号的轨迹表示卡尔曼滤波方法的预测航迹。
综合图2和图3来看,卡尔曼滤波方法可以根据近期航迹运动趋势对目标航迹进行预测,但由于缺乏历史先验信息,无法在航迹拐点处做出很好的预测;本发明方法融合了近期航迹、实时测向线和历史航迹信息,从多个维度较好的对目标航迹做出了预测,预测结果更贴近真实航迹,明显优于卡尔曼滤波方法。
横向对比图2和图3我们可以发现,本方法的预测值受不同侦察站与历史航迹夹角的影响。在X方向32到38公里范围内,利用站点1测向线进行预测,本方法预测航迹在真实值上方,利用站点2测向线进行预测,本方法预测航迹在真实值下方;在X方向42到48公里范围内,本方法分别基于两个站点测向线得到的航迹预测情况基本相同。对所有预测轨迹与真实轨迹的簇间曼哈顿距离进行统计,结果如图4所示。簇间曼哈顿距离越小说明预测效果越好,可以看出无论利用哪一个站点的测向线进行预测,由于本发明方法融合了多维度信息,预测结果总是优于卡尔曼滤波方法。
本实施例提供的航迹预测方法,对所有目标的历史航迹进行系统的统计和分析,对所有目标建立历史航迹库。通过融合历史航迹信息、近期航迹信息和当前方位信息三个维度的信息,实现了在只有单测向线的情况下对目标位置进行实时预测,从而保证了目标航迹的连续性。
实施例2
本实施例提供了一种航迹预测装置,参照图5,如图5所示是本实施例提供的航迹预测装置结构框图。该装置具体包括:
历史航迹库建立模块,用于获取所有目标一段预设时间内的历史航迹,对所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库;
近期航迹获取模块,用于保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;
当前航迹获取模块,用于根据近期航迹信息获取待获取航迹目标的当前航迹点;
历史航迹匹配模块,用于根据近期航迹信息在历史航迹库中匹配出待获取航迹目标的历史航迹;
当前位置预测模块,用于根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置;
最终预测点计算模块,用于将当前航迹点和当前位置加权融合,得到待获取航迹目标的最终预测点。
作为一种实施方式,历史航迹库建立模块获取待获取航迹目标的当前航迹点具体包括:
根据待获取航迹目标的近期航迹信息,采用卡尔曼滤波方法预测目标当前航迹点。
作为一种实施方式,历史航迹匹配模块根据近期航迹信息在历史航迹库中匹配出待获取航迹目标的历史航迹具体包括:
计算待获取航迹目标近期航迹信息与历史航迹库中所有历史航迹间的曼哈顿距离;
取和待获取航迹目标近期航迹信息的曼哈顿距离最小的历史航迹作为当前目标的历史航迹。
作为一种实施方式,当前航迹获取模块还包括用待获取航迹目标的最终预测点更新该目标的近期航迹信息。
作为一种实施方式,当前位置预测模块根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置具体包括:
以待获取航迹目标的上一时刻测向线与历史航迹的交点为起点,根据上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的趋势,预测当前位置点,具体计算为:
Xcurrent=xlast+x1-x2
Figure GDA0004130314400000181
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标。
作为一种实施方式,最终预测点计算模块将当前航迹点和当前位置加权融合,得到待获取航迹目标的最终预测点具体包括:
采用指数因子加权融合:
Figure GDA0004130314400000182
其中,d表示上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的距离,a为从历史航迹中获取的超参数。
本实施例提供的航迹预测装置,对所有目标的历史航迹进行系统的统计和分析,对所有目标建立历史航迹库。通过融合历史航迹信息、近期航迹信息和当前方位信息三个维度的信息,实现了在只有单测向线的情况下对目标位置进行实时预测,从而保证了目标航迹的连续性。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的航迹预测方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的航迹预测方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的航迹预测方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一航迹预测方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一航迹预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (9)

1.一种航迹预测方法,其特征在于,所述方法包括:
获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库;
保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;
根据所述近期航迹信息获取待获取航迹目标的当前航迹点;
根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹;
根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置,具体包括:
用目标当前时刻测向线与对应的历史航迹相交得到第一交点,设历史航迹内有N个点,任意一点到当前时刻测向线的距离为d,设距离门限为r,所述第一交点为所有距离小于门限r的点集的中心点,用目标上一时刻测向线与当前对应的历史航迹相交得到第二交点,所述第二交点的计算方式与第一交点相同,若上一时刻有两根测向线则选择与当前上报站点一致的测向线;
以待获取航迹目标的上一时刻测向线与历史航迹的交点为起点,根据上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的趋势,预测当前位置点,具体计算为:
xcurrent=xlast+x1-x2
Figure FDA0004130314390000011
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标;
将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点。
2.如权利要求1所述的航迹预测方法,其特征在于,所述获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库具体包括:
收集每个目标在所述一段预设时间内的历史航迹;
对收集的历史航迹采用层次聚类算法进行聚类并剔除野值,得到若干类航迹,每一类航迹即为该目标的一个历史航迹,一个目标的所有历史航迹组成该目标的历史航迹集合;
所有目标的历史航迹集合组成历史航迹库。
3.如权利要求2所述的航迹预测方法,其特征在于,所述获取待获取航迹目标的当前航迹点具体包括:
根据所述待获取航迹目标的近期航迹信息,采用卡尔曼滤波方法预测目标当前航迹点。
4.如权利要求3所述的航迹预测方法,其特征在于,所述根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹具体包括:
计算所述待获取航迹目标近期航迹信息与历史航迹库中所有历史航迹间的曼哈顿距离;
取和所述待获取航迹目标近期航迹信息的曼哈顿距离最小的历史航迹作为当前目标的历史航迹。
5.如权利要求1所述的航迹预测方法,其特征在于,所述方法还包括用所述待获取航迹目标的最终预测点更新该目标的近期航迹信息。
6.如权利要求1所述的航迹预测方法,其特征在于,所述将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点具体包括:
采用指数因子加权融合:
Figure FDA0004130314390000031
其中,d表示上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的距离,a为从历史航迹中获取的超参数。
7.一种航迹预测装置,其特征在于,所述装置包括:
历史航迹库建立模块,用于获取所有目标一段预设时间内的历史航迹,对所述所有目标一段预设时间内的历史航迹进行统计分析建立历史航迹库;
近期航迹获取模块,用于保存所有目标的一段预设时间内的航迹信息作为近期航迹信息;
当前航迹获取模块,用于根据所述近期航迹信息获取待获取航迹目标的当前航迹点;
历史航迹匹配模块,用于根据所述近期航迹信息在历史航迹库中匹配出所述待获取航迹目标的历史航迹;
当前位置预测模块,用于根据待获取航迹目标的上一时刻测向线与历史航迹的交点和当前时刻测向线与历史航迹的交点预测目标的当前位置,具体包括:
用目标当前时刻测向线与对应的历史航迹相交得到第一交点,设历史航迹内有N个点,任意一点到当前时刻测向线的距离为d,设距离门限为r,所述第一交点为所有距离小于门限r的点集的中心点,用目标上一时刻测向线与当前对应的历史航迹相交得到第二交点,所述第二交点的计算方式与第一交点相同,若上一时刻有两根测向线则选择与当前上报站点一致的测向线;
以待获取航迹目标的上一时刻测向线与历史航迹的交点为起点,根据上一时刻测向线与历史航迹的交点到当前时刻测向线与历史航迹的交点的趋势,预测当前位置点,具体计算为:
xcurrent=xlast+x1-x2
Figure FDA0004130314390000041
其中,xcurrent为当前位置点的横坐标,ycurrent为当前位置点的纵坐标,x1为当前时刻测向线与历史航迹的交点的横坐标,y1为当前时刻测向线与历史航迹的交点的纵坐标,x2为上一时刻测向线与历史航迹的交点的横坐标,y2为上一时刻测向线与历史航迹的交点的纵坐标,xlast为目标上一时刻的位置点的横坐标;
最终预测点计算模块,用于将所述当前航迹点和所述当前位置加权融合,得到所述待获取航迹目标的最终预测点。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的航迹预测方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的航迹预测方法。
CN202111331308.0A 2021-11-11 2021-11-11 航迹预测方法、装置、设备及存储介质 Active CN114046786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331308.0A CN114046786B (zh) 2021-11-11 2021-11-11 航迹预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331308.0A CN114046786B (zh) 2021-11-11 2021-11-11 航迹预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114046786A CN114046786A (zh) 2022-02-15
CN114046786B true CN114046786B (zh) 2023-04-25

Family

ID=80208999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331308.0A Active CN114046786B (zh) 2021-11-11 2021-11-11 航迹预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114046786B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2154840C1 (ru) * 1999-09-23 2000-08-20 Нижегородский научно-исследовательский институт радиотехники Устройство для определения параметров движения объекта
JP2016136344A (ja) * 2015-01-23 2016-07-28 株式会社インテック 移動方面予測装置、移動方面予測方法及び移動方面予測プログラム
CN111951606A (zh) * 2020-07-29 2020-11-17 武汉理工大学 一种船舶碰撞风险评估与预警方法及系统
CN112946624A (zh) * 2021-03-01 2021-06-11 西安交通大学 一种基于航迹管理方法的多目标跟踪算法
CN113093134A (zh) * 2021-02-23 2021-07-09 福瑞泰克智能系统有限公司 一种扩展目标的跟踪方法、装置、感知设备及车辆

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1365508A (en) * 1972-05-05 1974-09-04 Exxon Research Engineering Co Collision avoidance for navigable craft
JP4781096B2 (ja) * 2005-12-05 2011-09-28 アルパイン株式会社 車両位置推定装置及び車両位置推定方法
CN102997911B (zh) * 2012-12-13 2015-05-27 中国航空无线电电子研究所 一种被动传感器组网探测多目标方法
US9513132B2 (en) * 2014-08-21 2016-12-06 Here Global B.V. Measuring quality in optimal navigation routes by navigation systems
CN104569912B (zh) * 2014-12-31 2017-05-17 南京熊猫电子股份有限公司 一种固定监测站单站无源区域定位方法
CN105676170B (zh) * 2016-01-06 2018-01-16 中国航空无线电电子研究所 一种用于多目标无源定位与跟踪的虚假点去除方法
US9792575B2 (en) * 2016-03-11 2017-10-17 Route4Me, Inc. Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints
US11112796B2 (en) * 2017-08-08 2021-09-07 Uatc, Llc Object motion prediction and autonomous vehicle control
CN108680941B (zh) * 2018-04-27 2020-06-30 东南大学 一种基于单站点的飞行器定位系统及方法
CN109799478A (zh) * 2019-01-08 2019-05-24 成都点阵科技有限公司 一种基于无线电信号处理的海上船舶定位识别方法
CN110598730A (zh) * 2019-07-29 2019-12-20 南京理工大学 基于决策树的航迹关联算法
CN112862171B (zh) * 2021-01-29 2022-05-27 北京航空航天大学 一种基于时空神经网络的航班到达时间预测方法
CN113538974B (zh) * 2021-07-14 2022-11-22 电子科技大学 一种基于多源数据融合的飞行目标异常检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2154840C1 (ru) * 1999-09-23 2000-08-20 Нижегородский научно-исследовательский институт радиотехники Устройство для определения параметров движения объекта
JP2016136344A (ja) * 2015-01-23 2016-07-28 株式会社インテック 移動方面予測装置、移動方面予測方法及び移動方面予測プログラム
CN111951606A (zh) * 2020-07-29 2020-11-17 武汉理工大学 一种船舶碰撞风险评估与预警方法及系统
CN113093134A (zh) * 2021-02-23 2021-07-09 福瑞泰克智能系统有限公司 一种扩展目标的跟踪方法、装置、感知设备及车辆
CN112946624A (zh) * 2021-03-01 2021-06-11 西安交通大学 一种基于航迹管理方法的多目标跟踪算法

Also Published As

Publication number Publication date
CN114046786A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN107818571B (zh) 基于深度学习网络和均值漂移的船只自动跟踪方法及系统
CN103336863B (zh) 基于雷达飞行航迹观测数据的飞行意图识别方法
CN109459045B (zh) 一种针对低频gps轨迹的改进交互式投票匹配方法
CN108919177B (zh) 一种基于虚拟信源估计与轨迹校正的定位地图构建方法
CN114023062B (zh) 一种基于深度学习和边缘计算的交通流信息监测方法
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN114859339A (zh) 一种基于毫米波雷达的多目标跟踪方法
CN111739053B (zh) 一种复杂场景下的在线多行人检测跟踪方法
CN112070807A (zh) 多目标跟踪方法和电子装置
CN113283653B (zh) 一种基于机器学习和ais数据的船舶轨迹预测方法
CN113438596B (zh) 一种面向北斗与5g融合的毫米波低时延波束赋形方法
CN112884222B (zh) 一种面向时间段的lstm交通流密度预测方法
CN114564545A (zh) 一种基于ais历史数据的船舶经验航线提取系统及方法
CN115147790A (zh) 一种基于图神经网络的车辆未来轨迹预测方法
Wang et al. Fusing heterogeneous traffic data by Kalman filters and Gaussian mixture models
Li et al. Bus arrival time prediction based on mixed model
CN114299607A (zh) 一种基于自动驾驶汽车的人车碰撞危险度分析方法
CN111562571A (zh) 一种未知新生强度的机动多目标跟踪与航迹维持方法
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN109979194B (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
CN114118528A (zh) 基于线性与非线性滤波器组合的船舶航迹实时预报方法
CN114046786B (zh) 航迹预测方法、装置、设备及存储介质
CN116310601B (zh) 基于ais轨迹图与相机图组的船只行为分类方法
CN112995902B (zh) 一种远距离广域网定位方法、装置、设备及存储介质
CN111860613B (zh) 一种基于多源异构信号的多目标追踪及状态预测方法

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