CN114464015B - 数据处理方法、装置、电子设备以及存储介质 - Google Patents

数据处理方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114464015B
CN114464015B CN202210119370.1A CN202210119370A CN114464015B CN 114464015 B CN114464015 B CN 114464015B CN 202210119370 A CN202210119370 A CN 202210119370A CN 114464015 B CN114464015 B CN 114464015B
Authority
CN
China
Prior art keywords
target
data
track
ship
information
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
CN202210119370.1A
Other languages
English (en)
Other versions
CN114464015A (zh
Inventor
彭姝琳
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210119370.1A priority Critical patent/CN114464015B/zh
Publication of CN114464015A publication Critical patent/CN114464015A/zh
Application granted granted Critical
Publication of CN114464015B publication Critical patent/CN114464015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems
    • 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

Abstract

本公开提供了一种数据处理方法、装置、电子设备以及存储介质，涉及时空大数据技术领域，尤其涉及数据处理方法、装置、电子设备以及存储介质。具体实现方案为：确定第一目标船舶在未来时段待行驶的目标轨迹；基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。

Description

数据处理方法、装置、电子设备以及存储介质
技术领域
本公开涉及时空大数据技术领域，尤其涉及数据处理方法、装置、电子设备以及存储介质。
背景技术
目前，在进行船舶预警时，在船舶的当前速度和当前航向不变的情况下，按照两船舶最小碰撞距离来推算船舶当前是否有危险，但实际上船舶速度和航向随时都是变动的，此刻的推断可能是无效的。
发明内容
本公开提供了一种用于数据处理的方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种数据处理方法，包括：确定第一目标船舶在未来时段待行驶的目标轨迹；基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
可选地，确定第一目标船舶在未来时段待行驶的目标轨迹，该方法包括：基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹，其中，轨迹预测模型用于学习第一目标船舶避开危险的行为数据。
可选地，基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹包括：基于轨迹预测模型预测第一目标船舶在未来时段待行驶的第一目标轨迹；基于历史轨迹的第一目标点预测第一目标船舶在未来时段待行驶的第二目标轨迹。
可选地，基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据包括：基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据；基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据；基于第一目标数据和第二目标数据确定目标数据。
可选地，基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据包括：基于第一目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第一距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第一时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第二时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第二距离：基于至少之一类型数据确定第一目标数据。
可选地，基于至少之一类型数据确定第一目标数据包括：确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第一结果，得到至少之一第一结果；对至少之一第一结果进行加权处理，得到第一目标数据。
可选地，基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据包括：基于第二目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第三距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第三时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第四时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第四距离；基于至少之一类型数据确定第二目标数据。
可选地，基于至少之一类型数据确定第二目标数据包括：确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第二结果，得到至少之一第二结果；对至少之一第二结果进行加权处理，得到第二目标数据。
可选地，输出与目标数据对应的预警信息包括：响应于目标数据达到目标预警等级，则输出与目标预警等级对应预警信息，其中，目标预警等级用于表征目标事件的危险程度。
可选地，该方法包括：获取目标船舶的第一轨迹数据，其中，轨迹数据用于生成目标轨迹；对第一轨迹数据进行预处理，得到第二轨迹数据；其中，确定第一目标船舶在未来时段待行驶的目标轨迹，包括：基于第二轨迹数据生成目标轨迹。
可选地，对第一轨迹数据进行预处理，得到第二轨迹数据包括：从第一轨迹数据中确定异常轨迹数据，并从第一轨迹数据中筛选掉异常轨迹数据，和/或，识别出第一轨迹数据中的第三目标点，且对第三目标点进行替换，得到第二轨迹数据，其中，第三目标点为目标船舶停留的位置点，或在徘徊时所围绕的位置点。
根据本公开的另一方面，提供了一种数据处理装置，包括：确定单元，用于确定第一目标船舶在未来时段待行驶的目标轨迹；转化单元，用于基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；输出单元，用于输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的数据处理方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开实施例的数据处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开实施例的数据处理方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一种数据处理方法的流程图；
图2是根据本公开实施例的一种船舶碰撞预警的思路流程的示意图；
图3是根据本公开实施例的一种计算时序轨迹的差分距离的示意图；
图4是根据本公开实施例的一种船舶轨迹的停留点识别的示意图；
图5a是根据本公开实施例的一种船舶临界碰撞会遇距离的示意图；
图5b是根据本公开实施例的一种两船会遇最近距离的示意图；
图6是根据本公开实施例的一种两船会遇的专家规则的示意图；
图7是根据本公开实施例的一种预警计分模型的示意图；
图8是根据本公开实施例的一种数据处理装置的示意图；
图9是根据本公开实施例的一种电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面对本公开实施例的文本识别方法进行进一步地介绍。
图1是根据本公开实施例的一种数据处理方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤S102，确定第一目标船舶在未来时段待行驶的目标轨迹。
在本公开上述步骤S102提供的技术方案中，目标轨迹可以是未来一定时间内的船舶轨迹预测信息，可以确定第一目标船舶在未来时段待行驶的目标轨迹，比如，确定第一目标船舶在未来30分钟内待行驶的轨迹预测信息。
在该实施例中，可选地，基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹，其中，轨迹预测模型用于学习第一目标船舶避开危险的行为数据。
步骤S104，基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件。
在本公开上述步骤S104提供的技术方案中，属性信息可以是第一目标船舶的动态行驶信息，比如，速度、航向和报位等，其中，报位可以是可识别停留点。
在该实施例中，当前行驶信息可以是静态信息，比如，船长和船宽等，在此不做限制。
在该实施例中，目标数据可以是目标船只的属性信息和当前行驶信息转化得到的机器学习分数和线性外推分数，目标事件，比如，船舶在水域上的危险事件。
在该实施例中，可选地，基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据；基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据；基于第一目标数据和第二目标数据确定目标数据。
步骤S106，输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
在本公开上述步骤S106提供的技术方案中，输出与目标数据对应的预警信息，比如，预警模块会结合两个模型按照权重计分使用，按照分数阈值划分为三种预警等级，碰撞预警时综合了专家规则和最短会遇距离(DCPA)的方案，分析了不同的危险情况的计分准则，给出了最终综合得分，确定预警信息为该三中预警等级的其中之一。
在该实施例中，可选地，响应于目标数据达到目标预警等级，则输出与目标预警等级对应预警信息，其中，目标预警等级用于表征目标事件的危险程度。
通过上述步骤S102至步骤S106，确定第一目标船舶在未来时段待行驶的目标轨迹；基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警，也就是说，在本申请中，采用船舶的轨迹预测信息、静态信息和动态信息综合对船舶的行驶进行预警，也即，船舶的动态情形和静态情形都认为是需要预警，从而有效地对船舶的行驶进行预警，解决了无法有效对船舶的行驶进行预警的技术问题，达到了能够有效对船舶的行驶进行预警的技术效果。
下面对该实施例的上述方法进行进一步地详细介绍。
作为一种可选的实施方式，步骤S102，确定第一目标船舶在未来时段待行驶的目标轨迹，该方法包括：基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹，其中，轨迹预测模型用于学习第一目标船舶避开危险的行为数据。
在该实施例中，轨迹预测模型可以是机器学习模型，该机器学习模型可以是长短期记忆网络(Long Short Term Memory，简称为LSTM)，LSTM能够学习到渔船操作者在看到周围危险绕道而行的行为。
在该实施例中，可以基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹，比如，综合机器学习(LSTM)和线性外推进行轨迹预测。
举例而言，本公开实施例选择了LTSM和线性外推两种方案，虽然当前有很对机器学习来做轨迹预测的方法，LSTM能够学习到渔船操作者在看到周围危险绕道而行的行为，但是考虑到本方案是一个预警模型，而不是一个路径规划项目，本文的目的是为了发出预警告诉渔船作业者，不能再继续按照当前轨迹航行了，所以线性外推模型是必要的，它能够很直观的提醒继续当前航向和速度前行会有危险，在预警模块会结合两个模型按照权重计分使用。
在该实施例中，在确定目标轨迹之前，该方法可以包括：轨迹预处理，比如，使用统计学方式计算异常点，通过历史轨迹进行预测来佐证异常点(经纬度异常点和速度异常点)的准确性；停留点识别，“停留”一共存在两种情况：一种是用户在原地停留，轨迹点间隔很近；另一种是用户会围绕某一点进行徘徊。
作为一种可选的实施方式，基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹包括：基于轨迹预测模型预测第一目标船舶在未来时段待行驶的第一目标轨迹；基于历史轨迹的第一目标点预测第一目标船舶在未来时段待行驶的第二目标轨迹。
在该实施例中，第一目标轨迹可以是LSTM预测未来30分钟的轨迹打点，第二目标轨迹可以是线性外推预测未来30分钟的打点。
在该实施例中，可以基于轨迹预测模型预测第一目标船舶在未来时段待行驶的第一目标轨迹，比如，基于LSTM模型预测未来30分钟的轨迹打点。
在该实施例中，第一目标点可以是历史轨迹的倒数两个点，该倒数两个点原地停留点或某一点的徘徊点，如果最后两个点都是停留点，会推算出来下一个点的速度为0，可以基于历史轨迹的第一目标点预测第一目标船舶在未来时段待行驶的第二目标轨迹，比如，基于线性外推预测未来30分钟的打点。
作为一种可选的实施方式，基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据包括：基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据；基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据；基于第一目标数据和第二目标数据确定目标数据。
在该实施例中，第一目标数据可以是LSTM分数，第二目标数据可以是线性外推分数。
在该实施例中，可以基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据，比如，基于船舶静态信息：船长和船宽和船舶动态信息：速度、航向和报位(可识别停留点)，LSTM预测未来30分钟的轨迹打点，转化为LSTM分数。
在该实施例中，可以基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据，比如，基于船舶静态信息：船长和船宽和船舶动态信息：速度、航向和报位(可识别停留点)，线性外推预测未来30分钟的轨迹打点，转化为线性外推分数。
在该实施例中，可以基于第一目标数据和第二目标数据确定目标数据，比如，预警模块会结合LSTM和线性外推按照权重计分使用，得到最终综合得分。
作为一种可选的实施方式，基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据包括：基于第一目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第一距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第一时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第二时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第二距离：基于至少之一类型数据确定第一目标数据。
在该实施例中，第一类数据可以是DCPA和TCPA等，DCPA是指的两船会遇最近距离、或者本船重心到目标船与本船相对航向线的垂线距离，TCPA是指的两船到达最近距离点的时间第二目标点可以是最近距离点，第一类数据与LSTM模型结合得到“LSTM+DCPA”的结果。
在该实施例中，第二类数据可以是专家规则：符合20分钟预警的数据，第二类数据与LSTM模型结合得到“LSTM+专家规则”的结果。
在该实施例中，第三类型数据可以是专家规则：符合300m预警的数据，第三类数据与LSTM模型结合得到“LSTM+专家规则”的结果。
作为一种可选的实施方式，基于至少之一类型数据确定第一目标数据包括：确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第一结果，得到至少之一第一结果；对至少之一第一结果进行加权处理，得到第一目标数据。
在该实施例中，加权处理可以是线性加权，目标条件可以是DCPA<SDAmin且TCPA>0的条件、符合20分钟预警的条件、符合300m预警的条件，其中，SDAmin又称临界碰撞会遇距离，定义为以本船雷达所在位置为中心，不考虑船舶操纵余地，两船保持方向和保持速度而不致发生碰撞的最小安全会遇距离。
在该实施例中，可以确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第一结果，得到至少之一第一结果，比如，确定上述第一类型数据、第二类型数据和第三类型数据是否分别对应满足DCPA<SDAmin且TCPA>0的条件、符合20分钟预警的条件、符合300m预警的条件。
在该实施例中，可以对至少之一第一结果进行加权处理，得到第一目标数据，比如，对至少之一第一结果进行线性加权处理，得到LSTM分数。
作为一种可选的实施方式，基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据包括：基于第二目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第三距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第三时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第四时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第四距离；基于至少之一类型数据确定第二目标数据。
在该实施例中，第一类数据可以是DCPA和TCPA等，DCPA是指的两船会遇最近距离、或者本船重心到目标船与本船相对航向线的垂线距离，TCPA是指的两船到达最近距离点的时间第二目标点可以是最近距离点，第一类数据与线性外推模型结合得到“线性外推+DCPA”的结果。
在该实施例中，第二类数据可以是专家规则：符合20分钟预警的数据，第二类数据与线性外推模型结合得到“线性外推+专家规则”的结果。
在该实施例中，第三类型数据可以是专家规则：符合300m预警的数据，第三类数据与线性外推模型结合得到“线性外推+专家规则”的结果。
作为一种可选的实施方式，步骤S108，基于至少之一类型数据确定第二目标数据包括：确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第二结果，得到至少之一第二结果；对至少之一第二结果进行加权处理，得到第二目标数据。
在该实施例中，可以确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第二结果，得到至少之一第二结果，比如，确定上述第一类型数据、第二类型数据和第三类型数据是否分别对应满足DCPA<SDAmin且TCPA>0的条件、符合20分钟预警的条件、符合300m预警的条件。
在该实施例中，可以对至少之一第二结果进行加权处理，得到第二目标数据，比如，对至少之一第二结果进行线性加权处理，得到线性外推分数。
作为一种可选的实施方式，步骤S106，输出与目标数据对应的预警信息包括：响应于目标数据达到目标预警等级，则输出与目标预警等级对应预警信息，其中，目标预警等级用于表征目标事件的危险程度。
在该实施例中，目标预警等级可以是符合预警、中等危险预警、危险预警。
在该实施例中，响应于目标数据达到目标预警等级，则输出与目标预警等级对应预警信息，比如，在碰撞预警时综合了专家规则和DCPA的方案，分析了不同的危险情况的计分准则，给出了最终综合得分之后，该综合得分对应的预警等级为中等危险预警，则产生用于表示该信息的信号，响应于该信号，输出与中等危险等级对应预警信息。
作为一种可选的实施方式，该方法还包括：获取目标船舶的第一轨迹数据，其中，轨迹数据用于生成目标轨迹；对第一轨迹数据进行预处理，得到第二轨迹数据；其中，确定第一目标船舶在未来时段待行驶的目标轨迹，包括：基于第二轨迹数据生成目标轨迹。
在该实施例中，可以获取目标船舶的第一轨迹数据，其中，轨迹数据用于生成目标轨迹，比如，在轨迹预处理时，获取目标船舶的经纬度值和速度值。
在该实施例中，可以对第一轨迹数据进行预处理，得到第二轨迹数据，比如，当经纬度超出正常范围值，如经度181度，维度91度，直接将该经纬度异常值剔除掉，如果一条轨迹中此类坐标较多则在训练过程直接去掉该条轨迹；在经纬度正常的范围内，但偏离正常航线较远的速度异常点，由于异常数据可能较少，对于大批量的数据，如果想要细致地找出每个噪声轨迹点，是非常耗时的，所以我一般都是采用比较简单的方式来处理，因此使用统计学方式计算异常点，通过历史轨迹进行预测来佐证异常点的准确性。
在该实施例中，可以确定第一目标船舶在未来时段待行驶的目标轨迹，包括：基于第二轨迹数据生成目标轨迹，比如，除了将轨迹中的异常值处理之外，在轨迹数据中，需要分析用户在运动过程中在哪些地点进行了停留，“停留”一共存在两种情况：一种是用户在原地停留，轨迹点间隔很近；另一种是用户会围绕某一点进行徘徊，最终生成目标轨迹。
作为一种可选的实施方式，对第一轨迹数据进行预处理，得到第二轨迹数据包括：从第一轨迹数据中确定异常轨迹数据，并从第一轨迹数据中筛选掉异常轨迹数据，和/或，识别出第一轨迹数据中的第三目标点，且对第三目标点进行替换，得到第二轨迹数据，其中，第三目标点为目标船舶停留的位置点，或在徘徊时所围绕的位置点。
在该实施例中，第三目标点可以是船只的停留点，可以从第一轨迹数据中确定异常轨迹数据，并从第一轨迹数据中筛选掉异常轨迹数据，和/或，识别出第一轨迹数据中的第三目标点，且对第三目标点进行替换，得到第二轨迹数据，比如，从第一轨迹数据中确定经纬度异常值和速度异常值，并从第一轨迹数据中筛选掉异常值，和/或，识别出第一轨迹数据中的停留点，且对停留点进行替换，得到第二轨迹数据。
在本公开实施例中，通过采用船舶的轨迹预测信息、静态信息和动态信息综合对船舶的行驶进行预警，也即，船舶的动态情形和静态情形都认为是需要预警，从而有效地对船舶的行驶进行预警，解决了无法有效对船舶的行驶进行预警的技术问题，达到了能够有效对船舶的行驶进行预警的技术效果。
下面结合优选的实施例对本公开的数据处理方法作进一步地介绍。
在船舶作业过程中可能发生与其他船只或者障碍物发生碰撞的情形，该问题现有解决方案有：
1)非机器学习方案：DCPA，认为当前的速度和航向是不变的情况下，按照两船最小碰撞距离来推算当前是否有危险；
2)机器学习方案：轨迹预测，根据预测轨迹判断是都有碰撞危险；
3)专家规则：凭借经验去设定专家规则，例如相距300m，则需要发出预警。
DCPA的优点：在认为速度和航向不变的情况下，严格按照碰撞物理模型来推断当前距离是都已经小于最小通过距离、距离最小通过距离地点的时间。
DCPA的缺点：实际上船速和航向随时都是变动的，此刻的推断可能是无效的。
轨迹预测的优点：能够通过历史轨迹来学习未来一段时间的轨迹序列，能够覆盖复杂多变的轨迹序列。
轨迹预测的缺点：因为渔船作业的关系，船只经常性的转向，因而可能没有规律性的航向，这种情况预测的效果差，需要结合其他方案综合判断。
专家规则的优点：规则的设定是需要经验的，无行业知识很难给出；规则设定不够灵活。这种规则如果做不到面临不同船型、速度等因素灵活变动，则容易引起以下两种情况，一方面：规则太宽泛，则容易带来不必要的预警，操控船的工作人员对预警的重视程度不够，也容易引起碰撞；另一方案：规则定义的太过严苛，则会漏掉一些预警。
专家规则的缺点：程序实现无难度，重在case分析。
以上提出了三种方案来解决船舶碰撞预警，
图2是根据本公开实施例的一种船舶碰撞预警的思路流程的示意图，如图2所示，本方案的主题思想是静态方案+动态方案多方案结合综合判断：1)轨迹预测主要是处理轨迹异常值问题和停留点识别替换问题；
2)轨迹预测是综合和机器学习和线性外推方案；
3)碰撞预警时综合了专家规则和DCPA的方案，分析了不同的危险情况的计分准则，给出了最终综合得分。
最终的结果是，LSTM+DCPA；LSTM+专家规则；线性外推+DCPA；线性外推+专家规则的预警结果，认为如果同时满足LSTM+DCPA和线性外推+DCPA的预警是较准确的，可以理解为动态情形和情形都认为是需要预警的。
下面对该实施例的轨迹预处理的方法进行进一步地介绍。
1.异常值
经纬度异常值：经纬度超出正常范围值，如经度181度，维度91度
处理方式：这类直接将坐标剔除掉，如果一条轨迹中此类坐标较多则在训练过程直接去掉该条轨迹。
速度异常值：在经纬度正常的范围内，但偏离正常航线较远的速度异常点
处理方式：由于异常数据可能较少，对于大批量的数据，如果想要细致地找出每个噪声轨迹点，是非常耗时的，所以我一般都是采用比较简单的方式来处理，因此使用统计学方式计算异常点，通过历史轨迹进行预测来佐证异常点的准确性。
将坐标转移到墨卡托平面坐标系。
计算时序轨迹的差分距离，例如速度变化小，距离变化大的坐标点可以认为是异常值。
图3是根据本公开实施例的一种计算时序轨迹的差分距离的示意图，如图3所示，为了找出p5这个噪声轨迹点，可以计算p4到p5之间的距离，这些距离包括欧氏距离、曼哈顿距离等，再除以p4和p5两点的时间间隔，就可以计算在p4到p5之间的平均速度。当这个平均预测大于一定的阈值时，例如150km/h，就可以判定p5为异常轨迹点。
vi→i+1＝dis(pi+1-pi)/(ti+1-ti)
2.停留点识别
图4是根据本公开实施例的一种船舶轨迹的停留点识别的示意图，如图4所示，在轨迹数据中，我们需要分析用户在运动过程中在哪些地点进行了停留，“停留”一共存在两种情况：一种是用户在原地停留，轨迹点间隔很近；另一种是用户会围绕某一点进行徘徊。
下面对该实施例的轨迹预测的方法进行进一步地介绍。
该实施例可以选择LTSM和线性外推两种方案，虽然当前有很对机器学习来做轨迹预测的方法，LSTM能够学习到渔船操作者在看到周围危险绕道而行的行为，但是考虑到本方案是一个预警模型，而不是一个路径规划项目，该实施例的目的是为了发出预警告诉渔船作业者，不能再继续按照当前轨迹航行了，所以线性外推模型是必要的，它能够很直观的提醒继续当前航向和速度前行会有危险。本文在预警模块会结合两个模型按照权重计分使用。
LSTM:因为船舶轨迹受到复杂的海洋环境影响和周围船舶影响，很难找出其变化的规律，所以很难找到一个合适的非线性映射模型对船舶轨迹进行拟合。在这种情况下神经网络的优秀非线性拟合能力优势脱颖而出，前人已经对基于BP神经网络的轨迹预测模型和基于LSTM的船舶轨迹预测模型进行了探究，故本文直接从基于LSTM的轨迹预测模型出发进行探究。
线性外推：两点外推法，根据历史轨迹的倒数两个点来推算速度和方向，预测下一时间区间坐标点的位置。
下面对该实施例的碰撞预警的方法进行进一步地介绍。
1.输入数据：
通过上述轨迹预处理、轨迹预测两个模块，输入到碰撞预警的数据有：船舶静态信息：船长、船宽；船舶动态信息：速度、航向、报位(可识别停留点)；轨迹预测信息：LSTM预测未来30分钟的轨迹打点、线性外推预测未来30分钟的打点。
2.输入模型
图5a是根据本公开实施例的一种船舶临界碰撞会遇距离的示意图，如图5a所示，SDAmin又称临界碰撞会遇距离，定义为以本船雷达所在位置为中心，不考虑船舶操纵余地，两船保向保速而不致发生碰撞的最小安全会遇距离。
图5b是根据本公开实施例的一种两船会遇最近距离的示意图，如图5b所示，DCPA是指的两船会遇最近距离、或者本船重心到目标船与本船相对航向线的垂线距离。TCPA是指的两船到达最近距离点的时间。潜在碰撞危险评判模型：DCPA<SDAmin且TCPA>0(DCPA有正负之分，代表过目标船头或者过目标船尾)即当目标船与本船的最近会遇距离DCPA<SDAc且TCPA>0时，系统判断该目标船存在潜在碰撞危险。
VR是本船相对于目标的相对速度矢量，可表示为：
DCPA＝|OM|，TCPA＝|TM|/|VR|
图6是根据本公开实施例的一种两船会遇的专家规则的示意图，如图6所示，情况一和情况二均需要发出报警。
情况一：
两船有物理交点，任意一只船距离交点还有20分钟，其计算过程如下：
L1＝(P1，A1)
L2＝(P2，A2)
Px＝相交(intersect)(L1，L2)
Tx＝T1+(D1/V1)或Tx＝T2+(D2/V2)
20节＝20×1.852≈37公里/小时
300米＝0.3公里
0.3÷37×60＝0.49分钟
报警触发条件：
M1<＝20分钟或M2<＝20分钟
或D<＝300米。
情况二：
两船相距300米。
3.预警等级
图7是根据本公开实施例的一种预警计分模型的示意图，如图7所示，该模型的处理过程可以包括如下步骤：
步骤S701，传入本船报位；
步骤S702，监测本船周围方圆5千米的船只；
步骤S703，采集本船及本船周围方圆5千米的船只的动态信息(比如，速度、航向和报位等)和静态信息(船长、船宽)，将所采集的动态信息、静态信息和历史轨迹进行预处理；
步骤S704，利用线性外推和长短期记忆网络(LSTM)进行轨迹预测；
步骤S705，线性外推和长短期记忆网络预测未来30分钟的轨迹打点；
步骤S706，专家规则结合DCPA，按照船舶的速度、航向夹角、船长和船宽等综合得分，对线性外推的专家规则结合DCPA的结果和长短期记忆网络的专家规则结合DCPA的结果进行线性加权处理，得到线性外推和长短期记忆网络这两种预测方案的线性加权得分；
步骤S707，结合线性外推和长短期记忆网络这两种模型按照权重计分使用。
利用2种轨迹预测方案、专家规则结合DCPA的方式，按照船舶的速度、航向夹角、船宽等综合得分的系统，最后按照分数阈值划分为三种预警等级。
符合预警：符合经验规则，这个经验规则目前定义的较为宽泛，尽量做到覆盖全；
中等危险预警：在经验规则中较危险的场景；
危险预警：1)在经验规则中非常危险的，如两船相聚非常近，速度非常大；2)符合DCPA<sdamin tcpa>0的情形。
在本公开实施例中，采用船舶的轨迹预测信息、静态信息和动态信息综合对船舶的行驶进行预警，也即，船舶的动态情形和静态情形都认为是需要预警，从而有效地对船舶的行驶进行预警，无法有效对船舶的行驶进行预警的技术问题，达到了能够有效对船舶的行驶进行预警的技术效果。
本公开实施例还提供了一种用于执行图1所示实施例的数据处理方法的数据处理装置。
图8是根据本公开实施例的一种数据处理装置的示意图，如图8所示，该数据处理装置80可以包括：确定单元81、转化单元82、输出单元83。
确定单元81，用于确定第一目标船舶在未来时段待行驶的目标轨迹；
转化单元82，用于基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；
输出单元83，用于输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
可选地，确定单元81包括：第一确定模块，其中，第一确定模块可以包括：第一预测子单元和第二预测子单元。其中，第一确定模块，用于基于轨迹预测模型和第一目标船舶的历史轨迹，确定目标轨迹，其中，轨迹预测模型用于学习第一目标船舶避开危险的行为数据；第一预测子单元，基于轨迹预测模型预测第一目标船舶在未来时段待行驶的第一目标轨迹；第二预测子单元，基于历史轨迹的第一目标点预测第一目标船舶在未来时段待行驶的第二目标轨迹。
可选地，转化单元82包括：第一转化模块、第二转化模块和第二确定模块，其中，第一转化模块可以包括：第一确定子单元和第二确定子单元，其中，第二确定子单元可以包括：第一确定子模块和第一加权子模块。其中，第一转化模块，用于基于第一目标轨迹，将属性信息和当前行驶信息转换为第一目标数据；第二转化模块，用于基于第二目标轨迹，将属性信息和当前行驶信息转换为第二目标数据；第二确定模块，用于基于第一目标数据和第二目标数据确定目标数据；第一确定子单元，用于基于第一目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第一距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第一时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第二时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第二距离；第二确定子单元，用于基于至少之一类型数据确定第一目标数据；第一确定子模块，用于确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第一结果，得到至少之一第一结果；加权子模块，用于对至少之一第一结果进行加权处理，得到第一目标数据。
可选地，第二转化模块包括：第三确定子单元和第四确定子单元，其中，第四确定子单元包括：第二确定子模块和第二加权子模块。其中，第三确定子单元，用于基于第二目标轨迹，将属性信息和当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括第一目标船舶与第二目标船舶会遇的第三距离，和/或，第一目标船舶与第二目标船舶行驶到第二目标点的第三时间；第二类型数据，包括第一目标船舶或第二目标船舶待行驶至第一目标轨迹与第二目标船舶的第三目标轨迹之间的交点的第四时间；第三类型数据，包括第一目标船舶与第二目标船舶之间的第四距离；第四确定子单元，用于基于至少之一类型数据确定第二目标数据；第二确定子模块，用于确定至少之一类型数据中每个类型数据是否满足对应的目标条件的第二结果，得到至少之一第二结果；第二加权子模块，用于对至少之一第二结果进行加权处理，得到第二目标数据。
可选地，输出单元83包括：输出子模块。其中，输出子模块，用于响应于目标数据达到目标预警等级，则输出与目标预警等级对应预警信息，其中，目标预警等级用于表征目标事件的危险程度。
可选地，该装置还包括：获取单元、预处理单元和生成单元，其中，预处理单元可以包括：预处理模块。其中，获取单元，用于获取目标船舶的第一轨迹数据，其中，轨迹数据用于生成目标轨迹；预处理单元，用于对第一轨迹数据进行预处理，得到第二轨迹数据；生成单元，用于基于第二轨迹数据生成目标轨迹；预处理模块，用于从第一轨迹数据中确定异常轨迹数据，并从第一轨迹数据中筛选掉异常轨迹数据，和/或，识别出第一轨迹数据中的第三目标点，且对第三目标点进行替换，得到第二轨迹数据，其中，第三目标点为目标船舶停留的位置点，或在徘徊时所围绕的位置点。
在本公开实施例中，通过确定单元81，用于确定第一目标船舶在未来时段待行驶的目标轨迹；转化单元82，用于基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；输出单元83，用于输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警，也就是说，在本申请中，采用船舶的轨迹预测信息、静态信息和动态信息综合对船舶的行驶进行预警，也即，船舶的动态情形和静态情形都认为是需要预警，从而有效地对船舶的行驶进行预警，解决了无法有效对船舶的行驶进行预警的技术问题，达到了能够有效对船舶的行驶进行预警的技术效果。
本公开实施例中，通过本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本公开的实施例提供了一种电子设备，该电子设备可以包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的数据处理方法。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
步骤S102，确定第一目标船舶在未来时段待行驶的目标轨迹；
步骤S104，基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；
步骤S106，输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
可选地，在本实施例中，上述非瞬时计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现以下步骤：
步骤S102，确定第一目标船舶在未来时段待行驶的目标轨迹；
步骤S104，基于目标轨迹，将第一目标船舶的属性信息和第一目标船舶的当前行驶信息转化为目标数据，其中，目标数据用于表征第一目标船舶在按照目标轨迹行驶时待遇到的目标事件；
步骤S106，输出与目标数据对应的预警信息，其中，预警信息用于对目标事件进行预警。
图8是根据本公开实施例的一种电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如方法确定第一目标船舶在未来时段待行驶的目标轨迹。例如，在一些实施例中，方法确定第一目标船舶在未来时段待行驶的目标轨迹可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时，可以执行上文描述的方法确定第一目标船舶在未来时段待行驶的目标轨迹的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法确定第一目标船舶在未来时段待行驶的目标轨迹。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种数据处理方法，包括：
确定第一目标船舶在未来时段待行驶的目标轨迹；
基于所述目标轨迹，将所述第一目标船舶的属性信息和所述第一目标船舶的当前行驶信息转化为目标数据，其中，所述目标数据用于表征所述第一目标船舶在按照所述目标轨迹行驶时待遇到的目标事件，所述属性信息为所述第一目标船舶的动态行驶信息，所述当前行驶信息为所述第一目标船舶的静态行驶信息；
输出与所述目标数据对应的预警信息，其中，所述预警信息用于对所述目标事件进行预警；
其中，所述基于所述目标轨迹，将所述第一目标船舶的属性信息和所述第一目标船舶的当前行驶信息转化为目标数据，包括：基于所述第一目标船舶在所述未来时段待行驶的第一目标轨迹，将所述属性信息和所述当前行驶信息转换为第一目标数据；基于所述第一目标船舶在所述未来时段待行驶的第二目标轨迹，将所述属性信息和所述当前行驶信息转换为第二目标数据；基于所述第一目标数据和所述第二目标数据确定所述目标数据，其中，所述第一目标数据为长短期记忆网络分数，所述第二目标数据为线性外推分数。
2.根据权利要求1所述的方法，其中，确定第一目标船舶在未来时段待行驶的目标轨迹，包括：
基于轨迹预测模型和所述第一目标船舶的历史轨迹，确定所述目标轨迹，其中，所述轨迹预测模型用于学习所述第一目标船舶避开危险的行为数据。
3.根据权利要求2所述的方法，其中，基于轨迹预测模型和所述第一目标船舶的历史轨迹，确定所述目标轨迹包括：
基于所述轨迹预测模型预测所述第一目标船舶在所述未来时段待行驶的所述第一目标轨迹；
基于所述历史轨迹的第一目标点预测所述第一目标船舶在所述未来时段待行驶的所述第二目标轨迹。
4.根据权利要求1所述的方法，其中，基于所述第一目标轨迹，将所述属性信息和所述当前行驶信息转换为第一目标数据包括：
基于所述第一目标轨迹，将所述属性信息和所述当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括所述第一目标船舶与第二目标船舶会遇的第一距离，和/或，所述第一目标船舶与第二目标船舶行驶到第二目标点的第一时间；第二类型数据，包括所述第一目标船舶或所述第二目标船舶待行驶至所述第一目标轨迹与所述第二目标船舶的第三目标轨迹之间的交点的第二时间；第三类型数据，包括所述第一目标船舶与所述第二目标船舶之间的第二距离，其中，所述第二目标点为所述第一目标船舶与所述第二目标船舶会遇的位置点；
基于所述至少之一类型数据确定所述第一目标数据。
5.根据权利要求4所述的方法，其中，基于所述至少之一类型数据确定所述第一目标数据包括：
确定所述至少之一类型数据中每个所述类型数据是否满足对应的目标条件的第一结果，得到至少之一第一结果；
对所述至少之一第一结果进行加权处理，得到所述第一目标数据。
6.根据权利要求1所述的方法，其中，基于所述第二目标轨迹，将所述属性信息和所述当前行驶信息转换为第二目标数据包括：
基于所述第二目标轨迹，将所述属性信息和所述当前行驶信息确定为以下至少之一类型数据：第一类型数据，包括所述第一目标船舶与第二目标船舶会遇的第三距离，和/或，所述第一目标船舶与第二目标船舶行驶到第二目标点的第三时间；第二类型数据，包括所述第一目标船舶或所述第二目标船舶待行驶至所述第一目标轨迹与所述第二目标船舶的第三目标轨迹之间的交点的第四时间；第三类型数据，包括所述第一目标船舶与所述第二目标船舶之间的第四距离，其中，所述第二目标点为所述第一目标船舶与所述第二目标船舶会遇的位置点；
基于所述至少之一类型数据确定所述第二目标数据。
7.根据权利要求6所述的方法，其中，基于所述至少之一类型数据确定所述第二目标数据包括：
确定所述至少之一类型数据中每个所述类型数据是否满足对应的目标条件的第二结果，得到至少之一第二结果；
对所述至少之一第二结果进行加权处理，得到所述第二目标数据。
8.根据权利要求1所述的方法，其中，输出与所述目标数据对应的预警信息包括：
响应于所述目标数据达到目标预警等级，则输出与所述目标预警等级对应所述预警信息，其中，所述目标预警等级用于表征所述目标事件的危险程度。
9.根据权利要求1至8中任意一项所述的方法，还包括：
获取所述目标船舶的第一轨迹数据，其中，所述轨迹数据用于生成所述目标轨迹；
对所述第一轨迹数据进行预处理，得到第二轨迹数据；
其中，确定第一目标船舶在未来时段待行驶的目标轨迹，包括：基于所述第二轨迹数据生成所述目标轨迹。
10.根据权利要求9所述的方法，对所述第一轨迹数据进行预处理，得到所述第二轨迹数据包括：
从所述第一轨迹数据中确定异常轨迹数据，并从所述第一轨迹数据中筛选掉所述异常轨迹数据，和/或，识别出所述第一轨迹数据中的第三目标点，且对所述第三目标点进行替换，得到所述第二轨迹数据，其中，所述第三目标点为所述目标船舶停留的位置点，或在徘徊时所围绕的位置点。
11.一种数据处理装置，包括：
确定单元，用于确定第一目标船舶在未来时段待行驶的目标轨迹；
转化单元，用于基于所述目标轨迹，将所述第一目标船舶的属性信息和所述第一目标船舶的当前行驶信息转化为目标数据，其中，所述目标数据用于表征所述第一目标船舶在按照所述目标轨迹行驶时待遇到的目标事件；
输出单元，用于输出与所述目标数据对应的预警信息，其中，所述预警信息用于对所述目标事件进行预警；
其中，所述转化单元还用于通过以下步骤基于所述目标轨迹，将所述第一目标船舶的属性信息和所述第一目标船舶的当前行驶信息转化为目标数据：基于所述第一目标船舶在所述未来时段待行驶的第一目标轨迹，将所述属性信息和所述当前行驶信息转换为第一目标数据；基于所述第一目标船舶在所述未来时段待行驶的第二目标轨迹，将所述属性信息和所述当前行驶信息转换为第二目标数据；基于所述第一目标数据和所述第二目标数据确定所述目标数据，其中，所述第一目标数据为长短期记忆网络分数，所述第二目标数据为线性外推分数。
12.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
14.一种处理器，其中，所述处理器用于执行计算机程序，所述计算机程序在被所述处理器执行时实现根据权利要求1-10中任一项所述的方法。
CN202210119370.1A 2022-02-08 2022-02-08 数据处理方法、装置、电子设备以及存储介质 Active CN114464015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210119370.1A CN114464015B (zh) 2022-02-08 2022-02-08 数据处理方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210119370.1A CN114464015B (zh) 2022-02-08 2022-02-08 数据处理方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN114464015A CN114464015A (zh) 2022-05-10
CN114464015B true CN114464015B (zh) 2023-05-02

Family

ID=81412628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210119370.1A Active CN114464015B (zh) 2022-02-08 2022-02-08 数据处理方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114464015B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105390029A (zh) * 2015-11-06 2016-03-09 武汉理工大学 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统
CN108535713A (zh) * 2018-05-09 2018-09-14 深圳市华讯方舟雷达技术装备有限公司 一种雷达和ais联合跟踪与信息融合方法
CN110356401A (zh) * 2018-04-05 2019-10-22 北京图森未来科技有限公司 一种自动驾驶车辆及其变道控制方法和系统
CN112967527A (zh) * 2021-02-05 2021-06-15 武汉理工大学 一种渡船碰撞风险评估方法、系统、装置及介质
CN113393707A (zh) * 2021-06-21 2021-09-14 广州嘉航通信科技有限公司 基于光电联动的船舶监测方法、系统、设备及存储介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5419784B2 (ja) * 2010-04-06 2014-02-19 三菱電機株式会社 予測装置及び予測システム及びコンピュータプログラム及び予測方法
WO2015155833A1 (ja) * 2014-04-08 2015-10-15 三菱電機株式会社 衝突防止装置
CN105070101B (zh) * 2015-07-17 2017-09-29 武汉理工大学 筒型平台拖带风险预警及可视化系统
JP6806242B2 (ja) * 2017-04-20 2021-01-06 富士通株式会社 衝突リスク算出プログラム、衝突リスク算出方法および衝突リスク算出装置
EP3614363B1 (en) * 2017-04-20 2024-03-13 Fujitsu Limited Dangerous spot calculation program, dangerous spot calculation method, and dangerous spot calculation device
WO2019121237A1 (en) * 2017-12-22 2019-06-27 Rolls-Royce Plc A collision avoidance method and system for marine vessels
CN109460740B (zh) * 2018-11-15 2020-08-11 上海埃威航空电子有限公司 基于ais与视频数据融合的船舶身份识别方法
US10922981B2 (en) * 2018-12-05 2021-02-16 Windward Ltd. Risk event identification in maritime data and usage thereof
JP6847332B2 (ja) * 2018-12-07 2021-03-24 三菱電機株式会社 動き検出装置および動き検出方法
EP3905221A4 (en) * 2018-12-25 2022-10-19 Aidea Inc. VESSEL MOVEMENT SHARED NAVIGATION ASSISTANCE SYSTEM
US11119250B2 (en) * 2019-01-15 2021-09-14 International Business Machines Corporation Dynamic adaption of vessel trajectory using machine learning models
CN110333726A (zh) * 2019-07-29 2019-10-15 武汉理工大学 一种基于船舶运动预测的船舶安全辅助驾驶系统
CN111724629B (zh) * 2020-06-23 2021-10-29 上海埃威航空电子有限公司 用于视频监控系统的ais船舶航迹外推方法
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
CN112052984A (zh) * 2020-08-07 2020-12-08 智慧航海（青岛）科技有限公司 一种智能船舶避碰方法及系统
CN112906858A (zh) * 2021-01-26 2021-06-04 武汉工程大学 一种船舶运动轨迹实时预测方法
CN112966332B (zh) * 2021-03-02 2022-06-21 武汉理工大学 基于多船运动不确定性的冲突侦测方法、存储器及处理器
CN113156947B (zh) * 2021-04-14 2024-03-08 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113221449B (zh) * 2021-04-27 2024-03-15 中国科学院国家空间科学中心 一种基于最优策略学习的船舶航迹实时预测方法及系统
CN113485322B (zh) * 2021-06-10 2022-09-06 珠海云航智能技术有限公司 船舶航迹规划方法、终端设备及计算机可读存储介质
CN113658214B (zh) * 2021-08-16 2022-08-09 北京百度网讯科技有限公司 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
CN113837461B (zh) * 2021-09-18 2023-07-25 海南大学 一种基于lstm网络的船舶轨迹预测方法
CN113744570B (zh) * 2021-11-03 2022-03-25 武汉理工大学 一种桥区水域船舶防撞预警方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105390029A (zh) * 2015-11-06 2016-03-09 武汉理工大学 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统
CN110356401A (zh) * 2018-04-05 2019-10-22 北京图森未来科技有限公司 一种自动驾驶车辆及其变道控制方法和系统
CN108535713A (zh) * 2018-05-09 2018-09-14 深圳市华讯方舟雷达技术装备有限公司 一种雷达和ais联合跟踪与信息融合方法
CN112967527A (zh) * 2021-02-05 2021-06-15 武汉理工大学 一种渡船碰撞风险评估方法、系统、装置及介质
CN113393707A (zh) * 2021-06-21 2021-09-14 广州嘉航通信科技有限公司 基于光电联动的船舶监测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN114464015A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
JP7270812B2 (ja) 衝突警報装置及び衝突警報方法
US11915594B2 (en) Collision avoidance method and system for marine vessels
CN111260962B (zh) 一种船舶海上避碰预警方法、系统和海图机
CN113658214B (zh) 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
EP3681792B1 (en) Methods and systems for wave slam monitoring
CN113715814A (zh) 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆
CN113485322B (zh) 船舶航迹规划方法、终端设备及计算机可读存储介质
EP3696791B1 (en) Prediction of intention of path deviance for vehicles
CN115050214A (zh) 一种基于ais数据的船舶碰撞风险预测方法
CN114464015B (zh) 数据处理方法、装置、电子设备以及存储介质
JP7107550B2 (ja) 移動体の避航判断方法、避航判断装置及び避航判断プログラム
CN116312063A (zh) 一种船舶避让决策方法、装置、设备及介质
CN116358584A (zh) 一种自动驾驶车辆路径规划方法、装置、设备及介质
JP2905861B2 (ja) 船舶衝突予防用警報指示装置
KR101170094B1 (ko) 다중 선박 충돌회피 제어 시스템
CN114170846A (zh) 车辆变道预警方法、装置、设备以及存储介质
CN113147794A (zh) 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆
KR20210123131A (ko) 선박의 충돌 회피방법
KR102538084B1 (ko) 사고취약선박 모니터링 지원서비스 장치 및 방법
CN116890876A (zh) 车辆控制方法、装置、电子设备和自动驾驶车辆
WO2022091677A1 (ja) 船舶監視システム、船舶監視方法、情報処理装置、及びプログラム
Scheidweiler et al. Business analytics on AIS data: Potentials, limitations and perspectives
EP3965017A1 (en) Knowledge distillation for autonomous vehicles
CN114333416A (zh) 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN116279589A (zh) 自动驾驶决策模型的训练方法、车辆控制方法和装置

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