CN115563889A - 一种目标对象的抛锚预测方法、装置及设备 - Google Patents
一种目标对象的抛锚预测方法、装置及设备 Download PDFInfo
- Publication number
- CN115563889A CN115563889A CN202211552645.7A CN202211552645A CN115563889A CN 115563889 A CN115563889 A CN 115563889A CN 202211552645 A CN202211552645 A CN 202211552645A CN 115563889 A CN115563889 A CN 115563889A
- Authority
- CN
- China
- Prior art keywords
- data
- anchoring
- training
- target
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种目标对象的抛锚预测方法、装置及设备，其中，方法包括：获取目标对象的一预设时间段内的实时轨迹数据；对所述实时轨迹数据进行特征转换处理，得到目标特征数据；将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。本发明的方案能够实现对于目标对象抛锚情况的精准预测。
Description
技术领域
本发明涉及计算机信息处理技术领域，特别是指一种目标对象的抛锚预测方法、装置及设备。
背景技术
在海缆铺设过程中，由于近海区域人类活动较多，出于安全考虑，需要对海缆进行“挖沟填埋”，目标填埋深度一般为3米。但受制于海床结构的不同，很多地方难以达到3米的填埋深度，这也是近海段故障频发的原因之一。目前沿海地区的海洋渔业及运输业也得到了长足的发展，各类船只的航线与海缆区域会有交集部分，这使得渔船商船某些行为造成海缆故障频率越来越高，其中船只抛锚行为对海缆的威胁时致命的，为了提高海缆的安全性，保证其传输系统的通畅率，减少损失，对船只抛锚行为预测的研究已经刻不容缓。
现有的抛锚报警方案，大多是通过设置船只速度阈值，若船只速度低于该阈值，则认为该船只有抛锚风险，该方案要求靠经验选择合适的阈值，阈值选择不合适则会产生较大的误报率，且对实时性有较高的要求，在数据有延时情况下，会出现事后报警的情况，且起不到提前预警的作用。
现有技术方案对要处理数据的准确性要求较高，当数据中存在异常噪声点时，会对识别结果造成很大的影响；
现有技术多是根据较小规模数据量进行的研究，在实际生产环境中，数据量较大时可能会出现数据积压问题，导致延迟报警；
现有技术根据速度阈值进行抛锚风险报警，当速度阈值设置过高容易发生误报警，阈值设置过低则会事后报警。阈值选取需根据经验，误报率较高。
发明内容
本发明要解决的技术问题是如何提供一种目标对象的抛锚预测方法、装置及设备，能够实现对于目标对象抛锚情况的精准预测。
为解决上述技术问题，本发明的技术方案如下：
一种目标对象的抛锚预测方法，包括：
获取目标对象的一预设时间段内的实时轨迹数据；
对所述实时轨迹数据进行特征转换处理，得到目标特征数据；
将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
可选的，对所述实时轨迹数据进行特征转换处理，得到目标特征数据，包括：
对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据；
根据所述目标轨迹数据，获得目标对象在所述预设时间段内的速度变化率；
对所述速度变化率进行特征转换，得到目标特征数据。
可选的，所述抛锚预测模型通过以下过程进行训练：
获取历史数据中的训练样本数据集；
对所述训练样本数据集进行预处理，得到第一目标训练数据；
对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据；
对所述第二目标训练数据进行特征转换处理，得到训练特征数据；
将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型。
可选的，对所述训练样本数据集进行预处理，得到第一目标训练数据，包括：
检测所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则用与所述异常值相邻的两个历史数据的平均值替换所述异常值；
判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过预设时长，则确定两个历史数据之间存在缺失值，对所述缺失值进行插值处理，得到所述第一目标训练数据。
可选的，对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据，包括：
计算对所述第一目标训练数据中，每个历史数据的时间戳与第一个历史数据的时间戳的差值，得到多个时间戳差值；
将预设时间间隔作为哈希桶的周期，利用每个所述时间戳差值分别除以周期，得到的计算结果作为数据分桶的桶号；
根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据。
可选的，对所述第二目标训练数据进行特征转换处理，得到训练特征数据，包括：
计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，用所述差值除以所述前一个第二目标训练数据的速度，得到速度变化特征数据；
对所述速度变化特征数据进行二项式扩展，得到训练特征数据。
可选的，将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型，包括：
将所述训练特征数据按照预设比例分为训练数据和测试数据；
将所述训练数据和所述测试数据分别输入预设网络模型进行训练处理，得到抛锚预测模型。
本发明还提供一种目标对象的抛锚预测装置，包括：
获取模块，用于获取目标对象的一预设时间段内的实时轨迹数据；
处理模块，用于对所述实时轨迹数据进行特征转换处理，得到目标特征数据；将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
本发明还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。
本发明还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取目标对象的一预设时间段内的实时轨迹数据；对所述实时轨迹数据进行特征转换处理，得到目标特征数据；将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。能够实现对于目标对象抛锚情况的精准预测。
附图说明
图1是本发明实施例的目标对象的抛锚预测方法的流程示意图；
图2是本发明实施例的目标对象的抛锚预测方法的又一具体流程示意图；
图3是本发明实施例的目标对象的抛锚预测装置的模块框示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提供一种目标对象的抛锚预测方法，包括：
步骤11，获取目标对象的一预设时间段内的实时轨迹数据；这里，所述目标对象可以包括但不限于船、舰、艇；
步骤12，对所述实时轨迹数据进行特征转换处理，得到目标特征数据；
步骤13，将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
本发明的该实施例中，通过对目标对象的一预设时间段内的实时轨迹数据进行特征转换处理，得到目标特征数据，将所述目标特征数据作为抛锚预测模型的输入数据，输入至训练好的抛锚预测模型中进行抛锚预测处理，抛锚预测模型输出抛锚预测结果。这样能够实现对于目标对象抛锚情况的精准预测。
本发明一可选的实施例中，所述步骤12可以包括：
步骤121，对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据；
步骤122，根据所述目标轨迹数据，获得目标对象在所述预设时间段内的速度变化率；
步骤123，对所述速度变化率进行特征转换，得到目标特征数据。
本实施例中，步骤121中，可以通过DBSCN（Density-Based Spatial Clusteringof Applications with Noise，基于密度的聚类算法），检测实时轨迹数据中是否存在噪声点，具体的，两两之间距离较近的实时轨迹数据为一个聚类簇，距离较远的实时轨迹数据为噪声点，对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据。需要说明的是，对所述实时轨迹数据进行噪声点清洗可以包括但不限于将所述噪声点删除；这样能够对实时轨迹数据进行噪声点清洗，从而提高抛锚预测模型的预测精度。
本实施例中，步骤122，可以包括：
计算预设时间段内每个目标轨迹数据的速度与前一个目标轨迹数据的速度的差值，用所述差值除以所述前一个目标轨迹数据的速度，获得目标对象在所述预设时间段内的速度变化率。
本发明又一可选的实施例中，所述步骤13中，所述抛锚预测模型通过以下过程进行训练：
步骤131，获取历史数据中的训练样本数据集；
步骤132，对所述训练样本数据集进行预处理，得到第一目标训练数据；
步骤133，对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据；
步骤134，对所述第二目标训练数据进行特征转换处理，得到训练特征数据；
步骤135，将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型。
本实施例中，通过对历史数据中的训练样本数据集，进行预处理后使用数据分桶的策略进行统一数据维度处理，之后在进行特征转换处理，得到训练特征数据，将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型。这样通过大量的训练特征数据对网络模型进行训练处理，能够得到高精度的抛锚预测模型，以使得所述抛锚预测模型的预测精度得到提升。
具体的，所述训练样本数据集的获取过程可以包括：
从数据仓库中提取预设数量的抛锚轨迹数据作为正样本，以及预设数量的非抛锚轨迹数据作为负样本形成所述训练样本数据集。
一种可实现的实例中，例如，从数据仓库中提取600条抛锚过程的数据作为正样本，600条非抛锚行为的数据作为负样本，每条数据为20分钟的轨迹；所述训练样本数据集中的轨迹数据形式为（p1，p2，…，pn），每个所述轨迹数据p均包括4个属性：p（x，y，t，v），其中，x为目标对象的经度，y为目标对象的纬度，t为当前轨迹数据的时间戳，v为目标对象的当前速度。
本发明又一可选的实施例中，所述步骤132可以包括：
步骤1321，检测所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则用与所述异常值相邻的两个历史数据的平均值替换所述异常值；
步骤1322，判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过预设时长，则确定两个历史数据之间存在缺失值，对所述缺失值进行插值处理，得到所述第一目标训练数据。这里，所述预设时长可以设置为1分钟。
本实施例中，通过对异常值的处理和缺失值的处理，能够对所述训练样本数据集中的轨迹数据进行清洗，以使得所述抛锚预测模型输出的预测结果的精度提高。
具体的，可以使用但不限于使用DBSCN（Density-Based Spatial Clustering ofApplications with Noise，基于密度的聚类算法），检测每条所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则将与所述异常值相邻的两个历史数据的平均值，代替所述异常值；
判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过1分钟，则确定两个历史数据之间存在缺失值，可以通过拉格朗日插值法对所述缺失值进行插值处理，得到所述第一目标训练数据。
本发明又一可选的实施例中，所述步骤133可以包括：
步骤1331，计算对所述第一目标训练数据中，每个历史数据的时间戳与第一个历史数据的时间戳的差值，得到多个时间戳差值；具体实现时，每段轨迹中的第一个轨迹点的时间戳为t1，所有的轨迹点的时间戳减t1，得到多个时间戳差值，确保所有轨迹时间戳从0开始；
步骤1332，将预设时间间隔作为哈希桶的周期，利用每个所述时间戳差值分别除以周期，得到的计算结果作为数据分桶的桶号；这里，预设时间间隔优选为30秒；
步骤1333，根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据。
本实施例中，由于从AIS（Automatic Identification System，船舶自动识别系统）提取的第一目标训练数据的时间戳间隔不固定，即相同时间范围内，第一目标训练数据的个数不固定，可以通过分桶策略使得训练模型的第二目标训练数据维度相同。
利用每个所述时间戳差值分别除以哈希桶的周期，得到的计算结果作为数据分桶的桶号；这里，取所述计算结果的整数部分作为数据分桶的桶号，例如：范围为0-30的所述时间戳差值除以30，得到的桶号为0。
根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据。这里，所述第二目标训练数据为时间间隔为周期的数据。
本发明又一可选的实施例中，所述步骤134可以包括：
步骤1341，计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，用所述差值除以所述前一个第二目标训练数据的速度，得到速度变化特征数据；
步骤1342，对所述速度变化特征数据进行二项式扩展，得到训练特征数据。
本实施例中，通过计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，对第二目标训练数据进行特征转换，得到速度变化特征数据。这样可以表征目标对象的速度变化特征，并且将数值缩小到一定的范围内，将第二目标训练数据的属性进行归一化，缩放到0至1的范围内，能够提高抛锚预测模型的收敛效率；
对速度变化特征数据进行二项式扩展，得到训练特征数据，能够将原始特征通过多项式扩展，投射到更高维的空间中，达到可以将速度变化特征数据进行线性分割的目的。例如：二维数据（a，b），通过二项式扩展后可以得到五维数据（a，b，ab，a*a，b*b）。
本发明又一可选的实施例中，步骤135可以包括：
步骤1351，将所述训练特征数据按照预设比例分为训练数据和测试数据；
步骤1352，将所述训练数据和所述测试数据分别输入预设网络模型进行训练处理，得到抛锚预测模型。
本实施例中，通过训练数据和测试数据对所述预设网络模型进行训练和测试，得到抛锚预测模型，从而提高所述抛锚预测模型的预测精度。
具体的，可以从所述训练特征数据中选取80%作为训练数据，输入预设网络模型中进行训练，得到抛锚预测模型，从所述训练特征数据集中选取20%作为测试数据，可以根据所述测试数据的准确率、召回率对所述抛锚预测模型进行调参。
通过预设网络模型可以找到一个超平面，可以将正负样本数据完全分割开，通过输入已经添加标记的样本数据，最小化损失函数，更新超平面参数，完成抛锚预测模型的训练，可以将所述实时轨迹数据输入至训练好的抛锚预测模型中，能够得到-1或1，其中，-1代表该轨迹的目标对象存在抛锚风险，1代表该轨迹的目标对象不存在抛锚风险。
将训练特征数据
输入到用于划分超平面的预设网络模型
中，其中，
为预设网络模型，w，b为模型超参数，x为输入样本数据的值，需要说明的是，所述模型的超参数，即w，b能够通过模型自动更新无需人为设置；样本空间中任意点x到划分超平面的距离r可根据
计算得到，距离划分平面最近的几个训练样本为支持向量，两个异类支持向量到超平面的距离之和为
，被称为“间隔”，最大化间隔等价于最小化间隔倒数，于是基本模型可写为
，其中
，由于目标函数为一次项，限制函数为二次项，可得出此问题为凸二次规划问题，可使用拉格朗日乘子法得到其对偶问题，通过对偶问题求解所述预设网络模型，得到
（此公式由下述拉格朗日函数对W的偏导为0得到，a为alpha（阿尔法），即拉格朗日乘子），因此分类函数被转换为
；
将所述训练特征数据输入预设网络模型进行训练，具体实现过程如下：
对于抛锚预测数据x的预测，只需计算所述抛锚预测数据x与训练特征数据的内积即可，而所有的非支持向量所对应的系数a均等于0，因此对于抛锚预测数据的内积计算实际只要针对少量的支持向量。
可以根据拉格朗日乘子法
得到所述预设网络模型的目标函数；
需要注意的是，如果x是支持向量的话，
等于0，因为支持向量的函数间隔等于1，而对于非支持向量来说，函数间隔则大于1，因此
大于0，而α是非负的，为了满足目标函数最大化，因此α必须等于0（KKT条件）；
通过核函数公式
计算两个向量的内积，通过对偶问题求解所述核函数公式得到
；
因此分类函数被转换为
；
需要说明的是，核函数是两个向量经过映射后的内积表达式，在核函数中只需对映射之前的两个向量进行操作（内积、计算距离等），得到的结果相当于映射之后的高维向量的内积结果。
通过核函数对于抛锚预测数据x的预测，需要计算所述抛锚预测数据与训练特征数据映射后的内积，其中，所有的非支持向量所对应的系数α都是等于0的，因此对于抛锚预测数据的计算实际只需要针对少量的支持向量。
由于高斯核的特殊性，核函数中有计算两个向量的距离，所以需要对训练特征数据进行规范化处理，以避免大值数据掩盖小值数据的情况，其中，对数据进行规范化处理包括但不限于：对训练特征数据进行清洗、统一数据维度。
需要说明的是，可以将训练好的抛锚预测模型文件存入到大数据集群存储系统HDFS（Hadoop Distributed File System）中，可以通过Flink（框架和分布式处理引擎）调用所述抛锚预测模型文件对目标对象进行实时的抛锚预测。
如图2所示，本发明一可选的具体实施例中，所述目标对象的抛锚预测方法的具体实现过程，可以包括：
通过离线训练模块分别提取历史的抛锚轨迹数据和非抛锚轨迹数据作为所述抛锚预测模型的训练数据；
使用DBSCAN对所述训练样本数据集中的数据进行异常值检测，检测所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则将与所述异常值相邻的两个历史数据的平均值，代替所述异常值；
判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过预设时长，则确定两个历史数据之间存在缺失值，使用拉格朗日插值法对所述缺失值进行插值处理，得到所述第一目标训练数据；
计算对所述第一目标训练数据中，每个历史数据的时间戳与第一个历史数据的时间戳的差值，得到多个时间戳差值；将预设时间间隔作为哈希桶的周期，利用每个所述时间戳差值分别除以周期，得到的计算结果作为数据分桶的桶号；这里，取所述计算结果的整数部分作为数据分桶的桶号，根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据；
计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，用所述差值除以所述前一个第二目标训练数据的速度，得到速度变化特征数据；对所述速度变化特征数据进行二项式扩展，得到训练特征数据；
将所述训练特征数据按照预设比例分为训练数据和测试数据；将所述训练数据输入预设网络模型进行训练处理，得到抛锚预测模型，将所述测试数据输入抛锚预测模型进行测试，使得所述抛锚预测模型的精度更高；将训练好的抛锚预测模型文件存入到大数据集群存储系统HDFS（Hadoop Distributed File System）中；
通过实时调用模块获取实时轨迹数据，对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据；根据所述目标轨迹数据，获得目标对象在所述预设时间段内的速度变化率；对所述速度变化率进行特征转换，得到目标特征数据；通过Flink（框架和分布式处理引擎）调用所述抛锚预测模型文件对目标对象进行实时的抛锚预测，判断所述目标对象的抛锚概率是否大于50%，若是，则标记所述目标对象在10分钟后有抛锚风险，将预测结果写入Kafka（Apache Kafka，开源流处理平台）。否则，获得目标对象在所述预设时间段内的速度变化率；对所述速度变化率进行特征转换，得到目标特征数据；通过Flink（框架和分布式处理引擎）调用所述抛锚预测模型文件对目标对象进行实时的抛锚预测。
本发明的上述实施例中，所述目标对象的抛锚预测方法，通过从数据仓库中提取历史轨迹数据，使用速度变化率特征数据作为特征向量，使用拉格朗日插值法对确实数据进行插值处理，使用DBSCAN密度聚类算法进行异常值检测，通过异常值前后均值代替异常值，使用哈希分桶策略使得数据间隔一致，使用预设网络模型进行模型训练，使用Flink流式处理实时调用抛锚预测模型，保证了抛锚预测的及时性和准确率。
如图3所示，本发明的实施例还提供一种目标对象的抛锚预测装置30，包括：
获取模块31，用于获取目标对象的一预设时间段内的实时轨迹数据；
处理模块32，用于对所述实时轨迹数据进行特征转换处理，得到目标特征数据；将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
可选的，对所述实时轨迹数据进行特征转换处理，得到目标特征数据，包括：
对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据；
根据所述目标轨迹数据，获得目标对象在所述预设时间段内的速度变化率；
对所述速度变化率进行特征转换，得到目标特征数据。
可选的，所述抛锚预测模型通过以下过程进行训练：
获取历史数据中的训练样本数据集；
对所述训练样本数据集进行预处理，得到第一目标训练数据；
对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据；
对所述第二目标训练数据进行特征转换处理，得到训练特征数据；
将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型。
可选的，对所述训练样本数据集进行预处理，得到第一目标训练数据，包括：
检测所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则用与所述异常值相邻的两个历史数据的平均值替换所述异常值；
判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过预设时长，则确定两个历史数据之间存在缺失值，对所述缺失值进行插值处理，得到所述第一目标训练数据。
可选的，对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据，包括：
计算对所述第一目标训练数据中，每个历史数据的时间戳与第一个历史数据的时间戳的差值，得到多个时间戳差值；
将预设时间间隔作为哈希桶的周期，利用每个所述时间戳差值分别除以周期，得到的计算结果作为数据分桶的桶号；
根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据。
可选的，对所述第二目标训练数据进行特征转换处理，得到训练特征数据，包括：
计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，用所述差值除以所述前一个第二目标训练数据的速度，得到速度变化特征数据；
对所述速度变化特征数据进行二项式扩展，得到训练特征数据。
可选的，将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型，包括：
将所述训练特征数据按照预设比例分为训练数据和测试数据；
将所述训练数据和所述测试数据分别输入预设网络模型进行训练处理，得到抛锚预测模型。
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
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 (10)
1.一种目标对象的抛锚预测方法，其特征在于，包括：
获取目标对象的一预设时间段内的实时轨迹数据；
对所述实时轨迹数据进行特征转换处理，得到目标特征数据；
将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
2.根据权利要求1所述的目标对象的抛锚预测方法，其特征在于，对所述实时轨迹数据进行特征转换处理，得到目标特征数据，包括：
对所述实时轨迹数据进行噪声点清洗，得到处理后的目标轨迹数据；
根据所述目标轨迹数据，获得目标对象在所述预设时间段内的速度变化率；
对所述速度变化率进行特征转换，得到目标特征数据。
3.根据权利要求1所述的目标对象的抛锚预测方法，其特征在于，所述抛锚预测模型通过以下过程进行训练：
获取历史数据中的训练样本数据集；
对所述训练样本数据集进行预处理，得到第一目标训练数据；
对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据；
对所述第二目标训练数据进行特征转换处理，得到训练特征数据；
将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型。
4.根据权利要求3所述的目标对象的抛锚预测方法，其特征在于，对所述训练样本数据集进行预处理，得到第一目标训练数据，包括：
检测所述训练样本数据集的每条历史数据中是否存在异常值，若存在异常值，则用与所述异常值相邻的两个历史数据的平均值替换所述异常值；
判断所述训练样本数据集的历史数据中是否有缺失值，若相邻两个历史数据之间的时间间隔超过预设时长，则确定两个历史数据之间存在缺失值，对所述缺失值进行插值处理，得到所述第一目标训练数据。
5.根据权利要求4所述的目标对象的抛锚预测方法，其特征在于，对所述第一目标训练数据使用数据分桶的策略进行统一数据维度处理，得到第二目标训练数据，包括：
计算对所述第一目标训练数据中，每个历史数据的时间戳与第一个历史数据的时间戳的差值，得到多个时间戳差值；
将预设时间间隔作为哈希桶的周期，利用每个所述时间戳差值分别除以周期，得到的计算结果作为数据分桶的桶号；
根据所述数据分桶的桶号，分别计算每个数据分桶内历史数据的平均值，得到第二目标训练数据。
6.根据权利要求3所述的目标对象的抛锚预测方法，其特征在于，对所述第二目标训练数据进行特征转换处理，得到训练特征数据，包括：
计算每个第二目标训练数据的速度与前一个第二目标训练数据的速度的差值，用所述差值除以所述前一个第二目标训练数据的速度，得到速度变化特征数据；
对所述速度变化特征数据进行二项式扩展，得到训练特征数据。
7.根据权利要求3所述的目标对象的抛锚预测方法，其特征在于，将所述训练特征数据输入预设网络模型进行训练处理，得到抛锚预测模型，包括：
将所述训练特征数据按照预设比例分为训练数据和测试数据；
将所述训练数据和所述测试数据分别输入预设网络模型进行训练处理，得到抛锚预测模型。
8.一种目标对象的抛锚预测装置，其特征在于，包括：
获取模块，用于获取目标对象的一预设时间段内的实时轨迹数据；
处理模块，用于对所述实时轨迹数据进行特征转换处理，得到目标特征数据；将所述目标特征数据输入训练好的抛锚预测模型中进行抛锚预测处理，得到所述目标对象的抛锚预测结果，并输出所述抛锚预测结果；其中，使用数据分桶的策略处理所述抛锚预测模型所采用的训练样本数据集。
9.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552645.7A CN115563889B (zh) | 2022-12-06 | 2022-12-06 | 一种目标对象的抛锚预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552645.7A CN115563889B (zh) | 2022-12-06 | 2022-12-06 | 一种目标对象的抛锚预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115563889A true CN115563889A (zh) | 2023-01-03 |
| CN115563889B CN115563889B (zh) | 2023-03-31 |
Family
ID=84770179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211552645.7A Active CN115563889B (zh) | 2022-12-06 | 2022-12-06 | 一种目标对象的抛锚预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115563889B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030191562A1 (en) * | 2002-04-08 | 2003-10-09 | Glen E. Robertson | Boat positioning and anchoring system |
| JP2007230277A (ja) * | 2006-02-28 | 2007-09-13 | Fuji Heavy Ind Ltd | 車両停止判定方法、電動パーキングブレーキ制御方法、車両停止判定装置及び電動パーキングブレーキ制御装置 |
| CN103176451A (zh) * | 2013-02-04 | 2013-06-26 | 广州中国科学院工业技术研究院 | 一种舰船辅助航行及编队指挥的方法 |
| CN112907632A (zh) * | 2021-03-11 | 2021-06-04 | 三亚海兰寰宇海洋信息科技有限公司 | 一种单拖船只目标的识别方法及装置 |
| CN113112059A (zh) * | 2021-03-31 | 2021-07-13 | 亿海蓝（北京）数据技术股份公司 | 船舶靠泊时间预测方法及系统 |
| CN115100247A (zh) * | 2022-07-20 | 2022-09-23 | 大连海事大学 | 一种基于ais动态信息的分步预测船舶轨迹的方法 |
-
2022
- 2022-12-06 CN CN202211552645.7A patent/CN115563889B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030191562A1 (en) * | 2002-04-08 | 2003-10-09 | Glen E. Robertson | Boat positioning and anchoring system |
| JP2007230277A (ja) * | 2006-02-28 | 2007-09-13 | Fuji Heavy Ind Ltd | 車両停止判定方法、電動パーキングブレーキ制御方法、車両停止判定装置及び電動パーキングブレーキ制御装置 |
| CN103176451A (zh) * | 2013-02-04 | 2013-06-26 | 广州中国科学院工业技术研究院 | 一种舰船辅助航行及编队指挥的方法 |
| CN112907632A (zh) * | 2021-03-11 | 2021-06-04 | 三亚海兰寰宇海洋信息科技有限公司 | 一种单拖船只目标的识别方法及装置 |
| CN113112059A (zh) * | 2021-03-31 | 2021-07-13 | 亿海蓝（北京）数据技术股份公司 | 船舶靠泊时间预测方法及系统 |
| CN115100247A (zh) * | 2022-07-20 | 2022-09-23 | 大连海事大学 | 一种基于ais动态信息的分步预测船舶轨迹的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 伏耀华等: "霍尔锚与斯贝克锚在黏土中的落锚深度模型试验", 《中国航海》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115563889B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A predictive analytics method for maritime traffic flow complexity estimation in inland waterways | |
| Xiao et al. | Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors | |
| CN113269073B (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
| WO2021007514A1 (en) | Active learning for inspection tool | |
| Auslander et al. | A comparative evaluation of anomaly detection algorithms for maritime video surveillance | |
| Singh et al. | Machine learning-assisted anomaly detection in maritime navigation using AIS data | |
| Wang et al. | Data-driven methods for detection of abnormal ship behavior: Progress and trends | |
| CN110928967A (zh) | 基于大数据的船舶行为分析方法及系统 | |
| Milios et al. | Automatic fusion of satellite imagery and AIS data for vessel detection | |
| Brax | Anomaly detection in the surveillance domain | |
| CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| CN115563889B (zh) | 一种目标对象的抛锚预测方法、装置及设备 | |
| Fikioris et al. | Fine-tuned compressed representations of vessel trajectories | |
| Wei et al. | A Markov random field approach for sidescan sonar change detection | |
| CN115097435A (zh) | 一种渔船一船多码识别方法、装置和系统 | |
| Iphar et al. | Pseudo-synthetic datasets in support to maritime surveillance algorithms assessment | |
| CN113887678A (zh) | 一种基于海量图像数据的舰船轨迹生成方法及系统 | |
| CN104035866B (zh) | 基于系统调用分析的软件行为评估方法和装置 | |
| Newaliya et al. | A review of maritime spatio-temporal data analytics | |
| Jabary et al. | Development of machine learning approaches to enhance ship operational performance evaluation based on an integrated data model | |
| Quintal et al. | Automatic contact detection in side-scan sonar data | |
| CN111190978A (zh) | 海上目标对象的数据处理方法及装置 | |
| CN117542004B (zh) | 近海人船拟合方法、装置、设备及存储介质 | |
| CN112115996B (zh) | 图像数据的处理方法、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 |