CN115600733A - 一种船舶航迹预测方法及装置 - Google Patents
一种船舶航迹预测方法及装置 Download PDFInfo
- Publication number
- CN115600733A CN115600733A CN202211222569.3A CN202211222569A CN115600733A CN 115600733 A CN115600733 A CN 115600733A CN 202211222569 A CN202211222569 A CN 202211222569A CN 115600733 A CN115600733 A CN 115600733A
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- time
- grid
- node
- 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.)
- Pending
Links
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种船舶航迹预测方法及装置,在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。本发明方案在预测之前对训练轨迹原始数据进行可靠性评估与修复还原真实轨迹,在船舶航行网络图中添加时序因子约束,在刻画相邻轨迹的空间相关性的同时,兼顾航迹数据的时序相关性。基于船舶轨迹的时空分布密度灵活设置船舶航行网络中网格单元的大小。
Description
技术领域
本发明涉及船舶航迹预测技术领域,特别涉及一种船舶航迹预测方法及装置。
背景技术
船舶航迹预测对于水上交通监管、交通安全风险预警、企业运营管理和环境保护等具有重要意义。利用历史轨迹特征实现船舶航迹预测是成熟的解决方案。然而,这类方案偏重预测方法的研究与优化,对于历史元数据质量评估与修复要么不作处理,要么仅做简单化处理,所以在提升预测精度上存在瓶颈。
船舶自动识别系统(Automatic Identification System,AIS)数据是航运业最常见的数据源类型之一。但AIS数据在测量与传输过程中存在多源干扰,数据本身精度不高,因此无法准确的定位船舶。基于原始AIS数据做预测,数据的波动和噪声会导致预测精度下降。在预测之前对训练轨迹元数据进行评估与修复还原真实轨迹,实现精准实时的轨迹预测,是当前船舶航迹预测亟待解决的关键问题之一。
发明内容
本发明提供一种船舶航迹预测方法及装置,能够更为精准快速的预测船舶航迹,解决航迹预测中遇到的数据准确度偏低、时间关联性较弱、预测精度不高的问题。
根据本发明的一个方面,提供了一种船舶航迹预测方法,包括以下步骤:
在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;
获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;
分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;
将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
所述船舶轨迹节点通过如下方式获取:
通过船舶自动识别系统AIS获取船舶航迹;
所述船舶航迹包括船舶的经度、纬度、航速、航向和时间;船舶轨迹节点通过下式获取:
V={v1,v2,…vT};
对所述船舶航迹进行可靠性评估,剔除异常点,补足缺失点,得到船舶航迹的船舶轨迹节点。
所述对所述船舶航迹进行可靠性评估,包括:
异常点评估:包括对所述航迹进行经纬度异常评估、航速异常评估及航向异常评估;
航迹缺失评估:计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差;判断AIS报位时间间隔与标准航迹时间差的大小;如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点。
所述剔除异常点,包括:
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的航迹轨迹;具体包括:
分别计算航迹轨迹中轨迹点的经度的五数值和纬度的五数值;所述五数值中位数M,上、下四分位数和上、下极值;
如果经度值和纬度值均大于下限值且小于上限值,则所述轨迹点为正常值,反之则剔除所述轨迹点。
所述补足缺失点,包括:
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计,具体包括:
将时间序列区间[a,b]可以分为n个区间,即[(x0,x1),(x1,x2),...,(xn-1,xn)],n+1个轨迹点对应的函数值是y0,y1,…,yn,如果这些点满足插值函数Si(x),则有:
Si(x)=aix3+bix2+cix+di
其中,ai、bi、ci、di为待定系数;
在相同时间间隔内对轨迹点进行插值处理。
所述成本函数的获取,包括:
从位置j到位置i的边权重将表示为P(j→i);对于二阶转移,每个节点都表示为ni|j,i到k的概率记作P(i|j→k),转移次数记作Ci|j→k;
δ是通过d/R求得的角距离,d是航行距离,为两个网格单元各自中心之间的距离;
当相邻轨迹节点出现在非相邻网格单元时,使用线性插值来估计中间转移;
船位转移概率可通过下式计算得到:
所述成本函数的获取,通过下述方式计算:
其中,α是用于权衡概率成本和时间成本的权重系数,取值范围为[0,1];di,k是轨迹节点i与轨迹节点k之间的距离,dmax是两个网格单元之间的最大距离,vi是i网格单元内的平均速度,vmin是所有网格单元内最小的平均速度;1-P(i|j→k)是不可行路径的概率。
利用PNPoly算法确定获取的航迹轨迹节点是否位于陆地区块对应的网格单元内时,剔除当前相邻网格单元。
根据本发明的另一个方面,提供了一种船舶航迹预测装置,包括:
网格单元划分单元,用于在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;
轨迹节点获取单元,用于获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;
成本函数计算单元,用于分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;
轨迹预测单元,用于将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
数据可靠性评估单元,用于对获取的AIS轨迹数据进行评估;包括异常点评估与航迹缺失评估;其中,异常点评估包括对所述航迹进行经纬度异常评估、航速异常评估及航向异常评估;航迹缺失评估包括:计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差;判断AIS报位时间间隔与标准航迹时间差的大小;如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点;
轨迹时空修复单元,用于剔除所述轨迹数据中的异常点,补足缺失点;具体包括:
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的航迹轨迹;
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计,在相同时间间隔内对轨迹点进行插值处理。
采用本发明的技术方案,提出了一种船舶航迹预测方案,在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
本发明方案针对轨迹元数据质量低的问题,首先对AIS数据进行可靠性评估,然后针对各类问题特征提出相应的轨迹数据修复方法。提出基于图论的轨迹预测建模方法,在相邻节点转移中添加时序因子约束,解决未将轨迹数据时序相关性纳入预测方法中的问题。针对船舶航行网络中网格划分面临的网格大小设置问题,基于船舶轨迹的时空分布密度灵活设置各个网格的大小,避免出现网格密集或稀疏造成的预测模型性能的问题。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中船舶航迹预测原理流程图;
图2为本发明实施例中基于概率的船舶航行网络图;
图3为本发明实施例中基于航迹预测的船舶碰撞预警效果图;
图4为本发明实施例中船舶航迹预测装置结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
AIS数据是以一定的频率发送位置报,因此AIS轨迹是时间和空间上离散的点集,可以借鉴图论将船舶的时空点集抽象到网络图中,节点代表轨迹位置点,相邻节点通过有向边连接,当前轨迹节点在一定的概率下转移到下一个位置节点,这种将轨迹点网格化的方法可以通过随机过程刻画相邻轨迹的空间相关性,但是在兼顾轨迹点的时序相关性上仍缺乏相关研究。另外,这种网格划分的方法面临网格大小设置问题,划分的网格稀疏,容易混淆不相干轨迹信息;划分的网格密集,容易造成轨迹的时空相关性分割,并且增加计算量。
本发明首先对AIS数据进行可靠性评估,针对各类问题特征提出相应的轨迹数据修复方法,提高数据精度;提出了基于图论的轨迹预测方法,在相邻节点转移中添加时序因子,兼顾轨迹数据的时序相关性。针对船舶航行网络中网格划分面临的网格大小设置问题,基于船舶轨迹的时空分布及时空关联关系灵活设置各个网格的大小,避免出现网格密集或稀疏降低预测模型性能的问题。
图1为本发明实施例中船舶航迹预测流程图。如图1所示,该船舶航迹预测流程包括以下步骤:
步骤101、在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元。
本发明实施例中,每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点。
在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为多个网格单元。船舶航行网络图中的每个节点用网格中的一个单元格(网格单元)来表示。如果节点在空间上相邻,则将它们视为相邻网格单元。航迹分布范围用I表示,I中的网格单元m,令N={n1,n2,...,nk}表示m的相邻网格单元,也即预测节点m可到达的周围节点单元。这里假设每个网格单元有八个可能的航行方向。实际上每个网格单元可以有更多的邻域,并且网格单元的大小不需要统一。基于船舶轨迹的时空分布密度设置网格单元,一个单元格里会有至少一个船舶轨迹节点,在进行后续计算时将单元格里的所有轨迹节点用一个单元格来表示,比如两个单元格之间的距离用各自单元格中心点的距离来表示。网格单元越多,网格的分辨率就越高,预测的路径也应该越准确。但是,网格单元越多伴随的计算量也就越大。
步骤102,获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元。
本发明实施例中,当前船舶轨迹节点及其时序上相邻的轨迹节点形成相邻的网格单元。而船舶轨迹节点需要通过AIS系统数据获取。
船舶航迹具有其独特的特点,船舶航迹数据的空间分布比较稳定,船舶在一定区域内的航行状态与水域周边环境密切相关,这意味着在同一水域航行的船舶通常具有共同的行为。在狭窄水域,船通常比在开阔水域行驶速度更慢。当船接近港口时,它的速度可能非常小。同样,当船舶在弯曲航道中航行时,可能会频繁进行转向操作。此外,由于船舶机动能力的限制,船舶不能像行人或机器人那样急转弯。由以上船舶航行特征可知船舶航行状态主要的决定性指标有经度、纬度、航速、航向和时间,因此船舶航行状态向量由这五个指标组成。
船舶的航迹记作V,可由T个时间步长内对应的状态向量vi来表示,记作:
V={v1,v2,…vT}
基于AIS数据的船舶航迹预测存在两个主要问题:测量误差和航行时间间隔不一致。造成这两个问题的主要原因包括AIS内置的位置传感器异常、AIS信号链路异常、AIS设备自身问题或AIS信道阻塞导致信号延迟等。测量误差是指在测量时接收到的AIS数据值不是传感器采集的真实值,这种偏差有时会很大。航行时间间隔不一致主要受AIS广播频率不一致、丢包、信道阻塞等多种因素影响。因此,要提高船舶航迹预测的准确性,对原始AIS数据进行可靠性评估至关重要,AIS数据质量直接决定船舶航迹预测的精度。AIS数据可靠性评估包括异常点评估和航迹点缺失评估。
异常点评估
AIS轨迹数据异常可能有经度异常、纬度异常、航向异常、航速异常等。在评估每条航迹的以上类型异常值时,首先设置一个异常点评估优先级,优先评估经度异常和纬度异常,如果经度或纬度出现异常值,则直接删除对应的航迹点。其次,评估航速异常,如果航速在一定时间内一直为0,则删除该航迹点。最后评估航向异常。
经纬度异常主要包括经纬度数据符号异常,位置点突变偏移异常等。对于经度数据出现东经。E以外的符号,纬度出现。N以外的符号,均判定为异常点,直接删除即可。对于位置突变偏移异常,通常将位置点在区间(QL-1.5H,QU+1.5H)之外的数据看作异常值(野值)。
航迹点缺失评估
将历史轨迹数据集中航行时间序列提取出来,计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差,判断AIS报位时间间隔与标准航迹时间差的大小,如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点。
AIS轨迹时空修复。
野值去除法
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的轨迹。野值去除计算方法用适合大样本检验的五数概括法,所谓“五数”是指中位数M,上、下四分位数(QU、QL)和上、下极值(QU+1.5H、QL-1.5H)。通常将在区间(QL-1.5H,QU+1.5H)之外的数据看做异常值(野值)。
具体算法如下:
函数:Minimum(最小值)、Q1(下四分位数)、Median(中位数)、Q3(上四分位数)、Maximum(最大值)、IQR=Q3-Q1、下限值lower_limit=Q1-1.5*IQR、上限值upper_limit=Q3+1.5*IQR。
算法步骤:1、分别计算轨迹中经度的五数值和纬度的五数值;2、如果经度值和纬度值均大于下限值且小于上限值,则位置为正常值,反之则剔除位置。
三次样条插值法
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计。三次样条差值用于拟合时间序列数据,使数据的时间间隔保持一致。与其他插值方法相比,三次样条插值方法能获得更平滑的序列。三次样条插值通过假设曲线的一阶和二阶导数均为零,作为三次多项式的约束条件。假设时间序列区间[a,b]可以分为n个区间,即[(x0,x1),(x1,x2),...,(xn-1,xn)],n+1个数据点对应的函数值是y0,y1,…,yn,如果这些点满足插值函数Si(x),则有:
Si(x)=aix3+bix2+cix+di
其中,ai、bi、ci、di为待定系数,可以通过相邻数据评估得到。然后在相同时间间隔内对AIS数据进行插值处理。
步骤103,分别计算当前网格单元与相邻网格单元之间船位转移的成本函数。
本发明实施例中,参见图2,网络是由若干给定的点及连接两点的线所构成的图形,这种图形通常用来描述某些事物之间的某种特定关系,节点表示事物,连接两个节点的线表示相应两个事物间的量化关系。对于船舶航行来讲,船舶在t时刻由一个位置节点航行至下一个t+1时刻的位置节点,这其中包含航向、上一个节点位置、航行距离及航行时间信息,因此,船舶航行的网络图为有向带权图,它可以用来表示轨迹的空间相关性和时序相关性,具体结构见图2。船舶由位置节点A行驶进位置节点C,记作C|A,节点C|A有一定的概率会驶向节点D,记作PC|A→D,有一定的概率会驶向节点E,记作PC|A→E;同理,驶向节点C的有一定概率是节点A,记作C|A;也有一定概率是节点B,记作C|B。因此,船舶航行图中节点连线的边的权重主要由节点间的转移概率决定。
在大多数情况下,构建的船舶航行网络图会避开陆地,因为船舶不会在陆地行驶。因此,被陆地包围的单元应该是零密度。然而,由于AIS更新误差,船舶航行网络图有时可能包含陆地内的航迹点。此外,由于某些地区的AIS数据稀疏,一些路线可能包含具有零密度值的网格。所以零密度单元不应该被排除在航迹预测算法之外。陆地被视为多边形。为了确定一个单元格是否在陆地多边形内,利用PNPoly算法进行计算。如果一个单元完全包含在陆地中,则它被标记为在陆地内,并且不会被视为任何其他网格单元的相邻单元。这样,陆地内的单元将被排除在航迹预测算法之外。
地块规避算法如下:
主要参数:时刻t,待测船舶t时刻的经纬度(xi,yi),多边形顶点D,穿过待测点的射线与多边形边的交点个数count,
主要函数:待测船舶t时刻的经纬度textp=(xi,yi),任意定点集合areapoints(*),顶点确定多边形区域的边lines,多边形区域最大的经纬度值max(*),多边形区域最小的经纬度值min(*),
算法步骤:1、判断航迹点是否在多边形区域之外,如果xi>xmax∩xi<xmin∩yi>ymax∩yi<ymin,则textp在多边形外接的四边形之外。2、对于多边形各边集合中的每条边,如果textp在边的两个顶点之间,将textp经纬度坐标值带入该边的线性方程中y=lines(i,2)+(lines(i,4)-lines(i,2))/(lines(i,3)-lines(i,1))*(testp(1)-lines(i,1)),如果y<testp(2),则测试点不在边上,此时更新待测点与边的交点个数加1;如果y=testp(2),则测试点在边上,testp在多边形内部。3、对于多边形各边集合中的每条边,如果textp发出的射线与多边形顶点相交,则更新待测点与边的交点个数。另外,如果textp与多边形顶点重合,则testp在多边形内部。4、如果count为奇数,则testp在多边形内部,反之,testp在多边形外部。
如果只考虑一阶转移,船舶航行网络图中的每个节点将直接映射到网格中的一个单元格,并在相邻网格之间构建连接边。从位置j到位置i的边权重将表示为P(j→i)。对于二阶转移,图中的每个节点都表示为ni|j,即位置i有一定概率是从位置j行驶过来的,此时i到k的概率记作P(i|j→k),转移次数记作Ci|j→k。如果相邻网格有两个连续的位置信息,则可以直接找到j。否则,根据在i中找到的第一条信息的航向找到j。给定初始位置由北顺时针方向的航向角θ和地球半径R,则可以使用半正矢方程估计前一个位置
δ是通过d/R求得的角距离。d是航行距离,为两个网格单元各中心之间的距离。
如果相邻网格中有两个连续的位置信息,则很容易得到两个网格之间的转移次数ci|j→k。然而,由于AIS转发器的更新频率不固定,更新可能发生在非相邻网格中。因此,当观察到非相邻网格更新时,使用线性插值来估计中间转移。
船位转移概率可通过下式计算得到:
转移概率确定后,可以计算边权重成本值。成本由两部分组成:概率成本和时间成本。概率成本用来刻画路径可行的概率对应的成本,不可行的路径对应更高的成本。时间成本是用来对没必要路径的惩罚,成本计算如下式:
其中,α是权重,用于权衡概率成本和时间成本,取值范围为[0,1]。给概率成本更高的权重是必要的,因为在大多数情况下,物理上较短的路径可能不是可行路径。例如,更快的路线可能是危险的,所以不可行,因此α通常设置高于0.5;di,k是节点i与节点k之间的距离,dmax是两个网格单元之间的最大距离,vi是i网格内的平均速度,vmin是所有网格内最小的平均速度。1-P(i|j→k)用于刻画不可行路径的概率。为了确定时间成本,时间通过距离除以速度计算。因为这里成本是一个无量纲值,所以时间成本也需要设置为无量纲,因此通过和最大时间值的比率来刻画。最大时间值是通过取两个单元之间的最大距离dmax和最小速度vmin计算得到,最小速度vmin是船舶巡航运动中的最小速度。这里最小速度可以设置为5节。
步骤104,将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
本发明实施例中,目的地未知的船舶航行类似于一个马尔科夫随机过程,这里通过相邻节点中权重最高的节点来确定行驶到下一个节点,具体算法说明如下:
主要参数:初始节点n0,预测时长T,当前节点ni,下一个节点ni+1,下一个节点的到达时刻t。
函数:A(*)函数为增加节点的轨迹。T(*)函数用来确定两个节点之间的航行时间。
算法步骤:将初始节点赋值给ni,将ni添加进船舶航迹中,当当前预测时长小于预测总时长T时,执行四个步骤:1、将ni相邻具有最小成本的节点赋值给下一个节点ni+1;2、将当前节点ni到下一个节点ni+1的通航时间T赋值给下一个节点的时刻;3、将下一个节点ni+1添加进船舶轨迹中,记作A(ni+1);4、将下一个节点更新成为当前节点ni。当当前预测时间超出预测总时长T时,结束循环,结束计算,得到一系列的轨迹节点数据,也即船舶的轨迹。
图3为基于本发明实施例的航迹预测方法进行船舶航行碰撞预警实践的效果图。
本发明实施例中,主要聚焦解决船舶航迹预测中的三个主要问题:1、由于AIS数据在测量与传输过程中存在多源干扰,数据本身精度不高,基于原始AIS数据做预测,数据的波动和噪声会导致预测精度下降。本发明提出的在预测之前对训练轨迹原始数据进行可靠性评估与修复还原真实轨迹,是实现精准航迹预测的前提。2、本发明在船舶航行网络图中添加时序因子约束,在刻画相邻轨迹的空间相关性的同时,也能兼顾航迹数据的时序相关性,提高航迹预测的速度和准确率。3、本发明提出基于船舶轨迹的时空分布密度灵活设置船舶航行网络中网格单元的大小,能有效避免出现网格密集或稀疏降低预测模型性能的问题。
为了实现上述流程,本发明技术方案还提供船舶航迹预测装置,如图4所示,该船舶航迹预测装置包括:
网格单元划分单元21,用于在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;
轨迹节点获取单元22,用于获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;
成本函数计算单元23,用于分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;
轨迹预测单元24,用于将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
所述装置还包括:
数据可靠性评估单元25,用于对获取的AIS轨迹数据进行评估;包括异常点评估与航迹缺失评估;其中,异常点评估包括对所述航迹进行经纬度异常评估、航速异常评估及航向异常评估;航迹缺失评估包括:计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差;判断AIS报位时间间隔与标准航迹时间差的大小;如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点;
轨迹时空修复单元26,用于剔除所述轨迹数据中的异常点,补足缺失点;具体包括:
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的航迹轨迹;
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计,在相同时间间隔内对轨迹点进行插值处理。
综上所述,本发明的技术方案,提出了一种船舶航迹预测方案,在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
本发明方案在预测之前对训练轨迹原始数据进行可靠性评估与修复还原真实轨迹,是实现精准航迹预测的前提。在船舶航行网络图中添加时序因子约束,在刻画相邻轨迹的空间相关性的同时,也能兼顾航迹数据的时序相关性,提高航迹预测的速度和准确率。基于船舶轨迹的时空分布密度灵活设置船舶航行网络中网格单元的大小,能有效避免出现网格密集或稀疏降低预测模型性能的问题。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种船舶航迹预测方法,其特征在于,包括以下步骤:
在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;
获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;
分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;
将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
3.根据权利要求2所述的一种船舶航迹预测方法,其特征在于,所述对所述船舶航迹进行可靠性评估,包括:
异常点评估:包括对所述航迹进行经纬度异常评估、航速异常评估及航向异常评估;
航迹缺失评估:计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差;判断AIS报位时间间隔与标准航迹时间差的大小;如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点。
4.根据权利要求3所述的一种船舶航迹预测方法,其特征在于,所述剔除异常点,包括:
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的航迹轨迹;具体包括:
分别计算航迹轨迹中轨迹点的经度的五数值和纬度的五数值;所述五数值中位数M,上、下四分位数和上、下极值;
如果经度值和纬度值均大于下限值且小于上限值,则所述轨迹点为正常值,反之则剔除所述轨迹点。
5.根据权利要求4所述的一种船舶航迹预测方法,其特征在于,所述补足缺失点,包括:
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计,具体包括:
将时间序列区间[a,b]可以分为n个区间,即[(x0,x1),(x1,x2),...,(xn-1,xn)],n+1个轨迹点对应的函数值是y0,y1,…,yn,如果这些点满足插值函数Si(x),则有:
Si(x)=aix3+bix2+cix+di
其中,ai、bi、ci、di为待定系数;
在相同时间间隔内对轨迹点进行插值处理。
8.根据权利要求1所述的一种船舶航迹预测方法,其特征在于,所述方法还包括:
利用PNPoly算法确定获取的航迹轨迹节点是否位于陆地区块对应的网格单元内时,剔除当前相邻网格单元。
9.一种船舶航迹预测装置,其特征在于,包括:
网格单元划分单元,用于在船舶航行区域内基于船舶轨迹的时空分布密度将航迹分布范围离散化为若干网格单元;每个船舶轨迹节点用一个网格单元表示,每个所述网格单元中至少包括一个船舶轨迹节点;
轨迹节点获取单元,用于获取当前船舶轨迹节点对应的网格单元及其相邻的网格单元;
成本函数计算单元,用于分别计算当前网格单元与相邻网格单元之间船位转移的成本函数;所述成本函数包括概率成本和时间成本;
轨迹预测单元,用于将所述成本函数最小的相邻网格单元作为预测的船位转移的船舶航迹。
10.根据权利要求9所述的一种船舶航迹预测装置,其特征在于,所述装置还包括:
数据可靠性评估单元,用于对获取的AIS轨迹数据进行评估;包括异常点评估与航迹缺失评估;其中,异常点评估包括对所述航迹进行经纬度异常评估、航速异常评估及航向异常评估;航迹缺失评估包括:计算相邻轨迹点之间的时间差值,取历史轨迹序列中时间差值的统计值众数,将时间差的众数作为标准航迹时间差;判断AIS报位时间间隔与标准航迹时间差的大小;如果AIS报位时间间隔大于标准航迹时间差的大小,则判定此时在两个航迹点之间出现了点位数据缺失,丢失的航迹点应该出现在前一时刻的时间与标准航迹时间差之和的时间点;
轨迹时空修复单元,用于剔除所述轨迹数据中的异常点,补足缺失点;具体包括:
基于实时的位置更新,将船舶轨迹时间序列中的野值去除,得到平滑的航迹轨迹;
对于缺失的航迹点,利用三次样条插值法进行缺失点拟和估计,在相同时间间隔内对轨迹点进行插值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222569.3A CN115600733A (zh) | 2022-10-08 | 2022-10-08 | 一种船舶航迹预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222569.3A CN115600733A (zh) | 2022-10-08 | 2022-10-08 | 一种船舶航迹预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600733A true CN115600733A (zh) | 2023-01-13 |
Family
ID=84844040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222569.3A Pending CN115600733A (zh) | 2022-10-08 | 2022-10-08 | 一种船舶航迹预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600733A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897903A (zh) * | 2020-07-21 | 2020-11-06 | 中远海运科技(北京)有限公司 | 船舶位置预测方法、装置、电子设备和计算机可读介质 |
CN116978259A (zh) * | 2023-06-19 | 2023-10-31 | 武汉大海信息系统科技有限公司 | 一种船舰航行轨迹预测方法、装置及存储介质 |
CN117634719A (zh) * | 2024-01-25 | 2024-03-01 | 中国电子科技集团有限公司电子科学研究院 | 一种基于航行概率与空间拓扑约束的航线预测方法及系统 |
-
2022
- 2022-10-08 CN CN202211222569.3A patent/CN115600733A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897903A (zh) * | 2020-07-21 | 2020-11-06 | 中远海运科技(北京)有限公司 | 船舶位置预测方法、装置、电子设备和计算机可读介质 |
CN116978259A (zh) * | 2023-06-19 | 2023-10-31 | 武汉大海信息系统科技有限公司 | 一种船舰航行轨迹预测方法、装置及存储介质 |
CN116978259B (zh) * | 2023-06-19 | 2024-01-26 | 武汉大海信息系统科技有限公司 | 一种船舰航行轨迹预测方法、装置及存储介质 |
CN117634719A (zh) * | 2024-01-25 | 2024-03-01 | 中国电子科技集团有限公司电子科学研究院 | 一种基于航行概率与空间拓扑约束的航线预测方法及系统 |
CN117634719B (zh) * | 2024-01-25 | 2024-05-24 | 中国电子科技集团有限公司电子科学研究院 | 一种基于航行概率与空间拓扑约束的航线预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115600733A (zh) | 一种船舶航迹预测方法及装置 | |
JP6504316B2 (ja) | 走行車線推定システム | |
Li et al. | AIS data-driven ship trajectory prediction modelling and analysis based on machine learning and deep learning methods | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
Jones et al. | Planning energy-efficient trajectories in strong disturbances | |
Huang et al. | Design of a fault detection and isolation system for intelligent vehicle navigation system | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN109556609B (zh) | 一种基于人工智能的避碰方法及装置 | |
CN110986965A (zh) | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 | |
CN115100247A (zh) | 一种基于ais动态信息的分步预测船舶轨迹的方法 | |
CN104464379A (zh) | 基于分段匹配的航行计划与雷达航迹关联方法及系统 | |
Dogramadzi et al. | Accelerated map matching for GPS trajectories | |
CN113128826A (zh) | 通航风险预测方法、装置和存储介质 | |
Yoon et al. | Predictive runtime monitoring for mobile robots using logic-based bayesian intent inference | |
Bajic et al. | Road roughness estimation using machine learning | |
CN115265555A (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
CN109190787B (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
Harrou et al. | Traffic congestion detection based on hybrid observer and GLR test | |
Hasan et al. | Predictive digital twins for autonomous ships | |
Neumann | Good choice of transit vessel route using Dempster-Shafer Theory | |
Rojas et al. | Quantitative resilience assessment of GPS, IMU, and LiDAR sensor fusion for vehicle localization using resilience engineering theory | |
CN114565176A (zh) | 一种长期船舶轨迹预测方法 | |
Bienkowski et al. | Path planning in an uncertain environment using approximate dynamic programming methods | |
Lei et al. | Learning for Prediction of Maritime Collision Avoidance Behavior from AIS Network | |
Drusinsky et al. | Multiagent pathfinding under rigid, optimization, and uncertainty constraints |
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 |