CN115618251B - 船舶轨迹预测方法、装置、电子设备及存储介质 - Google Patents
船舶轨迹预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115618251B CN115618251B CN202211373197.4A CN202211373197A CN115618251B CN 115618251 B CN115618251 B CN 115618251B CN 202211373197 A CN202211373197 A CN 202211373197A CN 115618251 B CN115618251 B CN 115618251B
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- sea area
- ships
- predicted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 1
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于船舶航迹特征的船舶轨迹预测方法，应用于船舶航行技术领域，包括：获取目标海域内的所有船舶的AIS数据，该AIS数据包括该所有船舶的运行轨迹，对该目标海域进行网格划分和编号，得到海域网格编号序列，所有该海域网格内标识有该所有船舶的运行轨迹，基于该海域网格编号序列，得到该海域网格的特征编码，将该海域网格的特征编码按照该海域网格编号序列进行整合，得到该所有船舶的特征编码，对该所有船舶的特征编码进行船舶聚类，得到该所有船舶的至少一个分类结果，基于该所有船舶的至少一个分类结果，得到该待预测船舶的预测运行轨迹。本发明还提供了一种基于船舶航迹特征的船舶轨迹预测装置、电子设备及存储介质。
Description
技术领域
本发明涉及船舶航行技术领域，尤其涉及一种基于船舶航迹特征的船舶轨迹预测方法、装置、电子设备及存储介质。
背景技术
船舶轨迹预测，即基于船舶的当前轨迹预测其未来的航行轨迹，在当今社会有着广泛的应用。例如，轨迹预测信息可以用于船舶调度，有效避免船舶间的碰撞，确保船舶航行安全，提高海上航行效率，还可以用于检测船舶的异常行为，对异常的船舶进行监测，进而对我国的岸防、边海防能力有所帮助。
为了对船舶轨迹进行预测，通常需要借助船舶自动识别系统(AIS，AutomaticIdentification System)，AIS是一套利用网络、通信和电子信息显示技术的数字设备和导航设备系统，能够提供包括船舶编号、船舶位置、吃水深度、速度、船舶类型、等基础信息，其中船舶的位置信息为实现船舶航迹预测提供数据来源。
目前，已有不少针对船舶轨迹预测的研究，其中，设定规则的轨迹预测方法没有考虑历史航行轨迹，基于机器学习或者深度学习的轨迹预测方法得到的结果不具备可解释性且容易出现异常点，采用扩散卡尔曼滤波算法、隐马尔科夫模型、基于LSTM自动编码器等实时预测的方法不能满足长距离轨迹预测的需要。还有一些使用了基于历史航线聚类的方法提取控制河段内航行的典型特征航线进而完成特征航线匹配的方法来完成航线预测，但存在适用范围有限，预测范围过小的问题。
发明内容
本发明的主要目的在于提供一种基于船舶航迹特征的船舶轨迹预测方法、装置、电子设备及存储介质，旨在解决现有技术船舶轨迹预测适用范围有限容易出现异常的问题。
为实现上述目的，本发明实施例第一方面提供一种基于船舶航迹特征的船舶轨迹预测方法，包括：
获取目标海域内的所有船舶的AIS数据，所述AIS数据包括所述所有船舶的运行轨迹；
对所述目标海域进行网格划分和编号，得到海域网格编号序列，所有所述海域网格内标识有所述所有船舶的运行轨迹；
基于所述海域网格编号序列，得到所述海域网格的特征编码；
将所述海域网格的特征编码按照所述海域网格编号序列进行整合，得到所述所有船舶的特征编码；
对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果；
基于所述所有船舶的至少一个分类结果，得到所述待预测船舶的预测运行轨迹。
在本发明一实施例中，所述对所述目标海域进行网格划分和编号，得到海域网格编号序列包括：
将所述目标海域划分为多个海域网格；
根据每个所述海域网格所在的行号和列号，对所述海域网格进行编号，得到所述海域网格编号序列。
在本发明一实施例中，所述基于所述海域网格编号序列，得到所述海域网格的特征编码包括：
将所述海域网格编号序列中的海域网格编号初始化为one-hot向量；
采用CBOW算法，基于所述one-hot向量，得到每个所述海域网格的分布式向量表示；
对所述海域网格的分布式向量表示进行向量归一化，得到所述海域网格的特征编码。
在本发明一实施例中，所述将所述海域网格的特征编码按照所述海域网格编号序列进行整合，得到所述所有船舶的特征编码包括：
将所述海域网格的特征编码按照所述海域网格序列进行整合，得到所述所有船舶的轨迹特征编码；
对于所述所有船舶中的每只船舶，聚合所述每只船舶的轨迹特征编码，得到所述所有船舶的特征编码。
在本发明一实施例中，所述对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果包括：
使用DBSCAN算法对所述所有船舶的特征编码进行船舶类型聚类，得到所述所有船舶的至少一个分类结果。
在本发明一实施例中，所述基于所述所有船舶的至少一个分类结果，得到所述待预测船舶的预测运行轨迹包括：
确定待预测船舶的船舶类型和所述待预测船舶的当前轨迹；
从所述所有船舶的至少一个分类结果中查找与所述待预测船舶的船舶类型相同的分类结果；
将与所述待预测船舶的船舶类型相同的分类结果中的船舶的运行轨迹作为所述待预测船舶的候选轨迹；
根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹。
在本发明一实施例中，所述根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹包括：
使用基于滑动窗口的ED轨迹相似度算法，从所述候选轨迹中选取目标轨迹，所述目标轨迹为所述待预测船舶的预测轨迹；
将所述待预测船舶的预测轨迹和所述待预测船舶的当前轨迹进行拼接，得到所述待预测船舶的预测运行轨迹。
本发明实施例第二方面提供一种基于船舶航迹特征的船舶轨迹预测装置，包括：
获取模块，用于获取目标海域内的所有船舶的AIS数据，所述AIS数据包括所述所有船舶的运行轨迹；
划分模块，用于对所述目标海域进行网格划分和编号，得到海域网格编号序列，所有所述海域网格内标识有所述所有船舶的运行轨迹；
第一计算模块，用于基于所述海域网格编号序列，得到所述海域网格的特征编码；
整合模块，用于将所述海域网格的特征编码按照所述海域网格编号序列进行整合，得到所述所有船舶的特征编码；
聚类模块，用于对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果；
第二计算模块，用于基于所述所有船舶的至少一个分类结果，得到所述待预测船舶的预测运行轨迹。
在本发明一实施例中，所述划分模块具体用于：
将所述目标海域划分为多个海域网格；
根据每个所述海域网格所在的行号和列号，对所述海域网格进行编号，得到所述海域网格编号序列。
在本发明一实施例中，所述第一计算模块3具体用于：
将所述海域网格编号序列中的海域网格编号初始化为one-hot向量；
采用CBOW算法，基于所述one-hot向量，得到每个所述海域网格的分布式向量表示；
对所述海域网格的分布式向量表示进行向量归一化，得到所述海域网格的特征编码。
在本发明一实施例中，所述整合模块具体用于：
将所述海域网格的特征编码按照所述海域网格序列进行整合，得到所述所有船舶的轨迹特征编码；
对于所述所有船舶中的每只船舶，聚合所述每只船舶的轨迹特征编码，得到所述所有船舶的特征编码。
在本发明一实施例中，所述聚类模块3具体用于：
使用DBSCAN算法对所述所有船舶的特征编码进行船舶类型聚类，得到所述所有船舶的至少一个分类结果。
在本发明一实施例中，所述第二计算模块具体用于：
确定待预测船舶的船舶类型和所述待预测船舶的当前轨迹；
从所述所有船舶的至少一个分类结果中查找与所述待预测船舶的船舶类型相同的分类结果；
将与所述待预测船舶的船舶类型相同的分类结果中的船舶的运行轨迹作为所述待预测船舶的候选轨迹；
根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹。
在本发明一实施例中，所述根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹包括：
使用基于滑动窗口的ED轨迹相似度算法，从所述候选轨迹中选取目标轨迹，所述目标轨迹为所述待预测船舶的预测轨迹；
将所述待预测船舶的预测轨迹和所述待预测船舶的当前轨迹进行拼接，得到所述待预测船舶的预测运行轨迹。
本发明实施例第三方面提供了一种电子设备，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例第一方面提供的基于船舶航迹特征的船舶轨迹预测方法。
本发明实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的基于船舶航迹特征的船舶轨迹预测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于船舶航迹特征的船舶轨迹预测方法的流程示意图；
图2为本发明一实施例提供的船舶轨迹预测示意图；
图3为本发明一实施例提供的基于船舶航迹特征的船舶轨迹预测装置的结构示意图；
图4示出了一种电子设备的硬件结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做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。
请参阅图1和图2，图1为本发明一实施例提供的基于船舶航迹特征的船舶轨迹预测方法的流程示意图，图2为本发明一实施例提供的船舶轨迹预测示意图。该方法可应用于电子设备中，电子设备包括：手机、平板电脑、手提电脑、智能手表、智能眼镜等可在移动中进行数据处理的电子设备以及台式计算机、一体机、智能电视机等非可在移动中进行数据处理的电子设备，该方法主要包括以下步骤S1～S6：
S1、获取目标海域内的所有船舶的AIS数据，该AIS数据包括该所有船舶的运行轨迹。
获取所有船舶的AIS数据并进行预处理，预处理可以包含异常点检测与轨迹去噪、轨迹补全与重建、港口停泊点挖掘与轨迹切分等步骤，具体步骤如下：
S11：获取AIS数据，包括船舶基本信息和轨迹点序列，基本信息包括船舶编号、船舶类型、船舶长宽、载人数目等基础信息，轨迹时间序列是由轨迹点组成的航迹序列，轨迹点信息包括编号、经度、纬度、航速、航向等要素信息。
S12：针对轨迹点序列中存在的偏离正常轨迹的异常点的情况，可以使用已有的局部阈值检测方法识别轨迹点序列中的异常轨迹点。例如，设定轨迹窗口时长和轨迹点数的限制条件，通过局部阈值滑动窗口来计算速度阈值和加速度阈值，之后，计算当前轨迹点的实时速度与加速度，剔除超出速度阈值和加速度阈值的轨迹点。
S13：在S12剔除异常轨迹点后及AIS数据广泛存在缺失值的情况下，采用已有的等时间间隔三次样条插值方法对轨迹序列进行修复，以获得时间间隔相等的AIS数据，从而实现船舶轨迹重建。
具体的，选取缺失数据点t前后相邻两点，提取他们的时间ti、ti+1，船舶位置为对于在ti、ti+1之间的t时刻的船舶经度数据可以用以下公式计算：
其中，hi＝xi+1-xi(xi+1、xi分别代表i、i+1时刻的经度值)；Mi为插值函数λ(t)在节点ti处的二阶导数值。
以此，可以计算出插值点t时的船舶纬度、速度等数据。
S14：采用已有的DBSCAN聚类算法进行港口、停泊点识别。
具体的，首先，设定聚类参数ξ(聚类簇的最大半径)和MinPts(聚类簇的最小点数)，ξ表示聚类邻域的最大半径，MinPts表示聚类邻域的最小点数。在一个ξ的邻域半径内满足MinPts数的邻域被认为是一个簇。然后，计算坐标点之间的距离d，其中，(lon1，lat1)、(lon2，lat2)代表两个点的经纬度。最后，通过DBSCAN算法获得满足条件的聚类簇，计算聚类簇的中心坐标作为港口或者停泊点的位置坐标。
S15：针对每条船舶，设定停驻距离dp，计算停泊点中心的位置与轨迹点位置的距离d，通过筛选d≤dp的轨迹点获得停驻轨迹段。之后，根据停驻轨迹段对全部航迹进行轨迹切分，获得船舶出入港的所有航行轨迹段(增加一个轨迹段集合参数表示)，为轨迹预测提供候选轨迹集合。
S2、对该目标海域进行网格划分和编号，得到海域网格编号序列，所有该海域网格内标识有该所有船舶的运行轨迹。
在本发明一实施例中，S2包括：将该目标海域划分为多个海域网格，根据每个该海域网格所在的行号和列号，对该海域网格进行编号，得到该海域网格编号序列。
该目标海域可以是全球海域，针对全球海域进行网格化划分，并对海域网格进行编号。根据划分的海域网格，将S15中获得的航行轨迹段采用道格拉斯轨迹序列压缩算法进行轨迹压缩，并将压缩后的轨迹点序列转化为海域网格编号序列。例如：将一只船舶出入港的经纬度轨迹点序列使用海域网格构建方法转换为海域网格编号序列[12，22，23，34，45，46，57]。
根据预测精度需求，将该航行范围内的海域划分为多个海域网格。根据各个海域网格所在的行号和列号，对划分后的海域网格进行编号。例如，每个海域网格可以为边长2海里的正方形海域，并对各个海域网格根据一维数组进行编号标记，例如，第2行第10列的海域网格表示为编号[20]。海域网格之间没有交集，网格范围大小可以根据预测精度需求自行设定，网格范围小预测精度高但预测时间慢，反之网格范围大预测时间快但精度相应降低。
S3、基于该海域网格编号序列，得到该海域网格的特征编码。
在本发明一实施例中，S3包括：将该海域网格编号序列中的海域网格编号初始化为one-hot向量，采用CBOW算法，基于该one-hot向量，得到每个该海域网格的分布式向量表示，对该海域网格的分布式向量表示进行向量归一化，得到该海域网格的特征编码。
针对该海域网格编号序列，将其中的海域网格编号初始化为one-hot向量。之后，采用Word2Vec词向量算法中的CBOW算法进行模型训练，得到每个海域网格的分布式向量表示，即为海域网格对应的特征编码，并在向量归一化后得到海域网格的特征编码。
在一个示例中，首先，假设对某海域共划分出10*10个海域网格，将每条轨迹映射到10*10的网格上，得到每条轨迹的海域网格编号序列，如[12，22，23，34，45，46，57]。然后，使用Continuous Bag-of-Words(CBOW)模型学习海域网格编号的分布式向量表示。如针对海域网格序列[12，22，23，34，45，46，57]，假定前后网格序列长度为2，则训练任务可表示为：
| 训练样本 | 训练目标 |
| [12，22，34，45] | 23 |
| [22，23，45，46] | 34 |
| [23，34，46，57] | 45 |
然后，对上述所有网格编号进行one-hot向量初始化，其中one-hot向量的维度为海域网格的个数，每一个维度的值只有0或1。例如，针对编号为3的网格，该网格的one-hot编码向量初始化为[0，0，1，0，…，0]，其中第三个维度取值为1，其他维度取值都为零。
经过训练之后，得到每个海域网格的分布式向量表示即特征编码，记为Embeddinggrid-point，例如：
| 海域网格ID | 海域网格特征编码 |
| 23 | [0.43，0.21，…，0.56，0.69] |
| 34 | [0.85，0.65，…，0.35，0.27] |
| 45 | [0.62，0.57，…，0.94，0.72] |
S4、将该海域网格的特征编码按照该海域网格编号序列进行整合，得到该所有船舶的特征编码。
在本发明一实施例中，S4包括：将该海域网格的特征编码按照该海域网格序列进行整合，得到该所有船舶的轨迹特征编码，对于该所有船舶中的每只船舶，聚合该每只船舶的轨迹特征编码，得到该所有船舶的特征编码。
具体的，将海域网格编号序列中海域网格的特征编码进行累加并归一化，获得海域网格编号序列的特征编码，记为轨迹点序列的动态特征编码。
由于船舶航行的出入港港口在航迹中具有特殊意义，设定港口特征编码为航迹所在起始和结束位置的海域网格特征编码，并设定轨迹点序列的静态特征为出入港港口特征表示，记为Embeddingstatic：
将轨迹段的动静态特征加权求和，获得船舶轨迹点序列特征编码Embeddingtrail，Embeddingtrail＝αEmbeddingdynamic+βEmbeddingstatic，其中：α、β为Embeddingdynamic、Embeddingstatic的权重系数。
将每只船舶所有轨迹段的特征编码进行累加并归一化，获得船舶的特征编码
S5、对该所有船舶的特征编码进行船舶聚类，得到该所有船舶的至少一个分类结果。
在本发明一实施例中，S5包括：使用DBSCAN算法对该所有船舶的特征编码进行船舶类型聚类，得到该所有船舶的至少一个分类结果。
采用DBSCAN算法对所有船舶的特征编码进行聚类计算。首先，采用船舶特征向量之间的Tanimoto系数表示船舶之间的距离，然后采用DBSCAN对船舶进行聚类，获得所有船舶的分类结果。根据船舶航行轨迹特征对船舶进行类别的重新定义，例如：客货船A、B、C，普通货船D、E、F，集装箱船G、H、I，经过对船舶的特征编码的无监督聚类得到新的类别划分，得到新的划分类别：类别一(A、B、E、I)，类别二(C、G)，类别三(D，F、H)。最后判断该待预测船舶在船舶分类结果中所属的类别。
S6、基于该所有船舶的至少一个分类结果，得到该待预测船舶的预测运行轨迹。
在本发明一实施例中，S6包括：确定待预测船舶的船舶类型和该待预测船舶的当前轨迹，从该所有船舶的至少一个分类结果中查找与该待预测船舶的船舶类型相同的分类结果，将与该待预测船舶的船舶类型相同的分类结果中的船舶的运行轨迹作为该待预测船舶的候选轨迹，根据该候选轨迹和该待预测船舶的当前轨迹，得到该待预测船舶的预测运行轨迹。
在本发明一实施例中，上述根据该候选轨迹和该待预测船舶的当前轨迹，得到该待预测船舶的预测运行轨迹包括：使用基于滑动窗口的ED轨迹相似度算法，从该候选轨迹中选取目标轨迹，该目标轨迹为该待预测船舶的预测轨迹，将该待预测船舶的预测轨迹和该待预测船舶的当前轨迹进行拼接，得到该待预测船舶的预测运行轨迹。
在本发明中，根据船舶分类结果获得候选轨迹，再使用基于滑动窗口的ED轨迹相似度算法获得预测轨迹，最后与当前轨迹进行拼接从而完成预测。
首先，确认待预测船舶的信息，判断该船舶在船舶分类结果中所属的类别，获取用于轨迹预测的候选船舶(与待预测船舶的船舶类型相同的分类结果中的船舶)，根据候选船舶获取所有轨迹段作为船舶预测的候选轨迹段。具体的，获取当前待预测船舶的信息，包括船舶编号、船舶类别等，判断待预测船舶所属的类别，并获取该类别所有船舶的历史轨迹序列作为预测所需的候选轨迹段集合。
然后，使用基于滑动窗口的ED轨迹相似度算法计算当前轨迹段与候选轨迹段的相似度，取相似度最高的N个轨迹段作为待预测船舶的预测轨迹，N可以是1、2、3等等，本发明对此不做限制。具体的，获取当前待预测船舶最后一次出港的航行轨迹作为待预测轨迹段，记为轨迹段TA，任取候选轨迹集合中的候选轨迹序列作为待计算轨迹序列记为TB。由于ED算法难以处理不同长度轨迹段的相似性计算问题，创新的结合滑动窗口方法获得局部轨迹相似度，并实现两条轨迹段间的相似度计算。具体流程如下：记TA的长度为m，TB的长度为n，判断m是否大于n。若是，则从TA中倒序取n个轨迹点序列作为新的待预测轨迹序列，然后采用ED算法计算TA，TB的轨迹相似度。若否，设定滑动窗口的长度为m，从TB的第一个点开始按照滑动窗口取出窗口内的轨迹点序列TC，然后采用ED算法计算TA、TC两条轨迹的相似度，滑动窗依次向后滑动，直到满足最后一个滑动窗口的长度，最终得到n-m个局部轨迹相似度值。取相似度最小的值作为TA、TB两条轨迹的轨迹相似度。循环遍历所有候选轨迹段，计算与当前轨迹段的相似度，获得相似度最高的N个轨迹段作为待预测船舶的预测轨迹。
根据本发明实施例，从原始轨迹数据中提取出以位置特征为重点的深层航迹特征，使用DBSCAN算法进行船舶聚类，优化船舶聚类的合理性和准确性，提升了使用分类结果获得的候选预测轨迹的丰富程度，也提高了航迹预测结果的准确性与鲁棒性。可解释的预测流程及预测结果以历史轨迹段为参考，更符合船舶航行预测的实际使用需求，能够有效地解决现有轨迹预测算法的不确定性与预测异常点问题，从而对舰船航线的监控与决策提供有效的指导。
请参阅图3，图3是本发明一实施例提供的基于船舶航迹特征的船舶轨迹预测装置的结构示意图，该装置可内置于电子设备中，该装置主要包括：
获取模块310，用于获取目标海域内的所有船舶的AIS数据，该AIS数据包括该所有船舶的运行轨迹；
划分模块320，用于对该目标海域进行网格划分和编号，得到海域网格编号序列，所有该海域网格内标识有该所有船舶的运行轨迹；
第一计算模块330，用于基于该海域网格编号序列，得到该海域网格的特征编码；
整合模块340，用于将该海域网格的特征编码按照该海域网格编号序列进行整合，得到该所有船舶的特征编码；
聚类模块350，用于对该所有船舶的特征编码进行船舶聚类，得到该所有船舶的至少一个分类结果；
第二计算模块360，用于基于该所有船舶的至少一个分类结果，得到该待预测船舶的预测运行轨迹。
在本发明一实施例中，该划分模块320具体用于：
将该目标海域划分为多个海域网格；
根据每个该海域网格所在的行号和列号，对该海域网格进行编号，得到该海域网格编号序列。
在本发明一实施例中，该第一计算模块330具体用于：
将该海域网格编号序列中的海域网格编号初始化为one-hot向量；
采用CBOW算法，基于该one-hot向量，得到每个该海域网格的分布式向量表示；
对该海域网格的分布式向量表示进行向量归一化，得到该海域网格的特征编码。
在本发明一实施例中，该整合模块340具体用于：
将该海域网格的特征编码按照该海域网格序列进行整合，得到该所有船舶的轨迹特征编码；
对于该所有船舶中的每只船舶，聚合该每只船舶的轨迹特征编码，得到该所有船舶的特征编码。
在本发明一实施例中，该聚类模块350具体用于：
使用DBSCAN算法对该所有船舶的特征编码进行船舶类型聚类，得到该所有船舶的至少一个分类结果。
在本发明一实施例中，该第二计算模块360具体用于：
确定待预测船舶的船舶类型和该待预测船舶的当前轨迹；
从该所有船舶的至少一个分类结果中查找与该待预测船舶的船舶类型相同的分类结果；
将与该待预测船舶的船舶类型相同的分类结果中的船舶的运行轨迹作为该待预测船舶的候选轨迹；
根据该候选轨迹和该待预测船舶的当前轨迹，得到该待预测船舶的预测运行轨迹。
在本发明一实施例中，该根据该候选轨迹和该待预测船舶的当前轨迹，得到该待预测船舶的预测运行轨迹包括：
使用基于滑动窗口的ED轨迹相似度算法，从该候选轨迹中选取目标轨迹，该目标轨迹为该待预测船舶的预测轨迹；
将该待预测船舶的预测轨迹和该待预测船舶的当前轨迹进行拼接，得到该待预测船舶的预测运行轨迹。
请参见图4，图4示出了一种电子设备的硬件结构图。
本实施例中所描述的电子设备，包括：
存储器41、处理器42及存储在存储器41上并可在处理器上运行的计算机程序，处理器执行该程序时实现前述图1所示实施例中描述的基于船舶航迹特征的船舶轨迹预测方法。
进一步地，该电子设备还包括：
至少一个输入设备43；至少一个输出设备44。
上述存储器41、处理器42输入设备43和输出设备44通过总线45连接。
其中，输入设备43具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备44具体可为显示屏。
存储器41可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器41用于存储一组可执行程序代码，处理器42与存储器41耦合。
进一步地，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子设备中，该计算机可读存储介质可以是前述图4所示实施例中的电子设备。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1所示实施例中描述的基于船舶航迹特征的船舶轨迹预测方法。进一步地，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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全部或部分可以以软件产品的形式体现出来。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种基于船舶航迹特征的船舶轨迹预测方法、装置、电子设备及可读存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于船舶航迹特征的船舶轨迹预测方法，其特征在于，包括：
获取目标海域内的所有船舶的AIS数据，所述AIS数据包括所述所有船舶的运行轨迹；
对所述目标海域进行网格划分和编号，得到海域网格编号序列，所有所述海域网格内标识有所述所有船舶的运行轨迹；
基于所述海域网格编号序列，得到所述海域网格的特征编码；
将所述海域网格的特征编码按照所述海域网格序列进行整合，得到所述所有船舶的轨迹特征编码；
对于所述所有船舶中的每只船舶，聚合所述每只船舶的轨迹特征编码，得到所述所有船舶的特征编码；
对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果；
基于所述所有船舶的至少一个分类结果，得到待预测船舶的预测运行轨迹。
2.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述对所述目标海域进行网格划分和编号，得到海域网格编号序列包括：
将所述目标海域划分为多个海域网格；
根据每个所述海域网格所在的行号和列号，对所述海域网格进行编号，得到所述海域网格编号序列。
3.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述基于所述海域网格编号序列，得到所述海域网格的特征编码包括：
将所述海域网格编号序列中的海域网格编号初始化为one-hot向量；
采用CBOW算法，基于所述one-hot向量，得到每个所述海域网格的分布式向量表示；
对所述海域网格的分布式向量表示进行向量归一化，得到所述海域网格的特征编码。
4.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果包括：
使用DBSCAN算法对所述所有船舶的特征编码进行船舶类型聚类，得到所述所有船舶的至少一个分类结果。
5.根据权利要求1所述的船舶轨迹预测方法，其特征在于，所述基于所述所有船舶的至少一个分类结果，得到待预测船舶的预测运行轨迹包括：
确定待预测船舶的船舶类型和所述待预测船舶的当前轨迹；
从所述所有船舶的至少一个分类结果中查找与所述待预测船舶的船舶类型相同的分类结果；
将与所述待预测船舶的船舶类型相同的分类结果中的船舶的运行轨迹作为所述待预测船舶的候选轨迹；
根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹。
6.根据权利要求5所述的船舶轨迹预测方法，其特征在于，所述根据所述候选轨迹和所述待预测船舶的当前轨迹，得到所述待预测船舶的预测运行轨迹包括：
使用基于滑动窗口的ED轨迹相似度算法，从所述候选轨迹中选取目标轨迹，所述目标轨迹为所述待预测船舶的预测轨迹；
将所述待预测船舶的预测轨迹和所述待预测船舶的当前轨迹进行拼接，得到所述待预测船舶的预测运行轨迹。
7.一种基于船舶航迹特征的船舶轨迹预测装置，其特征在于，包括：
获取模块，用于获取目标海域内的所有船舶的AIS数据，所述AIS数据包括所述所有船舶的运行轨迹；
划分模块，用于对所述目标海域进行网格划分和编号，得到海域网格编号序列，所有所述海域网格内标识有所述所有船舶的运行轨迹；
第一计算模块，用于基于所述海域网格编号序列，得到所述海域网格的特征编码；
整合模块，用于将所述海域网格的特征编码按照所述海域网格序列进行整合，得到所述所有船舶的轨迹特征编码，对于所述所有船舶中的每只船舶，聚合所述每只船舶的轨迹特征编码，得到所述所有船舶的特征编码；
聚类模块，用于对所述所有船舶的特征编码进行船舶聚类，得到所述所有船舶的至少一个分类结果；
第二计算模块，用于基于所述所有船舶的至少一个分类结果，得到待预测船舶的预测运行轨迹。
8.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至6中的任一项所述的基于船舶航迹特征的船舶轨迹预测方法中的各个步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至6中的任一项所述的基于船舶航迹特征的船舶轨迹预测方法中的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211373197.4A CN115618251B (zh) | 2022-11-03 | 2022-11-03 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211373197.4A CN115618251B (zh) | 2022-11-03 | 2022-11-03 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115618251A CN115618251A (zh) | 2023-01-17 |
| CN115618251B true CN115618251B (zh) | 2024-02-06 |
Family
ID=84877097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211373197.4A Active CN115618251B (zh) | 2022-11-03 | 2022-11-03 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115618251B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116881750B (zh) * | 2023-07-05 | 2024-03-29 | 广东海洋大学 | 一种轨迹聚类方法 |
| CN117129985B (zh) * | 2023-08-28 | 2024-03-26 | 中国人民解放军91977部队 | 一种基于ais的雷达航迹生成方法及装置 |
| CN117542004B (zh) * | 2024-01-10 | 2024-04-30 | 杰创智能科技股份有限公司 | 近海人船拟合方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110134771A (zh) * | 2019-04-09 | 2019-08-16 | 广东工业大学 | 一种基于多注意力机制融合网络问答系统的实现方法 |
| CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
| CN112164247A (zh) * | 2020-09-03 | 2021-01-01 | 重庆大学 | 一种基于船舶轨迹聚类的船舶航线预测方法 |
| CN114077926A (zh) * | 2021-11-18 | 2022-02-22 | 阿里云计算有限公司 | 航行轨迹预测方法、计算机存储介质及程序产品 |
| CN114936588A (zh) * | 2022-04-18 | 2022-08-23 | 武汉理工大学 | 一种船舶轨迹聚类方法、系统、装置及存储介质 |
-
2022
- 2022-11-03 CN CN202211373197.4A patent/CN115618251B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110134771A (zh) * | 2019-04-09 | 2019-08-16 | 广东工业大学 | 一种基于多注意力机制融合网络问答系统的实现方法 |
| CN112164247A (zh) * | 2020-09-03 | 2021-01-01 | 重庆大学 | 一种基于船舶轨迹聚类的船舶航线预测方法 |
| CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
| CN114077926A (zh) * | 2021-11-18 | 2022-02-22 | 阿里云计算有限公司 | 航行轨迹预测方法、计算机存储介质及程序产品 |
| CN114936588A (zh) * | 2022-04-18 | 2022-08-23 | 武汉理工大学 | 一种船舶轨迹聚类方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115618251A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115618251B (zh) | 船舶轨迹预测方法、装置、电子设备及存储介质 | |
| Zhou et al. | Ship classification based on ship behavior clustering from AIS data | |
| CN113450596B (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| CN112132346A (zh) | 一种基于船舶类型的船舶航行轨迹预测方法 | |
| CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
| CN109218985B (zh) | 一种基于模式相似度的船舶作业行为异常检测方法及系统 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN110633353A (zh) | 一种基于集成学习的船舶类型仿冒监测方法 | |
| CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
| CN110598730A (zh) | 基于决策树的航迹关联算法 | |
| CN114066354A (zh) | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| Kim et al. | Scalable learning with a structural recurrent neural network for short-term traffic prediction | |
| CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| CN115100247A (zh) | 一种基于ais动态信息的分步预测船舶轨迹的方法 | |
| CN115512152A (zh) | 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统 | |
| CN116342657A (zh) | 一种基于编码-解码结构的tcn-gru船舶轨迹预测方法、系统、设备及介质 | |
| Eljabu et al. | Spatial clustering method of historical ais data for maritime traffic routes extraction | |
| CN114580554A (zh) | 基于轨迹特征挖掘的船舶伴随模式检测方法、系统和介质 | |
| Xu et al. | Trajectory clustering for SVR-based Time of Arrival estimation | |
| Sun et al. | Ship trajectory cleansing and prediction with historical ais data using an ensemble ann framework | |
| CN113393027B (zh) | 一种基于深度学习的航标漂移智能预测方法 | |
| Xu et al. | Improved vessel trajectory prediction model based on stacked-bigrus | |
| CN114660561A (zh) | Ais与雷达的航迹关联方法及装置 |
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 |