CN116226403A - 基于行为特征图谱的船舶动向概率连续预测方法与装置 - Google Patents
基于行为特征图谱的船舶动向概率连续预测方法与装置 Download PDFInfo
- Publication number
- CN116226403A CN116226403A CN202310224397.1A CN202310224397A CN116226403A CN 116226403 A CN116226403 A CN 116226403A CN 202310224397 A CN202310224397 A CN 202310224397A CN 116226403 A CN116226403 A CN 116226403A
- Authority
- CN
- China
- Prior art keywords
- ship
- sensitive area
- ships
- sensitive
- relation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 101150080778 INPP5D gene Proteins 0.000 claims 65
- 230000008859 change Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- FHIJMQWMMZEFBL-HLAPJUAOSA-N DISS Natural products COc1cc(C=CC(=O)OC[C@H]2O[C@H](O[C@]3(CO)O[C@H](CO)[C@@H](O)[C@@H]3OC(=O)C=Cc3cc(OC)c(O)c(OC)c3)[C@H](O)[C@@H](O)[C@@H]2O)cc(OC)c1O FHIJMQWMMZEFBL-HLAPJUAOSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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"
-
- 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
Abstract
本发明公开了基于行为特征图谱的船舶动向概率连续预测方法与装置，方法包括：获取船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；将所述特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系；构建船舶动向预测的基本数据，预测船舶与敏感区域的关系紧密或稀疏。本发明实现以船舶动向特征知识图谱的构建，来对船舶动向的预测，将方向预测转化为9方向转移概率，以此来预测船舶存在概率变化。
Description
技术领域
本发明属于船舶动向预测技术领域，尤其涉及基于行为特征图谱的船舶动向概率连续预测方法与装置。
背景技术
随着岸基/船基AIS、卫星遥感、天基物联、电磁频谱，以及网络舆情等信息感知手段的广泛应用，海上船舶的观测数据愈加丰富，为船舶动向分析以及动向预测提供了海量数据支撑。通过从各类感知手段中获取船舶信息，分析船舶的行为特点得到船舶特征，建立船舶行为知识图谱，并基于此构建船舶动向的连续预测模型，能够应用于对海上重点目标的多手段接续引导和预测位置验证，维护海上应急事件与安全。
现阶段对于船舶动向预测的模型大都是对时空中离散的点位进行预测如非专利文献“基于滑动窗口LSTM网络的船舶航迹预测”(王余宽等.上海海事大学学报.043-1(2022))，根据一个阶段T0的观测数据积累，预测目标下一阶段T1的轨迹点位，这种预测是阶段、离散式的(空间是离散的，预测结果为单点或多点；时间也是离散的，预测结果存在时间间隔)，导致预测结果不佳或者无法在高时效要求的场景下应用(比如利用AIS、舆情、电磁频谱等手段的数据融合来引导天基遥感手段对目标的连续跟踪与位置验证)。
此外，现有方法分析与预测大都只使用单一来源的数据(以AIS为主)，如非专利文献“基于AIS的船舶轨迹分析的研究与应用”(杨博辰.DISS.电子科技大学),缺少对多源数据的使用，而多源数据的使用在空间范围、时间范围、时效性、分辨率、被观测对象的表现形式等维度的尺度一致性要求较高，比如在数据融合之前，主流方法是从各数据源中将目标对象进行提取，明确目标对象的位置和观测时间，在此基础上再开展基于时间、空间重叠阈值的目标匹配和验证。导致时效性差、观测分辨率低的数据难以与时效性高、观测分辨率高的数据进行融合匹配。
此外，目前船舶动向预测方法中大都直接对船舶轨迹数据直接建模，如非专利文献“一种并行LSTM-FCN模型在船舶航迹预测中的应用”(胡丹等.控制与决策.37.8(2022):7)，缺少船舶航行中各要素对航迹的影响，如航道、关键节点、航行目的地等要素都对船舶的航行起着重要作用，同时这些方法往往要做归一化、标准化等处理，进一步弱化了数据中的时间、空间等特征，导致模型往往构建的是船舶航行的“局部”特征，缺少“全局”要素的建模，因此预测结果也会快速失灵。
发明内容
有鉴于此，本发明设计了基于格网的船舶存在概率连续预测模型，将离散的预测点位变为连续的船舶存在概率分布，支持形成对目标的连续预测，随着持续的验证观测数据“灌入”模型，利用概率格网保证预测结果(位置，时间)的连续变化；设计了基于多源数据船舶行为特征提取，引入行为特征，通过将船舶信息投射到地图格网计算历史数据对当前预测的定量贡献度，有效解决由于多维度观测尺度不一致导致融合难的问题，和实时数据获取时延高导致难以及时应用，造成数据浪费的问题；设计了基于船舶行为知识图谱动向预测方法，其通过挖掘船舶航线中的敏感区域，以及船舶、区域之间的交互关系，构建船舶动向特征知识图谱的，基于知识图谱实现对船舶动向的预测，增强了航行中各要素对船舶轨迹预测的作用。
本发明第一方面公开的基于行为特征图谱的船舶动向概率连续预测方法，包括以下步骤：
从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；
将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；
构建船舶动向预测的基本数据包括船舶数据集U，以及敏感区域数据集V，船舶数据表示为u∈U，敏感区域表示为v∈V，船舶敏感区交互集合表示为Y∈Rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；预测船舶u与敏感区域v的交互概率
当/>
且/>
趋近于1时，表示船舶u与敏感区域v的关系紧密，反之
且/>
趋近于0时表示船舶u与敏感区域v的关系稀疏。
进一步的，所述将所述船舶轨迹信息投影至网格地图，包括：
通过CNN或Transformer算法从天基遥感、网络舆情、AIS的各类数据中提取船舶轨迹信息，将船舶信息投影至地图格网，通过将船舶轨迹信息离散化为经纬度轨迹点再将轨迹点计入其经纬度所对应的地图网格，再统计每个网格中轨迹点数，得到船舶的常用航道；
使用经纬网将全球海陆地图分割为1°×1°的格网,并将所有陆地区域赋值为0，所有海上区域及同时含有陆地有海面的区域赋值为1，将实际地理坐标为西经180，北纬90度的网格定义为左上顶点设其格网坐标为(0，0)，其他网格向右、向下依次递加；进一步为每个格网编号，规则为若格网坐标为(a，b)，则编号为a×360+b；根据以上规则得到的结果，设1为连通，0为不联通，则将全球地图转化为包含360×180个节点的连通图。
进一步的，所述敏感区域的计算包括：对船舶出现的高频点位进行筛选，并利用k近邻算法将相邻的高频点位聚类，得到多个敏感区域。
进一步的，敏感区域重要系数的计算包括：不同的敏感区域船舶的访问频次是不同的，基于其进船与出船频次得到其重要系数。
进一步的，敏感区域间交互关系如下计算：计算敏感区域之间的船舶的交通流量，如果某船舶由敏感区A驶出进入敏感区B则增加A到B的交互权重，对所有船只的交通流量数据重复此操作，得到敏感区域之间的交互关系。
进一步的，船舶与敏感区域交互关系：根据敏感区域重要系数、敏感区域间交互关系计算特定船舶在各个敏感区域的访问情况，得到船舶与敏感区域的交互关系，补充单个船舶的局部特征。
进一步的，船舶间的伴随关系为：当n个船舶在半径为R的区域内，同时出现的时间超过T，则这n个船舶存在伴随关系，并计算船舶间累计的伴随时长确定伴随关系的强弱。
进一步的，使用三元组结构进行船舶行为知识图谱的表示，即G＝(E,R,S)，其中E代表了知识图谱的实体集合，包括船舶、敏感区域；R是知识图谱中的关系集合，包括频繁出入、长期伴随、交互密切；S代表知识图谱中的三元组集合，对于S的形式以(实体、关系、实体)即(h,r,t)表示，其中h为头部实体，r为关系，t为尾部实体；
船舶动向的预测函数表示为：
其中，
代表船舶u与敏感区域v的交互概率，θ表示函数的模型参数，Y为船舶敏感区域的交互矩阵，G为船舶行为知识图谱。
进一步的，在构建好的格网的连通图中，根据船的大小、船速、吃水特征将各类情报与预测的离散信息投影到由当前位置、目的地、航速、航向组成的特征空间，根据这些特征以及基于知识图谱的预测结果得到船舶从T0时刻网格转移到其上、下、左、右，上左、上右、下左、下右相邻格网，以及停留在当前格网的概率即方向概率矩阵，通过将船舶当前位置的概率乘以方向概率矩阵，即得到T1时刻船舶在网格出现概率，再以此不断以九个方向扩散得到T2到TN时刻船舶的出现概率，即在连通图中得到概率最大的船舶航线，以及每一时刻船舶在网格中出现的概率。
本发明第二方面公开的基于行为特征图谱的船舶动向概率连续预测装置，包括：
数据提取模块：从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；
知识图谱构建模块：将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；
船舶动向预测模块：构建船舶动向预测的基本数据包括船舶数据集U，以及敏感区域数据集V，船舶数据表示为u∈U，敏感区域表示为v∈V，船舶敏感区交互集合表示为Y∈Rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；当yuv∈Y且yuv趋近于1时，表示船舶u与敏感区域v的关系紧密，反之yuv∈Y且yuv趋近于0时表示船舶u与敏感区域v的关系稀疏。
本发明的有益效果如下：
1)通过分析多源船舶感知数据挖掘隐含的敏感区域，以及船舶、区域之间的交互关系，实现以船舶动向特征知识图谱的构建。
2)基于船舶动向特征知识图谱构建船舶动向预测模型，实现对船舶动向的预测。
3)将船舶航行轨迹投影至格网图中，将方向预测转化为9方向转移概率，以此来预测船舶存在概率变化。
附图说明
图1船舶轨迹特征投影示意图；
图2本发明的基于行为特征图谱的船舶动向概率预测方法流程图；
图3敏感区域交互特征图；
图4格网分布概率预测结果中某一时刻的概率矩阵；
图5格网分布概率预测结果中的航行特征。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
本发明公开的基于行为特征图谱的船舶动向概率连续预测方法，包括以下步骤：
(一)基于多源数据船舶行为特征提取
船舶的航行轨迹中隐含着丰富的海上航线知识，包括航行规律、常用航线，以及特征船舶的行为特征等，本发明通过将AIS、天基遥感、网络舆情等各类数据投影至网格地图，再对数据进行空间分析，得到船舶的敏感区域、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的交互关系等特征，具体如下：
1.多源数据格网投影：通过CNN、Transformer等相应的算法从天基遥感、网络舆情、AIS的各类数据中提取船舶轨迹信息，将船舶信息投影至地图格网，通过将船舶轨迹信息离散化为经纬度轨迹点再将轨迹点计入其经纬度所对应的地图网格，再统计每个网格中轨迹点数，即可得到船舶的常用航道，如图1。
2.敏感区域：船舶会在其任务中重要的地点(起始点、终止点、任务点、航迹重要转折点等)增长停留时间轨迹的，在数据上的体现即为出现频率增加，此类敏感区域出现的频率会为普通区域的百倍、千倍以上，据此对船舶出现的高频点位进行筛选，并利用k近邻算法将相邻的高频点位聚类，得到40余个敏感区域。
3.敏感区域重要系数：不同的敏感区域船舶的访问频次是不同的，基于其进船与出船频次可以初步获得其重要程度如图3，横坐标为敏感区域的标号，纵坐标为频次，图左为进船频次统计，图右为船频次统计。
4.敏感区域间交互关系：敏感区域为船舶轨迹上的重要节点，通过计算敏感区域之间的船舶的交通流量，如某船舶由敏感区A驶出进入敏感区B则增加A到B的交互权重，通过对大量数据重复此操作可得到敏感区域之间的交互关系，用于支撑下文中知识图谱的构建，以及船舶概率分布的计算。
5.船舶与敏感区域交互关系：敏感区域重要系数、敏感区域间交互关系都属于全局的关系参数，是对包含大量数据的船舶轨迹集合做概率统计分析得到的，其中包含特征强化了船舶类的集体特征，弱化了船舶个体的特异性，据此计算特定船舶在各个敏感区域的访问情况得到船舶与敏感区域的交互关系，补充单个船舶的局部特征。
6.船舶间的伴随关系：除了与敏感区域的关系，由于船舶在海上执行任务存在协同工作、功能补充等情况，船舶之间也存在着伴随关系，据此当n个船舶在半径为R的区域内，同时出现的时间超过T，则记这n个船舶存在伴随关系，通过计算船舶间累计的伴随时长确定伴随关系的强弱。
(二)船舶行为知识图谱构建及动向预测
对于船舶的行为预测，需要对船舶的历史行为数据进行分析，提取出其行为特征，并结合时空特征，构建出船舶的时空行为图谱。为此通过基于多源数据船舶行为特征提取对AIS行为知识库、网络舆情知识库、天基情报知识库等信息进行特征挖掘，获取了40余个敏感活跃区域，以及其相互之间的交互关系，基于此进一步将船舶、敏感区域等要素，通过敏感区域间交互关系、船舶与敏感区域交互关系、船舶间的伴随关系等关系连接，形成一个包含船、地之间多种关系的船舶的行为知识图谱，以此做为海上船舶动向预测的基础。
船舶行为知识图谱是一种带有语义信息的异构网络拓扑结构。由实体作为网络结构的节点包含各个船舶、敏感区域等，节点之间的边代表了实体之间的语义关系包含敏感区域间交互关系、.船舶与敏感区域交互关系、船舶间的伴随关系等关系连接等。使用三元组结构进行知识图谱的表示，即G＝(E,R,S)，其中E代表了知识图谱的实体集合(船舶、敏感区域等)；R是知识图谱中的关系集合(频繁出入、长期伴随、交互密切等)；S代表知识图谱中的三元组集合。对于S的形式以(实体、关系、实体)即(h,r,t)表示。其中h为头部实体，r为关系，t为尾部实体。实体作为知识图谱中的节点数据，是知识图谱的最基本元素，不同实体之间的边代表了实体之间的关系。每个实体可用一个全局唯一确定的ID来表示。
在对船舶动向预测时的基本数据包括船舶数据集U，以及敏感区域数据集V。船舶数据可以表示为u∈U，敏感区域可以表示为v∈V。船舶敏感区交互集合可以表示为Y∈Rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数。预测船舶u与敏感区域v的交互概率
当/>
且/>
趋近于1时，表示船舶u与敏感区域v的关系紧密，反之/>
且/>
趋近于0时表示船舶u与敏感区域v的关系稀疏。据此对于船舶动向的预测函数表示为：
(三)基于格网的船舶存在概率连续预测模型
卫星遥感、AIS、互联网所获得的情报往往都是离散的，船舶动向预测模型的预测结果是目的地或者航行方向，这些信息在时间维度上都是散点式，缺乏过程性的信息，为了将离散的船舶信息连续化，弥补过程的缺失需要构建了基于船舶特征的格网概率预测模型。
首先使用经纬网将全球海陆地图分割为1°×1°的格网,并将所有陆地区域赋值为0，所有海上区域及同时含有陆地有海面的区域赋值为1，将实际地理坐标为西经180，北纬90度的网格定义为左上顶点设其格网坐标为(0，0)，其他网格向右、向下依次递加，如下图。进一步为每个格网编号，规则为若格网坐标为(a，b)，则编号为a×360+b。根据以上规则得到的结果，设1为连通，0为不联通，则将全球地图转化为包含360×180个节点的连通图。
格网的连通图构建好后，再根据船的大小、船速、吃水等基本特征将各类情报与预测的离散信息投影到由当前位置、目的地、航速、航向组成的特征空间，根据这些特征以及基于知识图谱的预测结果就可以得到船舶从当前(T0时刻)网格转移到其上、下、左、右，上左、上右、下左、下右相邻格网，以及停留在当前格网的概率即方向概率矩阵(9方向转移概率)，通过将船舶当前位置的概率(T0时刻概率一般为1)乘以方向概率矩阵即得到下一时刻(T1)船舶在网格出现概率，再以此不断以九个方向扩散得到T2一直到TN时刻船舶的出现概率，即可在连通图中寻找到概率最大的船舶航线，以及每一时刻船舶在网格中出现的概率。
根据上述的流程就可以“过程式”的计算船舰每一时刻在地表空间出现的分布矩阵(如图4)，以及在情报缺失情况下的航行特征(如图5)。
本发明将目标船舶的位置、情报信息投影至网格，将基于知识图谱的动向预测结果转化为方向概率矩阵，通过方向概率矩阵实现船舶出现概率在网格上的连续预测以及空间概率分布的表达。
本发明还公开来基于行为特征图谱的船舶动向概率连续预测装置，包括：
数据提取模块：从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；
知识图谱构建模块：将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；
船舶动向预测模块：构建船舶动向预测的基本数据包括船舶数据集U，以及敏感区域数据集V，船舶数据表示为u∈U，敏感区域表示为v∈V，船舶敏感区交互集合表示为Y∈Rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；预测船舶u与敏感区域v的交互概率
当/>
且/>
趋近于1时，表示船舶u与敏感区域v的关系紧密，反之/>
且/>
趋近于0时表示船舶u与敏感区域v的关系稀疏。
本发明的有益效果如下：
1)通过分析多源船舶感知数据挖掘隐含的敏感区域，以及船舶、区域之间的交互关系，实现以船舶动向特征知识图谱的构建。
2)基于船舶动向特征知识图谱构建船舶动向预测模型，实现对船舶动向的预测。
3)将船舶航行轨迹投影至格网图中，将方向预测转化为9方向转移概率，以此来预测船舶存在概率变化。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。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，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，包括以下步骤：
从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；
将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；
构建船舶动向预测的基本数据包括船舶数据集U，以及敏感区域数据集V，船舶数据表示为u∈U，敏感区域表示为v∈V，船舶敏感区交互集合表示为Y∈Rm×n，为m个船舶与n个敏感区域相关系数；预测船舶u与敏感区域v的交互概率
当/>
且/>
趋近于1时，表示船舶u与敏感区域v的关系紧密，反之/>
且/>
趋近于0时表示船舶u与敏感区域v的关系稀疏。
2.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，所述将所述船舶轨迹信息投影至网格地图，包括：
通过CNN、Transformer算法从天基遥感、网络舆情、AIS的各类数据中提取船舶轨迹信息，将船舶信息投影至地图格网，通过将船舶轨迹信息离散化为经纬度轨迹点再将轨迹点计入其经纬度所对应的地图网格，再统计每个网格中轨迹点数，得到船舶的常用航道；
使用经纬网将全球海陆地图分割为1°×1°的格网,并将所有陆地区域赋值为0，所有海上区域及同时含有陆地有海面的区域赋值为1，将实际地理坐标为西经180，北纬90度的网格定义为左上顶点设其格网坐标为(0，0)，其他网格向右、向下依次递加；进一步为每个格网编号，规则为若格网坐标为(a，b)，则编号为a×360+b；根据以上规则得到的结果，设1为连通，0为不联通，则将全球地图转化为包含360×180个节点的连通图。
3.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，所述敏感区域的计算包括：对船舶出现的高频点位进行筛选，并利用k近邻算法将相邻的高频点位聚类，得到多个敏感区域。
4.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，敏感区域重要系数的计算包括：不同的敏感区域船舶的访问频次是不同的，基于其进船与出船频次得到其重要系数。
5.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，敏感区域间交互关系如下计算：计算敏感区域之间的船舶的交通流量，如果某船舶由敏感区A驶出进入敏感区B则增加A到B的交互权重，对所有船只的交通流量数据重复此操作，得到敏感区域之间的交互关系。
6.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，船舶与敏感区域交互关系：根据敏感区域重要系数、敏感区域间交互关系计算特定船舶在各个敏感区域的访问情况，得到船舶与敏感区域的交互关系，补充单个船舶的局部特征。
7.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，船舶间的伴随关系为：当n个船舶在半径为R的区域内，同时出现的时间超过T，则这n个船舶存在伴随关系，并计算船舶间累计的伴随时长确定伴随关系的强弱。
8.根据权利要求1所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，使用三元组结构进行船舶行为知识图谱的表示，即G＝(E,R,S)，其中E代表了知识图谱的实体集合，包括船舶、敏感区域；R是知识图谱中的关系集合，包括频繁出入、长期伴随、交互密切；S代表知识图谱中的三元组集合，对于S的形式以(实体、关系、实体)即(h,r,t)表示，其中h为头部实体，r为关系，t为尾部实体；
船舶动向的预测函数表示为：
其中，
代表船舶u与敏感区域v的交互概率，θ表示函数的模型参数，Y为船舶敏感区域的交互矩阵，G为船舶行为知识图谱。
9.根据权利要求8所述的基于行为特征图谱的船舶动向概率连续预测方法，其特征在于，在构建好的格网的连通图中，根据船的大小、船速、吃水特征将各类情报与预测的离散信息投影到由当前位置、目的地、航速、航向组成的特征空间，根据这些特征以及基于知识图谱的预测结果得到船舶从T0时刻网格转移到其上、下、左、右，上左、上右、下左、下右相邻格网，以及停留在当前格网的概率即方向概率矩阵，通过将船舶当前位置的概率乘以方向概率矩阵，即得到T1时刻船舶在网格出现概率，再以此不断以九个方向扩散得到T2到TN时刻船舶的出现概率，即在连通图中得到概率最大的船舶航线，以及每一时刻船舶在网格中出现的概率。
10.基于行为特征图谱的船舶动向概率连续预测装置，其特征在于，包括：
数据提取模块：从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；
知识图谱构建模块：将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；
船舶动向预测模块：构建船舶动向预测的基本数据包括船舶数据集U，以及敏感区域数据集V，船舶数据表示为u∈U，敏感区域表示为v∈V，船舶敏感区交互集合表示为Y∈Rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；预测船舶u与敏感区域v的交互概率
当/>
且/>
趋近于1时，表示船舶u与敏感区域v的关系紧密，反之/>
且/>
趋近于0时表示船舶u与敏感区域v的关系稀疏。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224397.1A CN116226403A (zh) | 2023-03-09 | 2023-03-09 | 基于行为特征图谱的船舶动向概率连续预测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224397.1A CN116226403A (zh) | 2023-03-09 | 2023-03-09 | 基于行为特征图谱的船舶动向概率连续预测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116226403A true CN116226403A (zh) | 2023-06-06 |
Family
ID=86584198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310224397.1A Pending CN116226403A (zh) | 2023-03-09 | 2023-03-09 | 基于行为特征图谱的船舶动向概率连续预测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-03-09 CN CN202310224397.1A patent/CN116226403A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors | |
| Liu et al. | Adaptive douglas-peucker algorithm with automatic thresholding for AIS-based vessel trajectory compression | |
| CN110210352B (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| You et al. | St-seq2seq: A spatio-temporal feature-optimized seq2seq model for short-term vessel trajectory prediction | |
| Tsou | Discovering knowledge from AIS database for application in VTS | |
| CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
| CN110889198B (zh) | 一种基于多因素联合学习的航位概率分布预测方法及系统 | |
| Lee et al. | Maritime traffic route detection framework based on statistical density analysis from AIS data using a clustering algorithm | |
| Wang et al. | Extraction of maritime road networks from large-scale AIS data | |
| CN116226403A (zh) | 基于行为特征图谱的船舶动向概率连续预测方法与装置 | |
| Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
| Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
| Zhang et al. | Vessel trajectory online multi-dimensional simplification algorithm | |
| Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
| Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak douglas–peucker algorithm | |
| CN112669571B (zh) | 一种基于三维gis的实时滑坡预测预警系统 | |
| Wu et al. | A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data | |
| CN111047107A (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
| Ducruet | Maritime flows and networks in a multidisciplinary perspective | |
| Lu et al. | A Novel CNN-LSTM Method for Ship Trajectory Prediction | |
| Li et al. | The parallel and precision adaptive method of marine lane extraction based on QuadTree | |
| Zhang et al. | Density-weighted ant colony algorithm for ship trajectory reconstruction | |
| Liu et al. | Mct-tte: travel time estimation based on transformer and convolution neural networks | |
| Pan et al. | Research on Ship Arrival Law Based on Route Matching and Deep Learning |
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 |