CN116978259A - 一种船舰航行轨迹预测方法、装置及存储介质 - Google Patents
一种船舰航行轨迹预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116978259A CN116978259A CN202310728852.1A CN202310728852A CN116978259A CN 116978259 A CN116978259 A CN 116978259A CN 202310728852 A CN202310728852 A CN 202310728852A CN 116978259 A CN116978259 A CN 116978259A
- Authority
- CN
- China
- Prior art keywords
- navigation
- time
- track
- ship
- route
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 230000004931 aggregating effect Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Abstract
一种船舰航行轨迹预测方法、装置及存储介质,属于数据识别技术领域,包括步骤S1:在监测区域内等间隔绘制横向网格线,获取监测区域内的历史航行数据;步骤S2:对航行轨迹进行聚合,获得多组航线集合,获取航行轨迹中船舰在相邻横向网格线之间的标准航行时间;步骤S3:建立第一预测模型和第二预测模型,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与标准航行时间相匹配,则使用第一预测模型对船舰航行轨迹进行预测,否则,使用第二预测模型对船舰航行轨迹进行预测。通过本发明可以识别出正常状态和异常状态的船舰,从而将其分别分配至不同的模型中进行预测,从而提升对船舰航线路线预测的准确率。
Description
技术领域
本发明属于数据识别技术领域,具体涉及一种船舰航行轨迹预测方法及系统。
背景技术
船舰轨迹预测技术是指基于船舰的历史轨迹预测其未来将要航行轨迹,通过船舰未来的行驶轨迹进行预测,一方面可以避免在海上行驶的船舰发生碰撞,保障船舰航行安全,提高海上航行效率,另一方面,可以及时发现靠近海港口岸船舰的异常行为,从而及时对船舰进行监测,进而提升港口海岸的危险预警能力。
目前常用船舶自动识别系统AIS获取船舰信息和船舰位置,现有技术中通常使用AIS数据结合数据挖掘、神经网络技术对船舰未来的航行轨迹进行预测,如中国专利申请“CN110070565B”公开了一种基于图像叠加的船舶轨迹预测方法,通过用视频拍摄下船舶的海上航行,提取视频中的每一帧的序列图,然后将预设时间段内的每一帧的图像进行叠加压缩,提取图像中到的特征信息和轨迹信息,重复多次。最后使用卡尔曼滤波进行预测,从而根据船舰过去时间的航行轨迹预测未来时间的航行轨迹,又例如中国专利申请“CN112132346A”公开了一种基于船舶类型的船舶航行轨迹预测方法,通过获取待预测船舶的AIS数据,根据预先划分的海域网格,将航行轨迹点序列转化为海域网格编号序列;基于船舶类型和船舶类型字典矩阵,确定待预测船舶的船舶类型特征向量,最后将海域网格编号序列以及船舶类型特征矩阵输入序列到序列模型,获取预测结果序列,在确定预测结果序列中的各个海域网格的中心点的经纬度坐标后,就可以针对不同类型的船舶生成不同的轨迹预测结果;然而,上述现有技术在进行船舰路线预测时,并未结合船舶的行驶速度因素对船舰的行驶状态进行判断分类,当船舰以异常速度行驶时,表明船舰的状态异常,异常状态的船舰可能不会沿着固有路线行驶,因此这个因素的存在会大大影响模型对船舰轨迹预测的准确性。
发明内容
为解决上述问题,本发明提供了一种船舰航行轨迹预测方法及系统,以解决现有技术中异常行为的船舰会对模型预测准确度产生影响的问题。
为了达到上述的发明目的,本发明提出一种船舰航行轨迹预测方法,包括:
步骤S1:确定监测区域,在所述监测区域内等间隔绘制n条横向网格线,相邻所述横向网格线间隔第一距离,将所述监测区域内的所述横向网格线编号为D1,D2,…,Dk,在目标舰船进入所述监测区域后,基于目标舰船类型,获取所述监测区域内的历史航行数据,所述历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,在所述监测区域内建立坐标系,获取每个所述定位点的定位时间和坐标;
步骤S2:对航行轨迹进行聚合,获得多组航线集合,基于所述定位点获取每条航行轨迹中船舰在相邻所述横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号所述横向网格线的航行时间划分至同一个所述第一数据集内,获取所述第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将所述第一数据集内所有航行时间的平均值作为目标船舰在两个所述横向网格线之间的标准航行时间;
步骤S3:建立第一预测模型和第二预测模型,对每组所述航线集合进行融合,获得标准航行区域,监测目标船舰在前I个所述横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与所述标准航行时间相匹配,则使用所述第一预测模型对船舰航行轨迹进行预测,否则,使用所述第二预测模型对船舰航行轨迹进行预测。
进一步的,所述步骤S2中,对航行轨迹进行聚合包括以下步骤:
步骤S21:将所述监测区域内所有航行轨迹编码为A1,A2,…,An,选取航行轨迹A1,将航行轨迹A1与航行轨迹A2,…,An对比,获取航线轨迹A1与航行轨迹A2,…,An的相似度,将相似度大于等于第一判断阈值的航线轨迹划分至第一初始分组内,继续选取航行轨迹A2与航行轨迹A1,A3,…,An的相似度,将相似度大于等于所述第一判断阈值的航线轨迹划分至第二初始分组内,重复本步骤,直至完成对航行轨迹An的处理;
步骤S22:将所述第一初始分组与其余各个初始分组进行对比,若所述第一初始分组与对比的初始分组包含至少m个相同航行轨迹,则将对比的初始分组合并至所述第一初始分组内,将合并后的所述第一初始分组重新与各个初始分组进行对比,将对比完成的所述第一初始分组定义为航线集合,重复本步骤,继续对所述第二初始分组至第n初始分组进行处理,以获取其余航线集合;
步骤S23:对所有航线集合进行筛选,若航线集合内的航行轨迹数量小于等于P,则将该航行集合删除。
进一步的,判断两条航行轨迹的相似度包括以下步骤:
将每条航行轨迹与所述横向网格线相交的位置定义为对比点,基于第一公式计算两条航行轨迹的相似度μ,第二公式为:其中,/>和/>为对比的两条航行轨迹中,第一条航行轨迹和第二条航行轨迹第i个所述对比点的横坐标。
进一步的,对航行轨迹进行融合,获得所述标准航行区域包括以下步骤:
建立第二数据集,将同一航线集合内包括相同纵坐标的所述对比点划分至同一个所述第二数据集内,计算所述第二数据集内各个所述对比点横坐标的差值,筛选并记录横坐标差值最大时所对应的两个所述对比点,将横坐标较小的所述对比点定义为第一边界点,横坐标较大的所述对比点定义为第二边界点,将每个所述第二数据集筛选出的所述第一边界点依次连接,获得第一边界线,所述第二边界点依次连接,获得第二边界线,将位于所述第一边界线和所述第二边界线之间的区域设置为所述标准航行区域。
进一步的,计算每条航行轨迹在所有相邻所述横向网格线之间的航行间隔包括以下步骤:
设定第二距离,定义所述定位点与所述横向网格线之间的最短距离为第三距离,将所述第三距离小于等于所述第二距离的定位点定义为基点,设定第二数值范围,若两个所述基点位于同一航线轨迹内、且其之间的位置间隔小于等于所述第二数值范围,则获取两个所述基点之间的时间间隔,将该时间间隔记为表示产生航行轨迹k的船舰在所述横向网格线Dx-1和所述横向网格线Dx之间的航行时间。
进一步的,判断实际航行时间与所述标准航行时间是否相匹配包括以下步骤:
获取目标船舰在前I个所述横向网格线内、每个所述横向网格线内实际行驶时间与所述标准行驶时间的时间比值q1,q2,…,qI,依次计算相邻时间比值之和,获得时间比值的评价数值λ1,λ2,…,λI-1,计算所有评价数值的方差,若评价数值的方差在第三数值范围内,则将实际航行时间与所述标准航行时间相匹配设置为匹配。
本发明还提供一种船舰航行轨迹预测装置,该装置用于实现上述一种船舰航行轨迹预测方法,该系统包括:
采集模块,包括数据采集模块和坐标采集模块,所述数据采集模块用于获取监测区域内的历史航行数据,所述历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,所述坐标采集模块用于在所述监测区域内建立坐标系,以获取每个所述定位点的定位时间和坐标;
计算模块,包括聚合模块和航行时间计算模块,所述聚合模块对航行轨迹进行聚合,获得多组航线集合,所述航行时间计算模块基于所述定位点获取每条航行轨迹中船舰在相邻所述横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号所述横向网格线的航行时间划分至同一个所述第一数据集内,获取所述第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将所述第一数据集内所有航行时间的平均值作为目标船舰在两个所述横向网格线之间的标准航行时间;
融合模块,对每组航线集合进行融合,获得标准航行路线;
预测模块,包括第一预测模型和第二预测模型,所述预测模块获取目标船舰的类型,监测目标船舰在前I个所述横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与所述标准航行时间相匹配,则使用所述第一预测模型对船舰航行轨迹进行预测,否则,使用所述第二预测模型对船舰航行轨迹进行预测。
发明还提供一种存储介质,存储介质存储有程序指令,其中,在程序指令运行时控制存储介质所在设备执行上述的一种船舰航行轨迹预测方法。
与现有技术相比,本发明的有益效果至少如下所述:
本发明首先设置监测区域,并将过往船舰的航行轨迹绘制在监测区域内,在此基础上,将监测区域划分为多个横向网格,并基于多个航行轨迹计算目标船舰在相邻横向网格线之间的标准行驶时间;在目标舰船进入监测区域后,通过将目标舰船在横向网格线之间的实际行驶时间与标准行驶时间进行对比,从而判断目标舰船是否出现异常状态,若目标舰船出现异常状态,则将该船舰分配至第二预测模型内,使得第一预测模型只针对正常的船舰进行预测,从而提升了对船舰路线预测准确度;通过本发明可以识别出正常状态和异常状态的船舰,从而将其分别分配至不同的模型中进行预测,从而提升对船舰航线路线预测的准确率。
附图说明
图1为本发明一种船舰航行轨迹预测方法的步骤流程图;
图2为本发明监测区域的原理示意图;
图3为本发明一种船舰航行轨迹预测装置的结构图;
图4为本发明采集模块的采集原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,一种船舰航行轨迹预测方法,包括:
步骤S1:确定监测区域,在监测区域内等间隔绘制n条横向网格线,相邻横向网格线间隔第一距离,将监测区域内的横向网格线编号为D1,D2,…,Dk,在目标舰船进入监测区域后,基于目标舰船类型,获取监测区域内的历史航行数据,历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,在监测区域内建立坐标系,获取每个定位点的定位时间和坐标;
监测区域为监控船舰行驶轨迹的区域,如图2所示,将监控区域绘制8条横向网格线,在本实施例中,以横轴为经度,纵轴为纬度建立坐标系;本发明中通过AIS数据库获取监控区域内已经通过船舰的航行轨迹,航行轨迹中的定位点为通过AIS设备定位的船舰位置,每个定位点包括船舰的船舶编号、吃水深度、速度、船首向、船舶类型等信息。
步骤S2:对航行轨迹进行聚合,获得多组航线集合,基于定位点获取每条航行轨迹中船舰在相邻横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号横向网格线的航行时间划分至同一个第一数据集内,获取第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将第一数据集内所有航行时间的平均值作为目标船舰在两个横向网格线之间的标准航行时间;
上述步骤中,船舰在相邻横向网格线之间的航行时间是指,船舰从上一个横向网格线的位置行驶到下一个横向表格线位置的时间,如图2中,船舰从横向网格线D4行驶到横向网格线D3所需要到的时间;对航行轨迹进行聚合是指,将相似度较高的航行轨迹划分至同一个集合内,航行轨迹的相似度较高表明,两个航行轨迹在监测区域的行驶位置、航行走势接近,如图中的航行轨迹A1、A2和A3。
针对相邻横向网格线之间的航行时间,现有技术中一般是根据船舰的类型设定其平均行驶速度,然后再结合两个横向网格线之间的距离计算在其中的行驶时间,然而该行驶时间是理想化的,受海洋气象因素的影响,船舰的行驶速度总是时刻变化的,因此船舰在各个相邻横向网格线之间的行驶时间在不同时刻也不尽相同,因此本发明在接近目标船舰出现时间段的其它船舰在横向网格线行驶时间,计算出其它船舰在航行时间作为标准行驶时间,从而提升标准行驶时间设置的合理性和准确性。
在此基础上,本发明通过聚合将航行轨迹相似的航行轨迹聚合至有一个集合内,之后,基于航行轨迹计算该航行轨迹船舰在相连两个横向网格线之间的行驶时间,如基于航行轨迹A1计算船舰从横向网格线D9行驶到D8、D8行驶到D7等所需时间;由于航行轨迹A2与航行轨迹A1位于同一个集合内,因此基于航行轨迹A2继续计算船舰在各个横向网格线之间的行驶时间;最后,将同一集合内各个横向网格线的行驶时间综合计算,如对于横向网格线D9和D8之间的行驶时间,航行轨迹A1、A2和A3的行驶时间分别为t1,t2,t3,那么就计算t1,t2,t3三个数据的方差,若方差在预设范围内,表明三个数据之间的波动量较少,此时就将t1,t2,t3的平均值作为船舰从横向网格线D9行驶到D8的标准航行时间。
步骤S3:建立第一预测模型和第二预测模型,对每组航线集合进行融合,获得标准航行区域,监测目标船舰在前I个横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与标准航行时间相匹配,则使用第一预测模型对船舰航行轨迹进行预测,否则,使用第二预测模型对船舰航行轨迹进行预测。
对航线集合进行融合是指,将同一航线集合内所有航行轨迹进行整合,形成具有覆盖性的航行区域,若船舰在该航行区域内行驶,表明船舰未偏离标准航行路线;在对船舰进行航迹预测时,首先获取待预测船舰在前I个横向网格线的实际行驶路线和实际航行时间,若I为4,那么就获取前4个横向网格线,即图中的D9至D5的航行轨迹,若该航行轨迹落入至标准航行区域内,表明该船舰在这段时间内沿着标准路线正常行驶,那么在下一个时间段内,船舰可能会继续沿着标准路线行驶,在此基础上,获取船舰在横向表格线D10至D9、D9至D8、D8至D7、D7至D6的实际行驶时间T1,T2,T3,T4,若实际行驶时间T1,T2,T3,T4与标准行驶时间相匹配,则表明该船舰为正常行驶船舰;若实际行驶时间T1,T2,T3,T4与标准行驶时间不匹配,则表明船舰虽然沿着标准路线行驶,但出现了异常行驶速度,表明该船舰可能为保证到达目的地的时间,在后期选择更近的航行路线进行行驶。
因此,当使用第一预测模型预测船舰航行轨迹时,第一预测模型会获取船舰信息,根据船舰信息获取标准航行路线,将标准航行路线作为船舰未来航线路径;当使用第二预测模型预测船舰航行轨迹时,第二预测模型会根据船舰历史轨迹预测船舰的行驶目的地,并结合海洋气象等因素,将船舰最快到达目的的航线作为预测路线,第二预测模块可基于深度学习、神经网络等现有技术构建,此处不再赘述。
尤为注意的是,本发明通过对船舰的行驶速度进行判断,从而将行驶速度异常的船舰使用专有预测模型进行预测,大大提升对船舰未来航行轨迹预测的准确度。
本发明首先设置监测区域,并将过往船舰的航行轨迹绘制在监测区域内,在此基础上,将监测区域划分为多个横向网格,并基于多个航行轨迹计算目标船舰在相邻横向网格线之间的标准行驶时间;在目标舰船进入监测区域后,通过将目标舰船在横向网格线之间的实际行驶时间与标准行驶时间进行对比,从而判断目标舰船是否出现异常状态,若目标舰船出现异常状态,则将该船舰分配至第二预测模型内,使得第一预测模型只针对正常的船舰进行预测,从而提升了对船舰路线预测准确度;通过本发明可以识别出正常状态和异常状态的船舰,从而将其分别分配至不同的模型中进行预测,从而提升对船舰航线路线预测的准确率。
现有技术在对监测区域的航行进行分类时,一般使用密度聚类法将多条航行轨迹融合聚类,例如,将通过AIS定位的船舰位置以定位点的形式绘制在坐标区域内,然后通过密度聚类法对定位点进行聚类,从而将定位点密度较大的区域整合为航行轨迹;然而,密度聚类法的聚类效果依赖于对聚类半径的选择,当监测区域内,不同区域的定位点密度出现不同时,就会降低该方法的聚类效果,影响最后生成的航行轨迹准确度。因此,本发明通过以下步骤对航行轨迹进行聚合。
步骤S21:将监测区域内所有航行轨迹编码为A1,A2,…,An,选取航行轨迹A1,将航行轨迹A1与航行轨迹A2,…,An对比,获取航线轨迹A1与航行轨迹A2,…,An的相似度,将相似度大于等于第一判断阈值的航线轨迹划分至第一初始分组内,继续选取航行轨迹A2与航行轨迹A1,A3,…,An的相似度,将相似度大于等于第一判断阈值的航线轨迹划分至第二初始分组内,重复本步骤,直至完成对航行轨迹An的处理;
下面对上述步骤进行解释,如图2所示,图2中包括航行轨迹A1,A2,A3,A4,A5,A6,首先选取航行轨迹A1,将航行轨迹A1与航行轨迹A2,A3,A4,A5,A6对比,图2中航行轨迹A1与航行轨迹A3的相似度大于第一判断阈值,则将航行轨迹A1,A3划分至第一初始分组内,然后,将航行轨迹A2与航行轨迹A1,A3,A4,A5,A6对比,将航行轨迹A2,A3划分至第二初始分组内,重复对比步骤,继续获得第三初始分组A2,A3,第四初始分组A4,A5、第五初始分组A4,A5和第六初始分组A6。
步骤S22:将第一初始分组与其余各个初始分组进行对比,若第一初始分组与对比的初始分组包含至少m个相同航行轨迹,则将对比的初始分组合并至第一初始分组内,将合并后的第一初始分组重新与各个初始分组进行对比,将对比完成的第一初始分组定义为航线集合,重复本步骤,继续对第二初始分组至第n初始分组进行处理,以获取其余航线集合;
这里为方便说明,将m的值设置为1,本步骤首先将第一初始分组A1,A3与第二初始分分组A2,A3进行对比,由于第一初始分组和第二初始分组内均包括航行轨迹A3,因此将第二初始分组合并至第一初始分组内,获得新的第一初始分组A1,A2,A3,然后将新的第一初始分组再与第三初始分组进行对比,并将第三初始分组合并至新的第一初始分组内;在对比完成后,由于第二初始分组和第三初始分组已经被合并至第一初始分组内,因此,在第一初始分组对比完成后,将第四初始分组与第五初始分组及第六初始分组进行对比,在所有分组对比完成后,保留了第一初始分组A1,A2,A3、第四初始分组A4,A5和第六初始分组A6,从而获得了三个航行轨迹集合。由于A1,A2具有相同的走势,但其之间的距离较远,在进行相似度对比时被判断为不是相似的航行轨迹,这就会导致判断错误;而由于两者均与A3相似,在此情况下,将三者判定为相似,则就避免判断错误的情况发生。
步骤S23:对所有航线集合进行筛选,若航线集合内的航行轨迹数量小于等于P,则将该航行集合删除。
这里同样将P设置为1,由于第六初始分组仅有一条航行轨迹,表明该航行轨迹为偶然出现的,并未船舰在监测区域内常用的航行轨迹,因此将其删除,以减少后续的计算量。
通过上述步骤,以船舰航行轨迹为基础进行分类聚合,使得航线走势接近且位置相近的航行轨迹被划分至同一组内,从而实现对航行轨迹的聚合,相比于密度聚类的方式,由于本步骤以整条航行轨迹的相似度进行对比,从而避免了定位点密度对聚类的影响,从而大大提升了分类的准确性。
在本发明中,基于以下步骤对两条航行轨迹的相似度进行对比。
将每条航行轨迹与横向网格线相交的位置定义为对比点,基于第一公式计算两条航行轨迹的相似度μ,第二公式为:其中,/>和/>为对比的两条航行轨迹中,第一条航行轨迹和第二条航行轨迹第i个对比点的横坐标。
在本实施例中,以监测区域中,横向网格线D1至D9与航行轨迹的交点为对比点,如图中航行轨迹A2和航行轨迹A3的三角形标志所示,且对比的两个航行轨迹在相应对比点的纵坐标相同,在进行相似度对比时,仅需对两个对比点的横坐标进行对比即可,如图2中需要对比航行轨迹A2和航行轨迹A3,那么就将航行轨迹A2和航行轨迹A3中对应的对比点的横坐标相减,即第二公式中的然后各个相减后的结果相加,并求其倒数,从而获得相似度μ,相似度μ的值越大,表明两个航行轨迹之间的相似度越大。通过此种对比方式不仅可以对曲线的相似度进行对比,而传统对比方式仅对轨迹的走势进行对比,而针对航行轨迹来说,航行轨迹A1和航行轨迹A3虽然走势不同,但其最红还是具有相接近的航行轨迹,因此通过此步骤可以将此种航行轨迹判断为相似航行轨迹,从而提升航行轨迹预测的准确率。
在本实施例中,对航行轨迹进行融合,获得标准航行区域包括以下步骤:
建立第二数据集,将同一航线集合内包括相同纵坐标的对比点划分至同一个第二数据集内,计算第二数据集内各个对比点横坐标的差值,筛选并记录横坐标差值最大时所对应的两个对比点,将横坐标较小的对比点定义为第一边界点,横坐标较大的对比点定义为第二边界点,将每个第二数据集筛选出的第一边界点依次连接,获得第一边界线,第二边界点依次连接,获得第二边界线,将位于第一边界线和第二边界线之间的区域设置为标准航行区域。
具体的,在航行轨迹划分集合后,获取集合内各个航行轨迹横坐标的最大差值,如图3中的航行轨迹A1,A2,A3,通过此步骤获取差值最大的两个对比点,位于该集合内最外侧的定位点,然后将最外侧的对比点依次连接,从而获得第一边界线和第二边界线,那么该集合内所有的航行轨迹都位于第一边界线和第二边界线之间,从而形成标准航行区域,如图2中阴影所示;那么目标船舰在标准航行区域内行驶,即确定船舰按照固定航线行驶,没有偏离航道;通过将航线融合为航行区域,由于海上环境复杂,船舰不可能完全沿着固有航线行驶,而航行区域的设置保证即便船舰的航行路线发生偏移,也可将其覆盖,这样就提升了对船舰航行轨迹判断的准确性。
由于AIS技术每隔一段时间定位船舰的位置,也即船舰的定位点,通过将船舰定位点依次连接,从而获得船舰的航线轨迹,由于定位点之间存在时间间隔,因此,不可能每个都落在横向网格线上,而本发明通过两个定位点之间的时间间隔确定船舰在横向网格线之间的航行时间,但是当定位点位于两个横向网格线中间时,如图中的点E,那么在此情况下,便无法计算航行时间间隔,因此,本发明基于以下步骤筛选时间间隔:
设定第二距离,定义定位点与横向网格线之间的最短距离为第三距离,将第三距离小于等于第二距离的定位点定义为基点,设定第二数值范围,若两个基点位于同一航线轨迹内、且其之间的位置间隔小于等于第二数值范围,则获取两个基点之间的时间间隔,将该时间间隔记为表示产生航行轨迹k的船舰在横向网格线Dx-1和横向网格线Dx之间的航行时间。
具体的,首先获取航线轨迹上所有的定位点,然后将靠近横向网格线的定位点筛选出来,也即与横向网格线距离小于等于第二距离的定位点,并定义为基点,如图2中C1和C2;在此之后,判断相邻两个基点之间是否间隔接近一个网格宽度的距离,这里将第二数值范围设置为0.9至1.2,若网格线的宽度为1,两个基点刚好位于横向网格线上,那么两个基点之间的距离在0.9至1.2之间,即判断两个基点之间间隔一个网格宽度,此时获取两个基点之间的时间间隔,即为船舰在横向网格线之间的行驶时间;特别的,由于基于一个航行轨迹几乎无法获得所有横向网格线之间的行驶间隔,因此,未获取到的行驶间隔,以船舰的类型设定其平均行驶速度,然后再结合两个横向网格线之间的距离计算在其中的行驶时间确定,从而保证每个航行轨迹均会输出所有横向网格线之间的行驶时间。
判断实际航行时间与标准航行时间是否相匹配包括以下步骤:
获取目标船舰在前I个横向网格线内、每个横向网格线内实际行驶时间与标准行驶时间的时间比值q1,q2,…,qI,依次计算相邻时间比值之和,获得时间比值的评价数值λ1,λ2,…,λI-1,计算所有评价数值的方差,若评价数值的方差在第三数值范围内,则将实际航行时间与标准航行时间相匹配设置为匹配。
具体的,由于本实施例中将I设置为4,则获取目标船舰在D10至D9之间、D9至D8、D8至D7、D7至D6的实际航行时间t1,t2,t3,t4,然后获取目标船舰的航行轨迹,例如目标舰船的航行轨迹位于图2中航行轨迹A1,A2,A3所在的区域内,则获取由该区域航行集合所计算出的标准航行时间,获取实际航行时间与标准航行时间之间的比值,之后计算比值之和,获得评价数值,如评价数值λ1=q1+q2,λ2=q2+q3,λ3=q3+q4,由于船舰的航行速度是不断变化的,但是当船舰在D10至D9之间航行时间较长时,一般会加快航行速度,以缩短在D9至D8内的航行时间,之后若航行速度过快,又会减缓航行速度,以延长在D8至D7的航行时间,这样,两个横向网格线之间的航行时间之和的波动幅度低,因此,若目标船舰前4个横向网格线中,时间比值的评价数值波动较小时,表明船舰是位于正常行驶状态的。而若仅仅取目标船舰在前4个横向网格线内的行驶速度平均值为指标,则会忽略上述特征,就会对船舰行驶速度判断不准确。
如图3所示,本发明还提供一种船舰航行轨迹预测装置,该装置用于实现上述一种船舰航行轨迹预测方法,该系统包括:
采集模块,包括数据采集模块和坐标采集模块,如图4所示,数据采集模块R1基于卫星R2从船舰U1,U2,U3内获取其AIS数据,数据采集模块用于获取监测区域内的历史航行数据,历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,坐标采集模块用于在监测区域内建立坐标系,以获取每个定位点的定位时间和坐标;
计算模块,包括聚合模块和航行时间计算模块,聚合模块对航行轨迹进行聚合,获得多组航线集合,航行时间计算模块基于定位点获取每条航行轨迹中船舰在相邻横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号横向网格线的航行时间划分至同一个第一数据集内,获取第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将第一数据集内所有航行时间的平均值作为目标船舰在两个横向网格线之间的标准航行时间;
融合模块,对每组航线集合进行融合,获得标准航行路线;
预测模块,包括第一预测模型和第二预测模型,预测模块获取目标船舰的类型,监测目标船舰在前I个横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与标准航行时间相匹配,则使用第一预测模型对船舰航行轨迹进行预测,否则,使用第二预测模型对船舰航行轨迹进行预测。
本发明还提供一种存储介质,存储介质存储有程序指令,其中,在程序指令运行时控制存储介质所在设备执行上述的一种船舰航行轨迹预测方法。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种船舰航行轨迹预测方法,其特征在于,包括:
步骤S1:确定监测区域,在所述监测区域内等间隔绘制n条横向网格线,相邻所述横向网格线间隔第一距离,将所述监测区域内的所述横向网格线编号为D1,D2,…,Dk,在目标舰船进入所述监测区域后,基于目标舰船类型,获取所述监测区域内的历史航行数据,所述历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,在所述监测区域内建立坐标系,获取每个所述定位点的定位时间和坐标;
步骤S2:对航行轨迹进行聚合,获得多组航线集合,基于所述定位点获取每条航行轨迹中船舰在相邻所述横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号所述横向网格线的航行时间划分至同一个所述第一数据集内,获取所述第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将所述第一数据集内所有航行时间的平均值作为目标船舰在两个所述横向网格线之间的标准航行时间;
步骤S3:建立第一预测模型和第二预测模型,对每组所述航线集合进行融合,获得标准航行区域,监测目标船舰在前I个所述横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与所述标准航行时间相匹配,则使用所述第一预测模型对船舰航行轨迹进行预测,否则,使用所述第二预测模型对船舰航行轨迹进行预测。
2.根据权利要求1所述的一种船舰航行轨迹预测方法,其特征在于,所述步骤S2中,对航行轨迹进行聚合包括以下步骤:
步骤S21:将所述监测区域内所有航行轨迹编码为A1,A2,…,An,选取航行轨迹A1,将航行轨迹A1与航行轨迹A2,…,An对比,获取航线轨迹A1与航行轨迹A2,…,An的相似度,将相似度大于等于第一判断阈值的航线轨迹划分至第一初始分组内,继续选取航行轨迹A2与航行轨迹A1,A3,…,An的相似度,将相似度大于等于所述第一判断阈值的航线轨迹划分至第二初始分组内,重复本步骤,直至完成对航行轨迹An的处理;
步骤S22:将所述第一初始分组与其余各个初始分组进行对比,若所述第一初始分组与对比的初始分组包含至少m个相同航行轨迹,则将对比的初始分组合并至所述第一初始分组内,将合并后的所述第一初始分组重新与各个初始分组进行对比,将对比完成的所述第一初始分组定义为航线集合,重复本步骤,继续对所述第二初始分组至第n初始分组进行处理,以获取其余航线集合;
步骤S23:对所有航线集合进行筛选,若航线集合内的航行轨迹数量小于等于P,则将该航行集合删除。
3.根据权利要求2所述的一种船舰航行轨迹预测方法,其特征在于,判断两条航行轨迹的相似度包括以下步骤:
将每条航行轨迹与所述横向网格线相交的位置定义为对比点,基于第一公式计算两条航行轨迹的相似度μ,第二公式为:其中,/>和/>为对比的两条航行轨迹中,第一条航行轨迹和第二条航行轨迹第i个所述对比点的横坐标。
4.根据权利要求2所述的一种船舰航行轨迹预测方法,其特征在于,对航行轨迹进行融合,获得所述标准航行区域包括以下步骤:
建立第二数据集,将同一航线集合内包括相同纵坐标的所述对比点划分至同一个所述第二数据集内,计算所述第二数据集内各个所述对比点横坐标的差值,筛选并记录横坐标差值最大时所对应的两个所述对比点,将横坐标较小的所述对比点定义为第一边界点,横坐标较大的所述对比点定义为第二边界点,将每个所述第二数据集筛选出的所述第一边界点依次连接,获得第一边界线,所述第二边界点依次连接,获得第二边界线,将位于所述第一边界线和所述第二边界线之间的区域设置为所述标准航行区域。
5.根据权利要求1所述的一种船舰航行轨迹预测方法,其特征在于,计算每条航行轨迹在所有相邻所述横向网格线之间的航行间隔包括以下步骤:
设定第二距离,定义所述定位点与所述横向网格线之间的最短距离为第三距离,将所述第三距离小于等于所述第二距离的定位点定义为基点,设定第二数值范围,若两个所述基点位于同一航线轨迹内、且其之间的位置间隔小于等于所述第二数值范围,则获取两个所述基点之间的时间间隔,将该时间间隔记为表示产生航行轨迹k的船舰在所述横向网格线Dx-1和所述横向网格线Dx之间的航行时间。
6.根据权利要求4所述的一种船舰航行轨迹预测方法,其特征在于,判断实际航行时间与所述标准航行时间是否相匹配包括以下步骤:
获取目标船舰在前I个所述横向网格线内、每个所述横向网格线内实际行驶时间与所述标准行驶时间的时间比值q1,q2,…,qI,依次计算相邻时间比值之和,获得时间比值的评价数值λ1,λ2,…,λI-1,计算所有评价数值的方差,若评价数值的方差在第三数值范围内,则将实际航行时间与所述标准航行时间相匹配设置为匹配。
7.一种船舰航行轨迹预测装置,用于实现如权利要求1-6任意一项所述的一种船舰航行轨迹预测方法,其特征在于,包括:
采集模块,包括数据采集模块和坐标采集模块,所述数据采集模块用于获取监测区域内的历史航行数据,所述历史航行数据包括同类型的多个船舰航行轨迹,每条航行轨迹包括多个定位点,所述坐标采集模块用于在所述监测区域内建立坐标系,以获取每个所述定位点的定位时间和坐标;
计算模块,包括聚合模块和航行时间计算模块,所述聚合模块对航行轨迹进行聚合,获得多组航线集合,所述航行时间计算模块基于所述定位点获取每条航行轨迹中船舰在相邻所述横向网格线之间的航行时间,建立第一数据集,将位于同组且对应相同编号所述横向网格线的航行时间划分至同一个所述第一数据集内,获取所述第一数据集内所有航行时间的方差,若航行时间的方差在第一数值范围内,则将所述第一数据集内所有航行时间的平均值作为目标船舰在两个所述横向网格线之间的标准航行时间;
融合模块,对每组航线集合进行融合,获得标准航行路线;
预测模块,包括第一预测模型和第二预测模型,所述预测模块获取目标船舰的类型,监测目标船舰在前I个所述横向网格线内的实际航行路线和实际航行时间,若目标船舰实际航行路线位于标准航行区域、且实际航行时间与所述标准航行时间相匹配,则使用所述第一预测模型对船舰航行轨迹进行预测,否则,使用所述第二预测模型对船舰航行轨迹进行预测。
8.一种存储介质,其特征在于,所述存储介质存储有程序指令,其中,在所述程序指令运行时控制所述存储介质所在设备执行权利要求1-6任意一项所述的一种船舰航行轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728852.1A CN116978259B (zh) | 2023-06-19 | 2023-06-19 | 一种船舰航行轨迹预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728852.1A CN116978259B (zh) | 2023-06-19 | 2023-06-19 | 一种船舰航行轨迹预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116978259A true CN116978259A (zh) | 2023-10-31 |
CN116978259B CN116978259B (zh) | 2024-01-26 |
Family
ID=88473983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728852.1A Active CN116978259B (zh) | 2023-06-19 | 2023-06-19 | 一种船舰航行轨迹预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116978259B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117570997A (zh) * | 2024-01-15 | 2024-02-20 | 亿海蓝(北京)数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100057350A1 (en) * | 2008-08-29 | 2010-03-04 | Adrien Joly | Method and system for automatically and directly establishing contact between a driver and at least one person to be transported |
CN111475544A (zh) * | 2020-03-30 | 2020-07-31 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据中离群点的检测方法和装置 |
EP3943890A1 (en) * | 2020-07-23 | 2022-01-26 | Fujitsu Limited | A computer-implemented method of predicting energy use for a route |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及系统 |
CN114742128A (zh) * | 2022-03-10 | 2022-07-12 | 交通运输部水运科学研究所 | 一种船舶异常行为的识别方法、装置、终端和存储介质 |
CN115457224A (zh) * | 2022-09-16 | 2022-12-09 | 武汉大海信息系统科技有限公司 | 一种三维地理空间数字孪生架构方法及系统 |
CN115600733A (zh) * | 2022-10-08 | 2023-01-13 | 北京中交通信科技有限公司(Cn) | 一种船舶航迹预测方法及装置 |
CN115618251A (zh) * | 2022-11-03 | 2023-01-17 | 中国科学院空天信息创新研究院 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
CN115759033A (zh) * | 2022-11-21 | 2023-03-07 | 厦门海兰寰宇海洋信息科技有限公司 | 一种轨迹数据的处理方法、装置及设备 |
-
2023
- 2023-06-19 CN CN202310728852.1A patent/CN116978259B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100057350A1 (en) * | 2008-08-29 | 2010-03-04 | Adrien Joly | Method and system for automatically and directly establishing contact between a driver and at least one person to be transported |
CN111475544A (zh) * | 2020-03-30 | 2020-07-31 | 智慧航海(青岛)科技有限公司 | 船舶轨迹数据中离群点的检测方法和装置 |
EP3943890A1 (en) * | 2020-07-23 | 2022-01-26 | Fujitsu Limited | A computer-implemented method of predicting energy use for a route |
CN114742128A (zh) * | 2022-03-10 | 2022-07-12 | 交通运输部水运科学研究所 | 一种船舶异常行为的识别方法、装置、终端和存储介质 |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及系统 |
CN115457224A (zh) * | 2022-09-16 | 2022-12-09 | 武汉大海信息系统科技有限公司 | 一种三维地理空间数字孪生架构方法及系统 |
CN115600733A (zh) * | 2022-10-08 | 2023-01-13 | 北京中交通信科技有限公司(Cn) | 一种船舶航迹预测方法及装置 |
CN115618251A (zh) * | 2022-11-03 | 2023-01-17 | 中国科学院空天信息创新研究院 | 船舶轨迹预测方法、装置、电子设备及存储介质 |
CN115759033A (zh) * | 2022-11-21 | 2023-03-07 | 厦门海兰寰宇海洋信息科技有限公司 | 一种轨迹数据的处理方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
ARENTZE: "Real-Time Traffic-Speed Learning and Prediction for Dynamic Route Planning", 《ANNUAL MEETING OF THE TRANSPORTATION RESEARCH BOARD》 * |
关欢欢;黄海广;姜思宁;: "基于VMS轨迹数据分析的渔业船舶行为划分研究", 中国渔业经济, no. 02 * |
郭乃琨;马壮壮;岳明桥;: "船舶轨迹挖掘与可视化技术分析研究", 电子元器件与信息技术, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117570997A (zh) * | 2024-01-15 | 2024-02-20 | 亿海蓝(北京)数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
CN117570997B (zh) * | 2024-01-15 | 2024-03-29 | 亿海蓝(北京)数据技术股份公司 | 船舶异常行为的检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116978259B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309383B (zh) | 基于改进的dbscan算法的船舶轨迹聚类分析方法 | |
CN112967527B (zh) | 一种渡船碰撞风险评估方法、系统、装置及介质 | |
Laxhammar et al. | Inductive conformal anomaly detection for sequential detection of anomalous sub-trajectories | |
CN116978259B (zh) | 一种船舰航行轨迹预测方法、装置及存储介质 | |
CN110210352A (zh) | 基于航道模型的船舶轨迹异常检测方法 | |
KR101900851B1 (ko) | 선박 항해 감시장치 및 방법 | |
US20220146266A1 (en) | Course guidance method for efficient sailing of ship | |
CN113553682B (zh) | 一种数据驱动的多层次船舶航路网络构建方法 | |
KR102056777B1 (ko) | 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치 | |
CN110609881A (zh) | 车辆轨迹偏离检测方法、系统和存储介质 | |
CN112164247A (zh) | 一种基于船舶轨迹聚类的船舶航线预测方法 | |
Virjonen et al. | Ship movement prediction using k-NN method | |
CN113190636B (zh) | 海上路网构建方法及系统 | |
CN112987052B (zh) | 基于路网路段分级的快速地图匹配方法 | |
Zhang et al. | Big data–based estimation for ship safety distance distribution in port waters | |
Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
CN113128826B (zh) | 通航风险预测方法、装置和存储介质 | |
CN113283653A (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN115600733A (zh) | 一种船舶航迹预测方法及装置 | |
CN114550498B (zh) | 一种海量ais数据驱动的船舶偏离航道智能预警系统 | |
Zhang et al. | Comparison of Trajectory Clustering Methods based on K-means and DBSCAN | |
CN115331486A (zh) | 一种船舶碰撞风险评估与预测方法及装置 | |
CN114139642A (zh) | 联合船舶行程语义对象与图论理论的船舶航线提取方法 | |
Xu et al. | Improved vessel trajectory prediction model based on stacked-bigrus | |
CN117010582B (zh) | 一种船舶轨迹优化的船舶航路模型提取方法 |
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 |