CN117314360A - 一种智慧游艇运营管理系统 - Google Patents
一种智慧游艇运营管理系统 Download PDFInfo
- Publication number
- CN117314360A CN117314360A CN202311323731.5A CN202311323731A CN117314360A CN 117314360 A CN117314360 A CN 117314360A CN 202311323731 A CN202311323731 A CN 202311323731A CN 117314360 A CN117314360 A CN 117314360A
- Authority
- CN
- China
- Prior art keywords
- yacht
- track
- module
- data
- vector
- 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
- 238000007726 management method Methods 0.000 claims abstract description 85
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 36
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
-
- 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"
Abstract
本发明公开了一种智慧游艇运营管理系统。包括综合管理终端和游艇终端,所述综合管理终端包括游客管理模块、游艇防撞击模块、监控模块、数据接收模块,所述游艇终端包括水流检测模块、数据传输模块,所述综合管理终端还包括轨迹预测模块、数据库模块,轨迹预测模块通过深度学习算法,考虑游艇所在环境的水流和其他游艇的行驶轨迹,实现对游艇运行方向的预测。本发明基于深度学习算法增加对游艇行驶轨迹准确预测所需的相关数据量,提高对游艇的行驶轨迹的智能规划水平,减少操作带来的误差,最终提高游艇行驶轨迹的预测率,降低游艇运行的意外发生率,构建人性化的智慧游艇运营管理新方式。
Description
技术领域
本发明属于游艇管理技术领域,尤其涉及一种智慧游艇运营管理系统。
背景技术
随着人民物质生活水平显著提高和第三产业的快速发展,游艇消费在我国各大沿海旅游城市已经受到众多消费者的青睐,我国现阶段的游艇数量逐年快速增长,正步入该行业的黄金时期。与此同时人们对游艇的出行安全、设备维护、管理运营也提出了更高的要求。此外对游艇的管理主要还有通过沿岸港口交通管理系统来进行的,这种管理手段主要是运用VTS系统和雷达探测作为技术手段进行监控。然而因为雷达观测性能方面具有一定的不足与缺陷,从而造成提供的目标位置精度与分辨率处于一个相对较低的水平,目标特征参数有限,难以对其有效加以辨别,导致无法正确跟踪目标,动态监测精准程度较低,尤其是在目标较为密集亦或是外部干扰因素较多的情况时精准度会更低,系统整体性能不够理想。而且游艇的航速较快,航行的时候能够展开信息搜集、整体性分析、危险性评估与决策的时间十分有限,具有很大的安全隐患。因此当前迫切地需要对游艇管理系统进行创新,建立更加可靠的游艇综合信息系统,解决游艇出行监测问题,以进行游艇的智慧化综合管理。
目前我国大部分游艇设备都不是智能化的设备,还停留在传统的仪表盘管理,搭建的游艇管理平台不够智能化,导致人工成本高、效率低。同时在对游艇进行智能化管理时,对船舶轨迹预测是智能管理系统的重要组成部分,是实现智能游艇管理的关键性技术。从预测上可将船舶轨迹预测分为短期预测和长期预测两个领域。短期预测常用于船舶避碰。与路上交通不同,由于船舶的巨大惯性,短期预测相对容易实现,传统的恒速预测模型(Constant Velocity Model,CVM)已经较为成熟,且已应用于商业产品。其他常见的预测方法中,中国专利文献号CN110070565B公开的一种基于图像叠加的船舶轨迹预测方法,采用卡尔曼滤波技术通过建模单船过去一段时间的运动来估计未来短期运动轨迹。近年来,随着深度学习技术的崛起,不同深度的神经网络广泛用于船舶轨迹预测。然而现有方法尚存在缺陷,一是只能实现单一模式轨迹预测,未考虑其他因素对船运行轨迹预测的影响;二是游艇还远未成为平民化的娱乐设施,因此其所在游乐区域的轨迹数量较少,并且机器学习为了提高准确率都会需要大量数据,同时其只能预测船舶轨迹的形态及位置信息,无法预测沿途各时刻的航向等信息。
因此,需要设计一种智慧游艇运营管理系统,增加对游艇轨迹数据量的生成,从而利用机器学习的方法对游艇进行智能化的运行和管理,从而降低游艇的运营成本,增加了对游艇转向预测的准确性,提高游艇的管理运营效率,确保整个景区游客人员的安全性和游艇运行的可靠性。
发明内容
为解决上述技术问题,本发明提出一种智慧游艇运营管理系统。
在本发明的第一个方面,提供了一种智慧游艇运营管理系统,所述系统包括综合管理终端和游艇终端,所述综合管理终端包括游客管理模块、游艇防撞击模块、监控模块、数据接收模块,所述游艇终端包括水流检测模块、数据传输模块,其特征在于,所述综合管理终端还包括轨迹预测模块、数据库模块,其中:
所述轨迹预测模块:与所述数据库模块相连,采用轨迹生成模型,进行游艇的轨迹数据生成,并利用生成的游艇轨迹数据以及历史游艇轨迹数据进行游艇的转向预测模型的生成,最后进行实时转向控制结果的输出;
所述水流检测模块:安置在游艇终端,利用声学多普勒流速仪测量水流数据,并将数据通过数据传输模块传输到数据接收模块,所述数据接收模块将数据传输至所述数据库模块,所述水流数据包括速度和方向;
所述数据库模块:接收数据传输模块传输过来的水流数据,并存储游客数据、水流数据、其他游艇轨迹数据和游艇轨迹数据;
所述游客管理模块:与综合管理终端相连,对进入游艇的游客进行识别管理,并将获取的游客数据传输至所述数据库模块;
所述游艇终端:还包括游艇定位模块,对游艇在电子地图上进行定位;
所述游艇防撞击模块:对预测得到的行驶方向进行选择;
所述监控模块:监控游客以及游艇实时运行轨迹,对游艇进行报警提示,并提醒进行手动控制。
还提供了一种智慧游艇运营管理系统,所述轨迹生成模型,采用深度学习方法和/或卡尔曼滤波器进行构建。
还提供了一种智慧游艇运营管理系统,所述轨迹生成模型,采用生成对抗性网络模型来进行游艇的轨迹数据生成,所述生成对抗性网络模型的参数由所述历史游艇轨迹数据训练得到,所述历史游艇轨迹数据包括历史游艇轨迹和历史其他游艇对主游艇影响的特征影响向量串联结合而成。
还提供了一种智慧游艇运营管理系统,所述生成对抗性网络模型,包括生成器和判别器,所述生成器包括编码器、卷积池化层、换向判别层、解码器四部分,用以生成虚拟轨迹;所述判别器包括所述编码器和Sigmoid层,用以输出所述生成器生成的虚拟轨迹为真实轨迹的概率。
还提供了一种智慧游艇运营管理系统,所述编码器包括两个全连接神经网络和一个循环神经网络LSTM,输入随机生成的主游艇轨迹A向量(Dw,Db,Vw,Vb,x,y,t),其中Dw为水流方向,Db为主游艇行驶方向,Vw为此时水流速度,Vb为主游艇行驶速度,x和y为主游艇在电子地图中的坐标,t为时刻,输出代表游艇轨迹隐藏关系的上下文向量;
所述卷积池化层包括一个所述LSTM编码器与两层卷积神经网络,输入为所述其他游艇轨迹数据,输出表征其他游艇对主游艇影响的特征影响向量;
所述换向判别层包括一个全连接层和一个softmax多分类层;输入为主游艇轨迹通过LSTM编码器后得到上下文向量,输出主游艇做直行、左转、右转三种行为的转向概率;
将主游艇轨迹序列通过LSTM编码器后,将获取的主游艇上下文向量输入全连接层,取得包含主游艇换向隐含信息的多维向量,将多维向量通过softmax多分类层,获取主游艇未来做直行、左转、右转三种行为的概率,softmax计算公式如下所示:
其中ai和aj为多维向量的值,其中i≠j;
换道判别层最终输出向量,所述最终输出向量中各向量中的值的和为1,且都大于等于0,
所述解码器包括一个LSTM层和一个全连接层,将所述输出结合并解码,最终获得预测轨迹;
所述解码器将所述上下文向量和所述特征影响向量串联结合,获得虚拟生成轨迹Y,以及Y对应的最大转向概率对应的转向行为数据T。
还提供了一种智慧游艇运营管理系统,所述Sigmoid层为一个二分类函数,将所述LSTM编码器生成的编码向量与所述卷积池化层生成的特征向量串联作为输入,通过全连接层处理隐含信息并压缩信息至1维,最终通过Sigmoid函数获得输入轨迹为真实轨迹概率,其中Sigmoid二分类函数定义如下:
其中X为1维向量,当所述真实轨迹概率S(X)>70%时,所述虚拟生成轨迹Y可用为最终虚拟生成轨迹Y*。
还提供了一种智慧游艇运营管理系统,所述轨迹预测模块还包括转向预测模型,所述转向预测模型采用基于Fisher准则的分类器,所述基于Fisher准则的分类器采用所述最终虚拟生成轨迹Y*、所述历史游艇轨迹数据以及两者对应的转向行为数据T训练得到,其中所述Fisher准则分类器的计算公式如下所示:
g(S)=WTA
A为当前的游艇轨迹以及其他游艇对主游艇影响的特征影响向量串联结合而成;g(S)为输出的预测转向值,WT为垂直于超平面的法向量,当g(S)>0时,所述预测转向方向为左转,当g(S)<0时,所述预测转向方向为右转,当g(S)=0时,所述预测转向方向为直行;
将所述预测转向方向结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行预转向操作,监控模块对预测左转或右转转向操作进行报警提示。
还提供了一种智慧游艇运营管理方法,方法包括步骤S1:轨迹预测模块采用权利要求2-6所述的深度学习方法和/或卡尔曼滤波器进行游艇轨迹数据的生成;
步骤S2:利用已有的历史游艇轨迹数据以及生成的游艇轨迹数据训练基于Fisher准则的分类器;
步骤S3:将当前游艇的轨迹数据输入到训练好的分类器中,得到预测转向结果,并将所述预测转向结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行转向提示,监控模块对游艇进行报警提示。
还提供了一种智慧游艇运营管理设备,包括存储器和处理器,其特征在于,所述存储器中存储有智慧游艇运营管理程序,所述处理器被设置为运行所述智慧游艇运营管理程序以运行一种智慧游艇运营管理方法。
还提供了一种计算机可读存储介质,其特征在于,包括:计算机可执行指令,当所述计算机可执行指令被运行时执行一种智慧游艇运营管理方法。本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。
本发明的有益效果:考虑游艇所在环境的水流和其他游艇的行驶轨迹,实现对游艇运行方向的预测。本发明基于深度学习算法增加对游艇行驶轨迹准确预测所需的相关数据量,同时利用基于Fisher准则的分类器来进行转向预测,处理简单,大大提高了对游艇的行驶轨迹的实时智能规划水平,减少操作带来的误差,最终提高游艇行驶轨迹的预测率,降低游艇运行的意外发生率,构建人性化的智慧游艇运营管理新方式。
附图说明
图1示出了本发明一个实施例提供的一种智慧游艇运营管理系统的结构示意图;
图2是本发明一个实施例的轨迹预测模块的结构示意图;
图3是本发明一个实施例的一种智慧游艇运营管理方法操作流程;
图4是本发明一个实施例的数据库模块的结构示意图;
图5是本发明一个实施例的防碰撞态势分析图;
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,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用于解释本发明,并不用于限定本发明;对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见;旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内;包括在本发明的范围内,并且受所附权利要求书的保护;在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位,以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
在本发明的第一个方面,提供了一种智慧游艇运营管理系统,所述系统包括综合管理终端和游艇终端,所述综合管理终端包括游客管理模块、游艇防撞击模块、监控模块、数据接收模块,所述游艇终端包括水流检测模块、数据传输模块,其特征在于,所述综合管理终端还包括轨迹预测模块、数据库模块,其中:
所述轨迹预测模块:与所述数据库模块相连,采用轨迹生成模型,进行游艇的轨迹数据生成,并利用生成的游艇轨迹数据以及历史游艇轨迹数据进行游艇的转向预测模型的生成,最后进行实时转向控制结果的输出;
所述水流检测模块:安置在游艇终端,利用声学多普勒流速仪测量水流数据,并将数据通过数据传输模块传输到数据接收模块,所述数据接收模块将数据传输至所述数据库模块,所述水流数据包括速度和方向;
所述数据库模块:接收数据传输模块传输过来的水流数据,并存储游客数据、水流数据、其他游艇轨迹数据和游艇轨迹数据;
所述游客管理模块:与综合管理终端相连,对进入游艇的游客进行识别管理,并将获取的游客数据传输至所述数据库模块;
所述游艇终端:还包括游艇定位模块,对游艇在电子地图上进行定位;
所述游艇防撞击模块:对预测得到的行驶方向进行选择;
所述监控模块:监控游客以及游艇实时运行轨迹,对游艇进行报警提示,并提醒进行手动控制。
还提供了一种智慧游艇运营管理系统,所述轨迹生成模型,采用深度学习方法和/或卡尔曼滤波器进行构建。
还提供了一种智慧游艇运营管理系统,所述轨迹生成模型,采用生成对抗性网络模型来进行游艇的轨迹数据生成,所述生成对抗性网络模型的参数由所述历史游艇轨迹数据训练得到,所述历史游艇轨迹数据包括历史游艇轨迹和历史其他游艇对主游艇影响的特征影响向量串联结合而成。
还提供了一种智慧游艇运营管理系统,所述生成对抗性网络模型,包括生成器和判别器,所述生成器包括编码器、卷积池化层、换向判别层、解码器四部分,用以生成虚拟轨迹;所述判别器包括所述编码器和Sigmoid层,用以输出所述生成器生成的虚拟轨迹为真实轨迹的概率。
还提供了一种智慧游艇运营管理系统,所述编码器包括两个全连接神经网络和一个循环神经网络LSTM,输入随机生成的主游艇轨迹A向量(Dw,Db,Vw,Vb,x,y,t),其中Dw为水流方向,Db为主游艇行驶方向,Vw为此时水流速度,Vb为主游艇行驶速度,x和y为主游艇在电子地图中的坐标,t为时刻,输出代表游艇轨迹隐藏关系的上下文向量;
水流方向为逆流时为-1,其余为1,行驶方向北向为1,其余为-1,x和y为电子地图,如百度地图或高德地图以出发点为原点的水面二维度坐标点,由于游艇的运营时间为固定时间,因此t的时刻设定为8小时共28800秒。
如随机生成一个主游艇轨迹A(-1,1,3,12,244,478,4432),输出代表游艇轨迹隐藏关系的128维上下文向量,首先将输入通过一个全连接层,将车辆坐标向量转化为128维隐藏向量,再将隐藏向量输入单层LSTM神经元,获取包含前后隐藏向量内在关系的256维上下文向量,最后通过全连接层对上下文向量做降维处理,取得最终128维上下文向量;
所述卷积池化层包括一个所述LSTM编码器与两层卷积神经网络,输入为所述其他游艇轨迹数据,输出表征其他游艇对主游艇影响的特征影响向量;
具体的输入为其他游艇轨迹矩阵,输出表征周边游艇对主游艇影响的240维特征向量;首先将周边游艇轨迹矩阵每一行分别通过LSTM编码器,获取各周边游艇的128维特征向量,以主游艇为中心,以周边游艇当前实际位置为基准将周边游艇128维特征向量填入栅格图中,得到一个深度为128的栅格矩阵;将栅格矩阵通过卷积核为3×3,深度为128的卷积神经网络,再通过卷积核为3×1,深度为64的卷积神经网络,最终将获取的1×5×48特征降维,输出表征周边游艇对主游艇影响的240维特征;
所述换向判别层包括一个全连接层和一个softmax多分类层;输入为主游艇轨迹通过LSTM编码器后得到128维上下文向量,输出主游艇做直行、左转、右转三种行为的转向概率;
将主游艇轨迹序列通过LSTM编码器后,将获取的主游艇128维上下文向量输入全连接层,取得包含主游艇换向隐含信息的三维向量,将三维向量通过softmax多分类层,获取主游艇未来做直行、左转、右转三种行为的概率,Softmax计算公式如下所示:
其中ai和aj为多维向量的值,其中i≠j;
换道判别层最终输出向量,所述最终输出向量中各向量中的值的和为1,且都大于等于0,
所述解码器包括一个LSTM层和一个全连接层,将所述输出结合并解码,最终获得预测轨迹;
所述解码器将所述上下文向量和所述特征影响向量串联结合,获得虚拟生成轨迹Y(-1,1,3,12,244,478,4432,a1,…,a128)=Y(-1,1,3,12,244,478,4432,233,…,6644)以及Y对应的最大转向概率对应的转向行为数据T=1。
还提供了一种智慧游艇运营管理系统,所述Sigmoid层为一个二分类函数,将所述LSTM编码器生成的编码向量与所述卷积池化层生成的特征向量串联作为输入,通过全连接层处理隐含信息并压缩信息至1维,最终通过Sigmoid函数获得输入轨迹为真实轨迹概率,其中Sigmoid二分类函数定义如下:
其中X为1维向量,当所述真实轨迹概率S(X)>70%时,所述虚拟生成轨迹Y可用为最终虚拟生成轨迹Y*(-1,1,3,12,244,478,4432,233,…,6644)。
还提供了一种智慧游艇运营管理系统,所述轨迹预测模块还包括转向预测模型,所述转向预测模型采用基于Fisher准则的分类器,所述基于Fisher准则的分类器采用所述虚拟生成轨迹Y*、所述历史游艇轨迹数据以及两者对应的转向行为数据T训练得到,其中所述Fisher准则分类器的计算公式如下所示:
g(S)=WTA
A为当前的游艇轨迹以及其他游艇对主游艇影响的特征影响向量串联结合而成;g(S)为输出的预测转向值,WT为垂直于超平面的法向量,当g(S)>0时,所述预测转向方向为左转,当g(S)<0时,所述预测转向方向为右转,当g(S)=0时,所述预测转向方向为直行;
具体的输入向量A(1,1,5,15,177,246,2822,412,…,-34164),此时训练得到的了WT的参数值为(-1,-1,47,25,442,4212,4212,666,…,35)T,通过分类器即将A(1,1,5,15,177,246,2822,412,…,-34164)*(-1,-1,47,25,442,4212,4212,666,…,35)T得到结果为-2223,则说明预测此时应当要向右转,以避免与其他游艇碰撞。
此时将所述右转结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行右转向操作,监控模块对右转转向操作进行报警提示。
还提供了一种智慧游艇运营管理方法,方法包括步骤S1:轨迹预测模块采用所述的深度学习方法和/或卡尔曼滤波器进行游艇轨迹数据的生成;
步骤S2:利用已有的历史游艇轨迹数据以及生成的游艇轨迹数据训练基于Fisher准则的分类器;
步骤S3:将当前游艇的轨迹数据输入到训练好的分类器中,得到预测转向结果,并将所述预测转向结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行转向提示,监控模块对游艇进行报警提示。
还提供了一种智慧游艇运营管理设备,包括存储器和处理器,其特征在于,所述存储器中存储有智慧游艇运营管理程序,所述处理器被设置为运行所述智慧游艇运营管理程序以运行一种智慧游艇运营管理方法。
还提供了一种计算机可读存储介质,其特征在于,包括:计算机可执行指令,当所述计算机可执行指令被运行时执行一种智慧游艇运营管理方法。
本发明的多个实施例组合可以实现上述所有效果,但是并不要求本发明的每一个实施例都实现上述所有优点和效果,因为本发明的各个实施例都能构成单独的技术方案并对现有技术作出一个或者多个贡献。
本发明未特别明确的部分模块结构,以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分,用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (10)
1.一种智慧游艇运营管理系统,所述系统包括综合管理终端和游艇终端,所述综合管理终端包括游客管理模块、游艇防撞击模块、监控模块、数据接收模块,所述游艇终端包括水流检测模块、数据传输模块,其特征在于,所述综合管理终端还包括轨迹预测模块、数据库模块,其中:
所述轨迹预测模块:与所述数据库模块相连,采用轨迹生成模型,进行游艇的轨迹数据生成,并利用生成的游艇轨迹数据以及历史游艇轨迹数据进行游艇的转向预测模型的生成,最后进行实时转向控制结果的输出;
所述水流检测模块:安置在游艇终端,利用声学多普勒流速仪测量水流数据,并将水流数据通过数据传输模块传输到数据接收模块,所述数据接收模块将水流数据传输至所述数据库模块,所述水流数据包括水流的速度和方向;
所述数据库模块:接收数据传输模块传输过来的水流数据,并存储游客数据、水流数据、其他游艇轨迹数据和游艇轨迹数据;
所述游客管理模块:与综合管理终端相连,对进入游艇的游客进行识别管理,并将获取的游客数据传输至所述数据库模块;
所述游艇终端:包括游艇定位模块,对游艇在电子地图上进行定位;
所述游艇防撞击模块:对预测得到的行驶方向进行选择;
所述监控模块:监控游客数量信息以及游艇实时运行轨迹,当游艇需要进行左转向或右转向时进行报警提示,并发出是否进行手动控制的提示音。
2.如权利要求1所述的一种智慧游艇运营管理系统,其特征在于:
所述轨迹生成模型,采用深度学习方法和/或卡尔曼滤波器进行构建。
3.如权利要求1所述的一种智慧游艇运营管理系统,其特征在于:
所述轨迹生成模型,采用生成对抗性网络模型来进行游艇的轨迹数据生成,所述生成对抗性网络模型的参数由所述历史游艇轨迹数据训练得到,所述历史游艇轨迹数据包括历史游艇轨迹和历史其他游艇对主游艇影响的特征影响向量串联结合而成。
4.如权利要求3所述的一种智慧游艇运营管理系统,其特征在于:
所述生成对抗性网络模型,包括生成器和判别器,所述生成器包括编码器、卷积池化层、换向判别层、解码器四部分,用以生成虚拟轨迹;所述判别器包括所述编码器和Sigmoid层,用以输出所述生成器生成的虚拟轨迹为真实轨迹的概率。
5.如权利要求4所述的一种智慧游艇运营管理系统,其特征在于:
所述编码器包括两个全连接神经网络和一个循环神经网络LSTM,输入随机生成的主游艇轨迹A向量(Dw,Db,Vw,Vb,x,y,t),其中Dw为水流方向,Db为主游艇行驶方向,Vw为水流速度,Vb为主游艇行驶速度,x和y为主游艇在电子地图中的坐标,t为时刻,输出代表游艇轨迹隐藏关系的上下文向量;
所述卷积池化层包括一个LSTM编码器与两层卷积神经网络,输入为所述其他游艇轨迹数据,输出表征其他游艇对主游艇影响的特征影响向量;
所述换向判别层包括一个全连接层和一个softmax多分类层;输入为主游艇轨迹通过所述LSTM编码器后得到上下文向量,输出主游艇做直行、左转、右转三种行为的转向概率;
将主游艇轨迹序列通过所述LSTM编码器后,将获取的主游艇上下文向量输入全连接层,取得包含主游艇换向隐含信息的多维向量,将多维向量通过softmax多分类层,获取主游艇未来做直行、左转、右转等行为的概率,softmax计算公式如下所示:
其中ai和aj为多维向量的值,其中i≠j;
换道判别层最终输出向量,所述最终输出向量中各向量值的和为1,且都大于等于0,
所述解码器包括一个LSTM层和一个全连接层,将输出结合并解码,最终获得预测轨迹;
所述解码器将所述上下文向量和所述特征影响向量串联结合,获得虚拟生成轨迹Y,以及Y对应的最大概率对应的转向行为数据T。
6.如权利要求5所述的一种智慧游艇运营管理系统,其特征在于:
所述Sigmoid层为一个二分类函数,将所述LSTM编码器生成的编码向量与所述卷积池化层生成的特征向量串联作为输入,通过全连接层处理隐含信息并压缩信息至1维,最终通过Sigmoid函数获得输入轨迹为真实轨迹概率,其中Sigmoid二分类函数定义如下:
其中X为1维向量,当所述真实轨迹概率S(X)>70%时,所述虚拟生成轨迹Y可用为最终虚拟生成轨迹Y*。
7.如权利要求6所述的一种智慧游艇运营管理系统,其特征在于:
所述轨迹预测模块还包括转向预测模型,所述转向预测模型采用基于Fisher准则的分类器,所述基于Fisher准则的分类器采用所述最终虚拟生成轨迹Y*、所述历史游艇轨迹数据以及两者对应的转向行为数据T训练得到,Fisher准则分类器的计算公式如下所示:
g(S)=WTA
A为当前的游艇轨迹以及其他游艇对主游艇影响的特征影响向量串联结合而成,g(S)为输出的预测转向值,WT为垂直于超平面的法向量,当g(S)>0时,所述预测转向方向为左转,当g(S)<0时,所述预测转向方向为右转,当g(S)=0时,所述预测转向方向为直行;
将所述预测转向方向结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行预转向操作,监控模块对预测左转或右转转向操作进行报警提示。
8.一种智慧游艇运营管理方法,其特征在于:
方法包括步骤S1:轨迹预测模块采用权利要求2-6所述的深度学习方法和/或卡尔曼滤波器进行游艇轨迹数据的生成;
步骤S2:利用已有的历史游艇轨迹数据以及生成的游艇轨迹数据训练基于Fisher准则的分类器;
步骤S3:将当前游艇的轨迹数据输入到训练好的分类器中,得到预测转向结果,并将所述预测转向结果输入至游艇防撞击模块以及所述监控模块,游艇防撞击模块对游艇进行转向操作,监控模块对游艇进行报警提示。
9.一种智慧游艇运营管理设备,包括存储器和处理器,其特征在于,所述存储器中存储有智慧游艇运营管理程序,所述处理器被设置为运行所述智慧游艇运营管理程序以执行权利要求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,包括:计算机可执行指令,当所述计算机可执行指令被运行时执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323731.5A CN117314360A (zh) | 2023-10-13 | 2023-10-13 | 一种智慧游艇运营管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323731.5A CN117314360A (zh) | 2023-10-13 | 2023-10-13 | 一种智慧游艇运营管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314360A true CN117314360A (zh) | 2023-12-29 |
Family
ID=89255018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311323731.5A Pending CN117314360A (zh) | 2023-10-13 | 2023-10-13 | 一种智慧游艇运营管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314360A (zh) |
-
2023
- 2023-10-13 CN CN202311323731.5A patent/CN117314360A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114384920B (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
CN110782481A (zh) | 无人艇智能决策方法及系统 | |
CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
CN107609522A (zh) | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 | |
CN107272680A (zh) | 一种基于ros机器人操作系统的机器人自动跟随方法 | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
CN112100917A (zh) | 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法 | |
He et al. | Rail transit obstacle detection based on improved CNN | |
CN114022847A (zh) | 一种智能体轨迹预测方法、系统、设备和存储介质 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
CN109271857A (zh) | 一种伪车道线剔除方法及装置 | |
Zhang et al. | A warning framework for avoiding vessel‐bridge and vessel‐vessel collisions based on generative adversarial and dual‐task networks | |
CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
CN114464014A (zh) | 基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质 | |
Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
CN104504934A (zh) | 一种航海交通管制方法 | |
Yang et al. | Improved reinforcement learning for collision-free local path planning of dynamic obstacle | |
Zhou et al. | A real-time scene parsing network for autonomous maritime transportation | |
CN117314360A (zh) | 一种智慧游艇运营管理系统 | |
CN116358584A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN116501820A (zh) | 车辆轨迹预测方法、装置、设备及存储介质 | |
Wang et al. | Complex encounter situation modeling and prediction method for unmanned ships based on bounded rational game | |
Lu et al. | A Novel CNN-LSTM Method for Ship Trajectory Prediction | |
Lei et al. | Learning for Prediction of Maritime Collision Avoidance Behavior from AIS Network |
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 |