CN117591794B - 基于时间序列的鸟类迁徙轨迹预测方法 - Google Patents

Abstract

本申请涉及数据预测技术领域，提出了基于时间序列的鸟类迁徙轨迹预测方法，包括：采集迁徙过程中的飞行数据，基于灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定速度关联因子；基于飞行高度、心率在短时间内的变化特征分别确定速度短程增幅因子；基于速度关联因子以及速度短程增幅因子确定速度短程增幅指数；基于飞行速度的稳定程度以及速度短程增幅指数确定速度短程修正程度；基于速度短程修正程度得到预测时刻的飞行速度；基于预测时刻的飞行速度以及预测时刻前一时刻的飞行方向角度确定预测时刻的飞行距离，完成对鸟群迁徙轨迹的预测。本申请自适应调整平滑因子预测每只灰雁的飞行速度，提高了迁徙轨迹的预测精度。

Description

基于时间序列的鸟类迁徙轨迹预测方法

技术领域

本申请涉及数据预测技术领域，具体涉及基于时间序列的鸟类迁徙轨迹预测方法。

背景技术

鸟类迁徙指的是鸟类为了寻找食物、栖息地和繁衍等需要在不同季节进行的距离较大的周期性移动。鸟类迁徙是鸟类适应环境的一种途径，也是生态系统中重要的一部分，它有助于促进物种交流、遗传流动和疾病传播的平衡。但是在鸟类迁徙的过程中，会有大量的鸟类死于人类的设施，比如高层建筑、高压线、公路的车辆等，因此需要对鸟类的迁徙轨迹进行预测，通过了解鸟类的迁徙路线和迁徙地点，采取相应的保护措施，以减少人类活动对鸟类迁徙的干扰，保护鸟类的多样性。

传统的鸟类迁徙轨迹预测方法通常是收集鸟类多年的迁徙数据，利用历史信息完成对鸟类迁徙轨迹的预测，但是传统的方法没有充分考虑环境变化对鸟类迁徙的影响，例如气候变化、栖息地丧失等因素导致鸟类迁徙路线的改变，这会导致传统的方法难以预测从未记录过的鸟类迁徙路线，不能较准确地预测出鸟类的迁徙轨迹。指数移动平均EMA算法（Exponential Moving Average）是一种用于时间数据序列的预测算法，具有简单易行、对新数据敏感、可以平滑历史数据中的噪声和波动的优点，被应用于各种需要对实时数据进行分析和预测的场景。但是传统的EMA算法中的平滑因子一般是根据经验选取的定值，而平滑因子过大或过小都会对EMA算法的预测结果造成不良影响，进而影响算法预测结果的准确性。

发明内容

本申请提供基于时间序列的鸟类迁徙轨迹预测方法，以解决EMA算法中固定平滑因子导致对灰雁迁徙过程中飞行速度预测准确率低的问题，所采用的技术方案具体如下：

本申请一个实施例基于时间序列的鸟类迁徙轨迹预测方法，该方法包括以下步骤：

采集鸟群迁徙过程中的飞行数据，所述飞行数据包括每只灰雁的经纬度、飞行高度、飞行速度、心率；

基于每只灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定每只灰雁飞行过程中飞行高度、心率的速度关联因子；

基于迁徙过程中灰雁的飞行高度、心率在短时间内的变化特征分别确定每只灰雁的飞行高度、心率的速度短程增幅因子；基于每只灰雁的飞行高度、心率的速度关联因子以及速度短程增幅因子确定每只灰雁的速度短程增幅指数；

基于迁徙过程中灰雁飞行速度的稳定程度以及每只灰雁的速度短程增幅指数确定每只灰雁的速度短程修正程度；

采用数据预测算法基于每只灰雁的速度短程修正程度得到每只灰雁预测时刻的飞行速度；基于每只灰雁预测时刻的飞行速度以及每只灰雁在预测时刻前一时刻的飞行方向角度确定预测时刻鸟群的飞行距离，完成对鸟群迁徙轨迹的预测。

优选的，所述基于每只灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定每只灰雁飞行过程中飞行高度、心率的速度关联因子的方法为：

采用GIS软件将每只灰雁飞行过程中采集的经纬度、飞行高度转换到大地坐标系中；分别对所有灰雁飞行过程中所有数据采集时刻的飞行速度、心率、飞行高度的转换结果进行归一化处理；

将每只灰雁飞行过程中所有数据采集时刻的飞行高度转换后的归一化结果按照时间顺序组成的序列作为每只灰雁的飞行高度序列；

将每只灰雁飞行过程中所有数据采集时刻的飞行速度的归一化结果、心率的归一化结果按照时间顺序组成的序列分别作为每只灰雁的飞行速度序列、心率序列；

将每只灰雁的飞行高度序列、心率序列、飞行速度序列作为输入，采用预测能力得分模型PPS分别获取每只灰雁飞行高度、心率的速度预测能力得分；

将每只灰雁飞行高度、心率的速度预测能力得分之和作为分母，将每只灰雁飞行高度的速度预测能力得分与分母的比值作为每只灰雁飞行过程中飞行高度的速度关联因子；将每只灰雁心率的速度预测能力得分与分母的比值作为每只灰雁飞行过程中心率的速度关联因子。

优选的，所述基于迁徙过程中灰雁的飞行高度、心率在短时间内的变化特征分别确定每只灰雁的飞行高度、心率的速度短程增幅因子的方法为：

S1：基于每只灰雁的飞行高度序列中元素的瞬时变化特征获取每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的每个同期高度变化率序列；

S2：将每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列内元素的标准差作为第一累加因子；将第一累加因子在每只灰雁的飞行高度趋势变化率序列中所有短时突变序列上累加结果的均值与预设参数之和的倒数作为每只灰雁的高度突变稳定指数；

S3：基于每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的所有同期高度变化率序列确定每只灰雁的高度突变影响指数；

S4：将每只灰雁的飞行高度趋势-周期序列中元素进行直线拟合所得直线的斜率作为趋势变化率，每只灰雁飞行高度的速度短程增幅因子由趋势变化率、高度突变稳定指数、高度突变影响指数、飞行高度序列中短时突变序列的数量四部分组成，其中，速度短程增幅因子分别与趋势变化率、高度突变影响指数、飞行高度序列中短时突变序列的数量成正比关系，速度短程增幅因子与高度突变稳定指数成反比关系；

S5：将每只灰雁的飞行高度序列替换为每只灰雁的心率序列，重复步骤S1-S4，得到每只灰雁心率的速度短程增幅因子。

优选的，所述基于每只灰雁的飞行高度序列中元素的瞬时变化特征获取每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的每个同期高度变化率序列的方法为：

将每只灰雁的飞行高度序列作为输入，采用X11分解算法获取每只灰雁的飞行高度序列对应的飞行高度趋势-周期序列，将所述飞行高度趋势-周期序列的一阶差分处理结果作为每只灰雁的飞行高度趋势变化率序列；

将每只灰雁的飞行高度趋势变化率序列作为输入，将采用突变点检测算法获取的任意一个突变点作为分割点，将每只灰雁的飞行高度趋势变化率序列中的任意两个分割点之间的元素组成的序列作为一个短时突变序列；将每个短时突变序列中第一个元素对应的时刻与最后一个元素对应时刻之间的时间间隔作为一个突变时间段；

将每只灰雁的飞行高度趋势变化率序列对应的任意一个突变时间段作为目标时间段，将其余每只灰雁的飞行高度趋势变化率序列在目标时间段内所有时刻上对应元素按照时间顺序组成的序列作为目标时间段的一个同期高度变化率序列。

优选的，所述基于每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的所有同期高度变化率序列确定每只灰雁的高度突变影响指数的方法为：

将每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列中每个突变点与每只灰雁的飞行高度趋势变化率序列中所有非突变点的均值之间差值的平方作为第一差值；将第一差值在所述任意一个短时突变序列上的累加结果作为第一特征值，将第一特征值在每只灰雁的飞行高度趋势变化率序列上的累加结果与预设参数的和作为分母，将第一特征值与分母得到比值作为每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列的置信度权重；

将每只灰雁的飞行高度趋势变化率序列中每个短时突变序列的置信度权重的数据映射结果作为第一乘积因子；

将每只灰雁的飞行高度趋势变化率序列中每个短时突变序列与其对应突变时间段的任意一个同期高度变化率序列之间的度量结果作为第二乘积因子；

将第一乘积因子、第二乘积因子的乘积在每只灰雁的飞行高度趋势变化率序列中所有短时突变序列对应突变时间段的所有同期高度变化率序列上累加结果的均值作为每只灰雁的高度突变影响指数。

优选的，所述基于每只灰雁的飞行高度、心率的速度关联因子以及速度短程增幅因子确定每只灰雁的速度短程增幅指数的方法为：

将每只灰雁飞行高度的速度关联因子与每只灰雁飞行高度的速度短程增幅因子的乘积作为第一组成因子；

将每只灰雁心率的速度关联因子与每只灰雁心率的速度短程增幅因子的乘积作为第二组成因子；

每只灰雁的速度短程增幅指数由第一组成因子、第二组成因子两部分组成，其中，所述速度短程增幅指数分别与第一组成因子、第二组成因子成正相关关系。

优选的，所述基于迁徙过程中灰雁飞行速度的稳定程度以及每只灰雁的速度短程增幅指数确定每只灰雁的速度短程修正程度的方法为：

基于每只灰雁飞行过程中飞行速度的稳定程度确定每只灰雁在每个时刻的飞行不稳定疑似度；

计算每只灰雁飞行过程中所有时刻飞行不稳定疑似度的均值，将飞行不稳定疑似度大于所述均值的时刻的数量与所述均值的乘积作为每只灰雁的短程不稳定度；

将每只灰雁的短程不稳定度与预设参数之和作为分母；将每只灰雁的速度短程增幅指数与分母的比值作为每只灰雁的速度短程修正程度。

优选的，所述基于每只灰雁飞行过程中飞行速度的稳定程度确定每只灰雁在每个时刻的飞行不稳定疑似度的方法为：

将每只灰雁的飞行速度序列作为输入，将采用DFA去趋势算法得到每只灰雁的飞行速度序列的去趋势序列；

将所述去趋势序列中每个数据点所取预设尺度的局部窗口内所有元素的均值与标准差的乘积作为每个数据点的局部波动值；

将每个数据点的局部波动值与其余数据点的局部波动值之间差值平方的均值作为每个数据点对应时刻的飞行不稳定疑似度。

优选的，所述采用数据预测算法基于每只灰雁的速度短程修正程度得到每只灰雁预测时刻的飞行速度的方法为：

将每只灰雁的速度短程修正程度的归一化结果与第一预设参数的乘积与第二预设参数之和作为每只灰雁预测飞行速度时的平滑因子；

将每只灰雁迁徙起始时刻至当前时刻的飞行速度数据作为输入，采用EMA预测算法基于每只灰雁预测飞行速度时的平滑因子得到每只灰雁预测时刻的飞行速度。

优选的，所述基于每只灰雁预测时刻的飞行速度以及每只灰雁在预测时刻前一时刻的飞行方向角度确定预测时刻鸟群的飞行距离的方法为：

基于大地坐标系中每只灰雁在预测时刻前两个时刻的飞行方向向量确定每只灰雁在预测时刻前一时刻的飞行方向角度；将所有灰雁在预测时刻前一时刻飞行方向角度的均值作为预测时刻前一时刻的鸟群迁徙方向；

将所有灰雁在预测时刻的飞行速度的均值作为鸟群在预测时刻的迁徙速度；将鸟群在预测时刻的迁徙速度与相邻两次采集数据的时间间隔的乘积作为将鸟群在预测时刻的迁徙距离；

将大地坐标系中预测时刻前一时刻下所有灰雁位置坐标的均值确定的坐标点作为预测时刻前一时刻的鸟群迁徙坐标点；

将以预测时刻前一时刻的鸟群迁徙坐标点为起始点，以预测时刻前一时刻的鸟群迁徙方向为轨迹方向，以鸟群的迁徙距离为长度的有向线段作为预测时刻鸟群的迁徙轨迹。

本申请的有益效果是：本申请通过对鸟类迁徙过程中影响飞行速度的相关因素进行分析，根据飞行高度和心率的数据分布情况以及飞行高度和心率与飞行速度之间的关联性分别构建灰雁迁徙飞行过程中飞行高度的速度短程增幅因子、心率的速度短程增幅因子；基于飞行高度的速度短程增幅因子、心率的速度短程增幅因子确定每只灰雁的速度短程增幅指数，考虑鸟群中不同灰雁的种群角色不同在迁徙过程的飞行行为的变化能够准确的评估每只灰雁飞行速度发生较大改变的概率；其次根据飞行速度数据序列中异常局部波动数据的分布情况构建出飞行不稳定疑似度，结合速度短程增幅指数构建速度短程修正程度，降低了鸟类在飞行不稳定时对其飞行速度变化情况的干扰，基于速度短程修正程度自适应地得到EMA算法预测每只灰雁飞行速度时的平滑因子，对速度短程修正程度较大的飞行速度数据序列赋予较大的平滑因子，以提高EMA算法对近期数据的敏感性，使飞行速度的预测结果更符合近期数据的变化趋势，并使用EMA算法对鸟类的飞行速度进行预测，提高了EMA算法对鸟类飞行速度进行预测时的准确性，使得鸟类的飞行速度的预测结果更为准确，并使用鸟类飞行速度的预测结果完成对鸟类迁徙轨迹的预测，提高了对鸟类迁徙轨迹预测的实时性和准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一个实施例所提供的基于时间序列的鸟类迁徙轨迹预测方法的流程示意图；

图2为本申请一个实施例所提供的基于时间序列的鸟类迁徙轨迹预测方法的实施流程图；

图3为本申请一个实施例所提供的获取飞行高度的速度短程增幅因子的实施流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。

请参阅图1，其示出了本申请一个实施例提供的基于时间序列的鸟类迁徙轨迹预测方法的流程图，该方法包括以下步骤：

步骤S001，采集鸟群迁徙过程中的飞行数据，所述飞行数据包括每只灰雁的经纬度、飞行高度、飞行速度、心率。

本申请的目的旨在通过对迁徙过程中鸟群内每只灰雁的飞行速度进行预测，基于飞行速度的预测结果确定迁徙轨迹的预测结果，整个实施流程如图2所示。由于迁徙中的鸟类一般会结成群体，并且在迁飞时有固定的队形，因此本申请以鸟群数量为100的灰雁群为例，对每只灰雁飞行过程中的飞行速度进行预测，需要说明的是鸟的种类以及鸟群的数量实施者可根据迁徙对象设置合适的值。

具体地，对鸟群中的每只灰雁分别安装GPS定位器和心电传感器来采集每只灰雁的经度、纬度、飞行高度、飞行速度以及心率数据。本申请中，相邻两次数据采集的时间间隔为t秒、每个传感器采集n个数据，t、n的大小分别取经验值30、500。其次，为了便于后续鸟群坐标的计算，将每只灰雁的每次采集的经度、纬度、飞行高度输入到GIS软件中，使用GIS软件将每只灰雁的每次采集的经度、纬度、飞行高度转换到大地坐标系中，坐标转换为公知技术，具体过程不再赘述。其次，分别对所有灰雁飞行过程中所有数据采集时刻的飞行速度、心率、飞行高度的转换结果进行max-min归一化处理，max-min归一化为公知技术，具体过程不再赘述。分别将每只灰雁飞行过程中所有数据采集时刻的飞行高度转换后的归一化结果、飞行速度的归一化结果、心率的归一化结果按照时间顺序组成的序列作为每只灰雁的飞行高度序列、飞行速度序列、心率序列。

至此，得到了每只灰雁的飞行高度序列、飞行速度序列、心率序列，用于后续计算每只灰雁飞行高度、心率的速度短程增幅因子。

步骤S002，基于灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定飞行高度、心率的速度关联因子；基于迁徙过程中飞行高度、心率在短时间内的变化特征分别确定飞行高度、心率的速度短程增幅因子。

在迁徙飞行的过程中灰雁的飞行速度会受到不同因素的影响，因此本申请考虑首先评估飞行高度、心率与飞行速度之间的关联程度；其次根据鸟群迁徙过程中不同灰雁在鸟群中担任角色不同导致每只灰雁飞行高度、心率在短时间内变化特征的差异来分析每只灰雁迁徙过程中飞行速度的变化幅度，确定每只灰雁飞行高度、心率的速度短程增幅因子。

具体地，在一个实施例中，在鸟类的迁徙过程中，鸟类会根据需要调整飞行速度，以节省能量或加快迁徙速度，比如避开山脉、恶劣天气或利用上升气流进行飞行等。一般情况下，当鸟类的飞行高度出现较大的变化时，其飞行速度也会发生相应的变化，这是因为海拔的变化会导致空气密度、气流、温度和氧气含量等因素的变化，进而影响鸟类的飞行速度，而温度和氧气含量的变化也会造成鸟类飞行心率的变化，同时，鸟类飞行速度的改变也会引起飞行心率的变化，以满足其身体对氧气和能量的需求。

对于鸟群中的每只灰雁，以第a只灰雁为例，将第a只灰雁的飞行高度序列、心率序列、飞行速度序列作为输入，其中，分别将第a只灰雁的飞行高度序列、心率序列作为两种特征，将每只灰雁的飞行速度序列作为目标变量，采用预测能力得分模型PPS（PredictivePower Score）分别输出每种特征对目标变量的预测能力得分，分别记为每只灰雁飞行高度、心率的速度预测能力得分，预测能力得分模型PPS中的计算为公知技术，具体过程不再赘述。

在另一个实施例中，对于鸟群中的每只灰雁，以第a只灰雁为例，还可以将第a只灰雁的飞行高度序列、心率序列、飞行速度序列作为输入，其中，分别将第a只灰雁的飞行高度序列、心率序列作为两种子序列，将每只灰雁的飞行速度序列作为母序列，采用灰色关联分析法分别获取每种子序列与母序列之间的灰色关联度，分别记为每只灰雁飞行高度、心率的速度预测能力得分，灰色关联分析法为公知技术，具体过程不再赘述。

进一步地，基于每只灰雁飞行高度、心率的速度预测能力得分分别确定飞行高度、心率的速度关联因子，其中，每只灰雁飞行高度的速度关联因子与心率的速度关联因子计算原理相同，此处以第a只灰雁为例，计算第a只灰雁飞行高度、心率的速度关联因子：

式中，、/>是第a只灰雁飞行高度、心率的速度关联因子，/>、/>分别是第a只灰雁飞行高度、心率的速度预测能力得分。

其中，在迁徙过程中，第a只灰雁飞行速度的改变导致飞行高度发生变化的频率越高、发生变化的程度越大，第a只灰雁的飞行高度的变化越是能反映第a只灰雁在迁徙过程中飞行速度的变化，的值越大；同理可知，第a只灰雁飞行速度的改变导致飞行过程中心率数据发生变化的频率越高、发生变化的程度越大，第a只灰雁的飞行过程中心率数据的变化越是能反映第a只灰雁在迁徙过程中飞行速度的变化，/>的值越大。

由于鸟群在迁徙过程中存在不同职责的灰雁，例如，领导整个鸟群的领导者、负责调整、确定飞行方向的导航者、传递鸟群之间通信信息的通信者等等，每种职责的鸟在迁移飞行过程中的作用不同，相应的，飞行高度或者飞行速度的变化程度也不同，对鸟群迁徙轨迹的决策能力也不同。因此考虑通过同一时间段内不同灰雁的飞行数据的变化特征评估每只灰雁的飞行数据的变化对飞行速度的影响程度，如图3所示，获取每只灰雁飞行高度的速度短程增幅因子。

S1：将第a只灰雁的飞行高度序列作为输入，采用X11(X11 decomposition)分解算法输出第a只灰雁的飞行高度趋势-周期序列，X11分解算法为公知技术，具体过程不再赘述。其次，对第a只灰雁的飞行高度趋势-周期序列进行一阶差分处理结果，将一阶差分处理的结果作为第a只灰雁的飞行高度趋势变化率序列，一阶差分处理为公知技术，具体过程不再赘述。并将飞行高度趋势变化率序列/>作为输入，采用BG(Bernaola Galvan)序列分割算法获取飞行高度趋势变化率序列/>中的所有突变点；在另一个实施例中，还可以将飞行高度趋势变化率序列/>作为输入，采用Pettitt突变检测法获取行高度趋势变化率序列/>中的所有突变点，其中，BG序列分割算法、Pettitt突变检测法均为公知技术，具体过程不再赘述。将飞行高度趋势变化率序列/>中的任意两个分割点之间的元素组成的序列作为一个短时突变序列，并将每个短时突变序列中第一个元素对应的时刻与最后一个元素对应时刻之间的时间间隔作为一个突变时间段。

S2：具体地，对于任意一个突变时间段，以飞行高度趋势变化率序列中的第k个突变时间段为例，分别获取其余每只灰雁的飞行高度趋势变化率序列，其次，将其余每只灰雁的飞行高度趋势变化率序列中在第k个突变时间段上的元素组成的序列作为第k个突变时间段的一个同期高度变化率序列。举例而言，飞行高度趋势变化率序列/>中的第k个短时突变序列对应的突变时间段为[/>，/>]，其中，分别是所述第k个短时突变序列中第一个元素、最后一个元素对应的时刻，分别获取第j只灰雁的飞行高度趋势变化率序列在时间段[/>，/>]中每个时刻对应的元素，将第j只灰雁的飞行高度趋势变化率序列在时间段[/>，/>]中所有时刻对应元素按照时间顺序组成的序列作为[，/>]的第j个同期高度变化率序列。

基于上述分析，此处构建速度短程增幅因子，用于表征鸟群中每只灰雁在迁徙飞行过程中飞行高度变化对飞行速度变化的影响程度。计算第a只灰雁飞行高度的速度短程增幅因子：

式中，是第a只灰雁的高度突变稳定指数，K是飞行高度趋势变化率序列/>中短时突变序列的数量，/>是飞行高度趋势变化率序列/>中第k个短时突变序列内元素的标准差，/>是调参因子，用于防止分母为0，/>的大小取经验值0.01；

是第a只灰雁的第k个短时突变序列的置信度权重，/>是飞行高度趋势变化率序列/>中突变点的数量，/>是飞行高度趋势变化率序列/>中第h个突变点，/>是第a只灰雁的飞行高度趋势变化率序列/>中所有非突变点的均值；

是第a只灰雁的高度突变影响指数，M是鸟群中灰雁的数量，j是第j只灰雁，是以自然常数为底数的指数函数，/>是飞行高度趋势变化率序列/>中的第k个短时突变序列，/>是飞行高度趋势变化率序列/>中的第k个突变时间段的第j个同期高度变化率序列，/>是序列/>、/>之间的值方差，值方差的计算为公知技术，具体过程不再赘述；

是第a只灰雁飞行高度的速度短程增幅因子，/>是第a只灰雁的飞行高度趋势-周期序列中元素进行直线拟合所得直线的斜率。

其中，第a只灰雁在迁徙飞行过程中飞行高度的变化越稳定，飞行高度趋势变化率序列中突变点前后时刻的高度变化幅度越小，在整个采集时刻中第a只灰雁的飞行高度整体波动越小，第一累加因子/>的值越小，/>的值越大；第a只灰雁在第k个突变时间段内飞行速度的变化越大，飞行高度变化幅度越大，第a只灰雁在第k个突变时间段内每个突变点所在时刻的飞行高度的变化幅度与其余时刻的飞行高度的变化幅度之间的差异越大，第一差值/>的值越大，第一特征值/>的值越大，第k个短时突变序列的置信度权重越大，在第k个突变时间段内第a只灰雁的迁徙行为与其余灰雁的区别越强烈，第一乘积因子/>的值越大；在鸟群迁徙过程中，第a只灰雁发生飞行行为改变的概率越高，此时第a只灰雁的飞行速度随着飞行行为变化的改变的概率越大，同一突变时间段内，第a只灰雁的飞行高度的变化趋势与其余只灰雁的飞行高度的变化趋势越不一致，序列/>、/>之间的差异越大，第二乘积因子/>的值越大；第a只灰雁的飞行高度趋势-周期序列中元素整体的周期性越弱，第a只灰雁在采集数据期间的飞行高度的变化范围越大，第a只灰雁的飞行高度的上升速度或下降速度越快，则第a只灰雁的飞行速度也越快，趋势变化率/>的值越大；即/>的值越大，第a只灰雁在数据采集期间迁徙过程中的飞行速度越有可能发生较大的改变。

进一步地，将第a只灰雁的飞行高度序列替换为第a只灰雁的心率序列，重复上述S1-S2的计算流程，获取第a只灰雁的心率的速度短程增幅因子。

至此，得到每只灰雁飞行高度、心率的速度短程增幅因子，用于后续确定每只灰雁的速度短程修正程度。

步骤S003，基于飞行高度、心率的速度关联因子以及速度短程增幅因子确定速度短程增幅指数；基于迁徙过程中灰雁飞行速度的稳定程度以及速度短程增幅指数确定每只灰雁的速度短程修正程度。

由于鸟类在飞行过程中会受到气流和风速的影响，使得鸟类的飞行速度呈现一定的局部波动，但是鸟类会通过调整翅膀的频率、振幅和飞行姿态等方式来维持较为稳定的飞行速度，使得鸟类的飞行速度在大部分情况下呈现出较为近似的局部波动，而当鸟类遇到较大风力或较强气流时，其飞行速度会出现较大的局部波动，使得其飞行速度出现不稳定的情况，进而导致其飞行高度和飞行速率也会出现不稳定的情况，将会造成对飞行速度波动系分析的可靠性受到影响。

基于上述分析，本身申请考虑基于上述步骤确定每只灰雁迁徙飞行过程中飞行高度、心率的速度短程增幅因子综合评估每只灰雁飞行过程中飞行速度的变化幅度，并通过数据采集期间每只灰雁飞行速度的稳定程度对计算的速度短程增幅指数进行修正。

在一个实施例中，以第a只灰雁为例，基于第a只灰雁飞行高度、心率的速度短程增幅因子以及第a只灰雁飞行高度、心率的速度关联因子确定第a只灰雁的速度短程增幅指数：

式中，是第a只灰雁的速度短程增幅指数，/>、/>分别是第a只灰雁飞行高度、心率的速度关联因子，/>、/>分别是第a只灰雁飞行高度、心率的速度短程增幅因子。

其中，在第a只灰雁的迁徙飞行过程中，第a只灰雁飞行高度与飞行速度的关联性越大，第a只灰雁的飞行高度的变化造成飞行速度改变的概率越高，的值越大，/>的值越大，相应的，第一组成因子/>的值越大；同理可知，第a只灰雁心率与飞行速度的关联性越大，第a只灰雁心率变化导致飞行速度改变的概率越高，/>的值越大，/>的值越大，相应的，第二组成因子/>的值越大。

进一步地，将第a只灰雁的飞行速度序列作为输入，采用去趋势分析DFA(Detrended Fluctuation Analysis)算法得到第a只灰雁的飞行速度序列的去趋势序列，DFA算法为公知技术，具体过程不再赘述。将去趋势序列/>中的每个数据点作为一个中心点，设置一个尺度大小为11*1的局部窗口，为了避免端点现象，对于去趋势序列/>中作为中心点两侧数据点不足以构建局部窗口的数据点，采用均值填充的方式进行补充，均值填充为公知技术，具体过程不再赘述。

基于上述分析，此处构建速度短程修正程度，用于表征每只灰雁迁徙飞行过程中飞行状态的稳定程度。计算第a只灰雁的速度短程修正程度：

式中，是第a只灰雁在去趋势序列/>中第i个数据点对应时刻的飞行不稳定疑似度，m是去趋势序列/>中数据点的数量，i、g分别是去趋势序列/>中第i个、第g个数据点，/>、/>分别是以第i个数据点为中心的局部窗口内所有元素的标准差、均值；/>、分别是以第i个数据点为中心的局部窗口内所有元素的标准差、均值；

是第a只灰雁的短程不稳定度，/>是第a只灰雁在去趋势序列/>中所有数据点对应时刻的飞行不稳定疑似度的均值，/>是去趋势序列/>中飞行不稳定疑似度大于所述飞行不稳定疑似度的均值的数据点的数量；

是第a只灰雁的速度短程修正程度，/>是第a只灰雁的速度短程增幅指数，/>是调参因子，用于防止分母为0，/>的大小取经验值0.01。

其中，第a只灰雁在迁徙飞行期间不同短时间内飞行速度的变化量差异越大，第i个数据点对应时刻第a只灰雁飞行速度不稳定的概率越高，去趋势序列中第i个、第g个数据点所取局部窗口内元素的分布特征差异越大，局部波动值/>与/>之间的差值越大，/>的值越大；第a只灰雁在数据采集期间出现飞行不稳定的时刻的数量越多，/>的值越大，/>的值越大，所得第a只灰雁的速度短程增幅指数/>的数据可靠性越差，/>的值越小。

至此，得到鸟群中每只灰雁的速度短程修正程度，用于后续确定每只灰雁预测时刻的飞行速度。

步骤S004，基于每只灰雁的速度短程修正程度得到每只灰雁预测时刻的飞行速度；基于每只灰雁预测时刻的飞行速度以及每只灰雁在预测时刻前一时刻的飞行方向角度确定预测时刻鸟群的飞行距离，完成对鸟群迁徙轨迹的预测。

根据每只灰雁的速度短程修正程度，采用数据预测算法得到预测时刻鸟群中每只灰雁的飞行速度，再根据预测时刻之前历史时刻的飞行方向确定鸟群在预测时刻的迁徙距离，基于迁徙距离和飞行方向角度确定鸟群在预测时刻的迁徙轨迹。

具体地，基于每只灰雁的速度短程修正程度确定每只灰雁在预测飞行速度时的平滑因子。以第a只灰雁为例：

式中，是第a只灰雁预测飞行速度时的平滑因子，/>是归一化函数，/>是第a只灰雁的速度短程修正程度，/>、/>分别是第一预设参数、第二预设参数，/>、/>的大小分别取经验值0.1、0.9。

的值越大，表示第a只灰雁在飞行过程中飞行速度近期的数据越可能出现了大幅度的变化，则近期数据的权重应越大，来使预测结果更好地反应飞行速度近期数据的变化趋势，即平滑因子/>的值应当越大。

进一步地，将第a只灰雁的飞行速度序列作为输入，采用EMA算法基于第a只灰雁预测飞行速度时的平滑因子得到第a只灰雁在第n+1个数据采集时刻飞行速度的预测值，EMA算法为公知技术，具体过程不再赘述。其次，在大地坐标系中分别确定第a只灰雁在第n-1个数据采集时刻、第n个数据采集时刻的坐标点，将以第a只灰雁在第n-1个数据采集时刻的坐标点为起始点指向第n数据采集时刻的坐标点的有向向量与水平方向的夹角作为第a只灰雁在第n个数据采集时刻的飞行方向角度；将所有灰雁在第n个数据采集时刻的飞行方向角度的均值作为在第n个数据采集时刻的鸟群迁徙方向，并将所有灰雁在第n+1个数据采集时刻飞行速度的预测值的均值作为鸟群在第n+1个数据采集时刻的迁徙速度。

基于鸟群在第n+1个数据采集时刻的迁徙速度以及相邻两个数据采集时刻的时间间隔确定鸟群在第n+1个数据采集时刻的迁徙距离：

式中，是鸟群在第n+1个数据采集时刻的迁徙距离，/>是鸟群在第n+1个数据采集时刻的迁徙速度，t是第n个、第n+1个数据采集时刻之间的时间间隔。

进一步地，将大地坐标系中第n个数据采集时刻所有灰雁位置坐标的均值确定的坐标点作为第n个数据采集时刻的鸟群迁徙坐标点；将以第n个数据采集时刻的鸟群迁徙坐标点为起始点，以第n+1个数据采集时刻的鸟群迁徙方向为轨迹方向，以第n+1个数据采集时刻鸟群的迁徙距离为长度的有向线段作为第n+1个数据采集时刻鸟群迁徙轨迹的预测结果。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.基于时间序列的鸟类迁徙轨迹预测方法，其特征在于，该方法包括以下步骤：

采集鸟群迁徙过程中的飞行数据，所述飞行数据包括每只灰雁的经纬度、飞行高度、飞行速度、心率；

基于每只灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定每只灰雁飞行过程中飞行高度、心率的速度关联因子；

基于迁徙过程中灰雁的飞行高度、心率在短时间内的变化特征分别确定每只灰雁的飞行高度、心率的速度短程增幅因子；基于每只灰雁的飞行高度、心率的速度关联因子以及速度短程增幅因子确定每只灰雁的速度短程增幅指数；

基于迁徙过程中灰雁飞行速度的稳定程度以及每只灰雁的速度短程增幅指数确定每只灰雁的速度短程修正程度；

采用数据预测算法基于每只灰雁的速度短程修正程度得到每只灰雁预测时刻的飞行速度；基于每只灰雁预测时刻的飞行速度以及每只灰雁在预测时刻前一时刻的飞行方向角度确定预测时刻鸟群的飞行距离，完成对鸟群迁徙轨迹的预测；

所述基于每只灰雁飞行过程中飞行高度、心率与飞行速度之间的关联性分析结果分别确定每只灰雁飞行过程中飞行高度、心率的速度关联因子的方法为：

采用GIS软件将每只灰雁飞行过程中采集的经纬度、飞行高度转换到大地坐标系中；分别对所有灰雁飞行过程中所有数据采集时刻的飞行速度、心率、飞行高度的转换结果进行归一化处理；

将每只灰雁飞行过程中所有数据采集时刻的飞行高度转换后的归一化结果按照时间顺序组成的序列作为每只灰雁的飞行高度序列；

将每只灰雁飞行过程中所有数据采集时刻的飞行速度的归一化结果、心率的归一化结果按照时间顺序组成的序列分别作为每只灰雁的飞行速度序列、心率序列；

将每只灰雁的飞行高度序列、心率序列、飞行速度序列作为输入，采用预测能力得分模型PPS分别获取每只灰雁飞行高度、心率的速度预测能力得分；

将每只灰雁飞行高度、心率的速度预测能力得分之和作为分母，将每只灰雁飞行高度的速度预测能力得分与分母的比值作为每只灰雁飞行过程中飞行高度的速度关联因子；将每只灰雁心率的速度预测能力得分与分母的比值作为每只灰雁飞行过程中心率的速度关联因子；

所述基于迁徙过程中灰雁的飞行高度、心率在短时间内的变化特征分别确定每只灰雁的飞行高度、心率的速度短程增幅因子的方法为：

S1：基于每只灰雁的飞行高度序列中元素的瞬时变化特征获取每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的每个同期高度变化率序列；

S2：将每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列内元素的标准差作为第一累加因子；将第一累加因子在每只灰雁的飞行高度趋势变化率序列中所有短时突变序列上累加结果的均值与预设参数之和的倒数作为每只灰雁的高度突变稳定指数；

S3：基于每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的所有同期高度变化率序列确定每只灰雁的高度突变影响指数；

S4：将每只灰雁的飞行高度趋势-周期序列中元素进行直线拟合所得直线的斜率作为趋势变化率，每只灰雁飞行高度的速度短程增幅因子由趋势变化率、高度突变稳定指数、高度突变影响指数、飞行高度序列中短时突变序列的数量四部分组成，其中，速度短程增幅因子分别与趋势变化率、高度突变影响指数、飞行高度序列中短时突变序列的数量成正比关系，速度短程增幅因子与高度突变稳定指数成反比关系；

S5：将每只灰雁的飞行高度序列替换为每只灰雁的心率序列，重复步骤S1-S4，得到每只灰雁心率的速度短程增幅因子；

所述基于每只灰雁的飞行高度、心率的速度关联因子以及速度短程增幅因子确定每只灰雁的速度短程增幅指数的方法为：

将每只灰雁飞行高度的速度关联因子与每只灰雁飞行高度的速度短程增幅因子的乘积作为第一组成因子；

将每只灰雁心率的速度关联因子与每只灰雁心率的速度短程增幅因子的乘积作为第二组成因子；

每只灰雁的速度短程增幅指数由第一组成因子、第二组成因子两部分组成，其中，所述速度短程增幅指数分别与第一组成因子、第二组成因子成正相关关系；

所述基于迁徙过程中灰雁飞行速度的稳定程度以及每只灰雁的速度短程增幅指数确定每只灰雁的速度短程修正程度的方法为：

基于每只灰雁飞行过程中飞行速度的稳定程度确定每只灰雁在每个时刻的飞行不稳定疑似度；

计算每只灰雁飞行过程中所有时刻飞行不稳定疑似度的均值，将飞行不稳定疑似度大于所述均值的时刻的数量与所述均值的乘积作为每只灰雁的短程不稳定度；

将每只灰雁的短程不稳定度与预设参数之和作为分母；将每只灰雁的速度短程增幅指数与分母的比值作为每只灰雁的速度短程修正程度；

所述采用数据预测算法基于每只灰雁的速度短程修正程度得到每只灰雁预测时刻的飞行速度的方法为：

将每只灰雁的速度短程修正程度的归一化结果与第一预设参数的乘积与第二预设参数之和作为每只灰雁预测飞行速度时的平滑因子；

将每只灰雁迁徙起始时刻至当前时刻的飞行速度数据作为输入，采用EMA预测算法基于每只灰雁预测飞行速度时的平滑因子得到每只灰雁预测时刻的飞行速度；

所述基于每只灰雁预测时刻的飞行速度以及每只灰雁在预测时刻前一时刻的飞行方向角度确定预测时刻鸟群的飞行距离的方法为：

基于大地坐标系中每只灰雁在预测时刻前两个时刻的飞行方向向量确定每只灰雁在预测时刻前一时刻的飞行方向角度；将所有灰雁在预测时刻前一时刻飞行方向角度的均值作为预测时刻前一时刻的鸟群迁徙方向；

将所有灰雁在预测时刻的飞行速度的均值作为鸟群在预测时刻的迁徙速度；将鸟群在预测时刻的迁徙速度与相邻两次采集数据的时间间隔的乘积作为将鸟群在预测时刻的迁徙距离；

将大地坐标系中预测时刻前一时刻下所有灰雁位置坐标的均值确定的坐标点作为预测时刻前一时刻的鸟群迁徙坐标点；

将以预测时刻前一时刻的鸟群迁徙坐标点为起始点，以预测时刻前一时刻的鸟群迁徙方向为轨迹方向，以鸟群的迁徙距离为长度的有向线段作为预测时刻鸟群的迁徙轨迹。

2.根据权利要求1所述的基于时间序列的鸟类迁徙轨迹预测方法，其特征在于，所述基于每只灰雁的飞行高度序列中元素的瞬时变化特征获取每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的每个同期高度变化率序列的方法为：

将每只灰雁的飞行高度序列作为输入，采用X11分解算法获取每只灰雁的飞行高度序列对应的飞行高度趋势-周期序列，将所述飞行高度趋势-周期序列的一阶差分处理结果作为每只灰雁的飞行高度趋势变化率序列；

将每只灰雁的飞行高度趋势变化率序列作为输入，将采用突变点检测算法获取的任意一个突变点作为分割点，将每只灰雁的飞行高度趋势变化率序列中的任意两个分割点之间的元素组成的序列作为一个短时突变序列；将每个短时突变序列中第一个元素对应的时刻与最后一个元素对应时刻之间的时间间隔作为一个突变时间段；

将每只灰雁的飞行高度趋势变化率序列对应的任意一个突变时间段作为目标时间段，将其余每只灰雁的飞行高度趋势变化率序列在目标时间段内所有时刻上对应元素按照时间顺序组成的序列作为目标时间段的一个同期高度变化率序列。

3.根据权利要求1所述的基于时间序列的鸟类迁徙轨迹预测方法，其特征在于，所述基于每只灰雁的飞行高度趋势变化率序列中任意一个突变时间段的所有同期高度变化率序列确定每只灰雁的高度突变影响指数的方法为：

将每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列中每个突变点与每只灰雁的飞行高度趋势变化率序列中所有非突变点的均值之间差值的平方作为第一差值；将第一差值在所述任意一个短时突变序列上的累加结果作为第一特征值，将第一特征值在每只灰雁的飞行高度趋势变化率序列上的累加结果与预设参数的和作为分母，将第一特征值与分母得到比值作为每只灰雁的飞行高度趋势变化率序列中任意一个短时突变序列的置信度权重；

将每只灰雁的飞行高度趋势变化率序列中每个短时突变序列的置信度权重的数据映射结果作为第一乘积因子；

将每只灰雁的飞行高度趋势变化率序列中每个短时突变序列与其对应突变时间段的任意一个同期高度变化率序列之间的度量结果作为第二乘积因子；

将第一乘积因子、第二乘积因子的乘积在每只灰雁的飞行高度趋势变化率序列中所有短时突变序列对应突变时间段的所有同期高度变化率序列上累加结果的均值作为每只灰雁的高度突变影响指数。

4.根据权利要求1所述的基于时间序列的鸟类迁徙轨迹预测方法，其特征在于，所述基于每只灰雁飞行过程中飞行速度的稳定程度确定每只灰雁在每个时刻的飞行不稳定疑似度的方法为：

将每只灰雁的飞行速度序列作为输入，将采用DFA去趋势算法得到每只灰雁的飞行速度序列的去趋势序列；

将所述去趋势序列中每个数据点所取预设尺度的局部窗口内所有元素的均值与标准差的乘积作为每个数据点的局部波动值；

将每个数据点的局部波动值与其余数据点的局部波动值之间差值平方的均值作为每个数据点对应时刻的飞行不稳定疑似度。