CN118133894B - 一种基于周围船舶影响图和不确定估计的船舶航迹预测方法 - Google Patents

Abstract

本发明属于船舶航迹预测技术领域，具体涉及一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：获取目标船舶包括运动、环境、静态和周围船舶影响要素的多源信息；以目标船舶为中心，将周围空间划分为不同区域，定义船舶影响图，实现对周围船舶影响要素标准化描述；将多源信息及标准化描述输入航迹预测模型，得到目标船舶未来预测位置；通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；该模型包括编码器和解码器，编码器通过特征提取层及双向长短期记忆网络进行特征提取；解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，并通过单向长短期记忆网络逐步预测出目标船舶的未来轨迹。

Description

一种基于周围船舶影响图和不确定估计的船舶航迹预测方法

技术领域

本发明属于船舶航迹预测技术领域，具体涉及一种基于周围船舶影响图和不确定估计的船舶航迹预测方法。

背景技术

随着全球贸易体量的不断扩大，海上运输作为一种高效且经济的跨洋运输手段，保障船舶的航行安全和效率显得尤为关键。在这一背景下，船舶航迹预测技术在提升海上导航安全与海事交通管理效率方面扮演了不可或缺的角色。此技术不仅有助于预防船舶碰撞事故，也为航线规划、港口运营、以及异常行为检测等领域提供了决策支持。然而，船舶行为的不确定性、海洋环境的复杂性以及船只间动态的相互作用，共同增加了船舶航迹预测的挑战性。

船舶航迹预测对于完善海上智能运输管理系统具有重要的意义，是当前的研究热点。随着研究的不断深入，该领域的发展过程可以大致分为三个阶段：早期主要采用基于运动学的仿真方法，在第二阶段中统计方法和机器学习方法同步发展，而现阶段基于深度学习的方法已成为研究主流。本节旨在简要回顾船舶航迹预测方法的发展历程，并分析当前研究的主要挑战。

最初阶段的研究工作集中于运用船舶物理模型和运动学方程进行位置预测的传统方法。这些基于物理模型的方法为理解船舶的基本运动模式提供了理论基础，但在处理海上繁忙区域中的动态和复杂相互作用时表现出局限性。其主要缺陷在于难以适应海上交通的非线性和多变性，导致预测精度在复杂场景下显著下降。

在随后的发展中，统计方法与基于机器学习的方法成为该领域的两大主流。统计方法主要包括基于蒙特卡洛模型、随机过程、马尔可夫链以及滤波等技术的方法，这类方法使用手工设计的数据模型拟合船舶历史航迹数据，再基于当前状态进行比对以预测未来位置。这些方法在特定场景和约束下有效，但难以迁移应用，在复杂且交通密集的海域中也难以获得精确的结果。

机器学习方法中的支持向量回归(SVR)、反向传播神经网络(BPNN)和人工神经网络(ANN)等技术，因具有较强的非线性拟合能力而被广泛应用于船舶航迹预测领域。此外，如K-means等聚类技术也被用于对原始航迹数据的线聚类或点聚类。线聚类方法常被用于航迹的预分类，再针对不同类别的航迹训练精细化模型以提升预测精度。另一方面，点聚类方法通常用于提取海上关键航路点，构建海上交通网络模型。这种方法通过估计下一航路点来判断船舶当前所处航路，再预测船舶未来航迹。这类方法通常在长期航迹预测中表现较好，且具备一定的可解释性。

随着近年来深度学习模型的广泛应用与普及，这类方法逐步成为船舶航迹预测的研究焦点。这主要是由于深度学习模型能够从大量历史数据中自动提取特征，识别航迹数据中的复杂模式，并进行有效的时间序列分析。如卷积神经网络、长短时记忆网络、双向长短时记忆网络、双向门控循环单元、序列到序列的模型、生成对抗网络、图卷积神经网络和Transformer等深度学习模型，及各类组合或变体，均被研究者们广泛探索与尝试。得益于硬件计算能力的提升和深度学习技术的不断优化，这类方法显著提高了复杂场景下中短期航迹预测的准确性和可靠性。

尽管深度学习方法取得了显著成就，但当前研究依然存在局限性。首先，多数研究集中于使用经度、纬度、航速、航向信息进行预测，而忽略了船舶未来行动可能受到的其他影响因素。此外，在拥挤海域航行时，船舶行为显著受到周围船舶的影响。最后，在基于深度学习的船舶航迹预测任务中，由于预测模型是一个黑盒，因此量化预测的不确定性与获得高精度的预测结果同样重要。

发明内容

本发明的目的在于克服现有技术缺陷，提出了一种基于周围船舶影响图和不确定估计的船舶航迹预测方法。提出了一种新颖的序列到序列的模型——Vessel InfluenceLSTM（VI-LSTM），旨在通过结合环境因素、船舶静态特征以及周围船舶的影响，提高船舶航迹预测的准确性和可靠性。本模型中涉及的多个创新性结构，均易于与现有的航迹智能预测模型集成，具有广泛的应用潜力。

为了实现上述目的，本发明提出了一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：

获取目标船舶包括运动要素、环境要素、船舶静态要素和周围船舶影响要素的多源信息；

以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；

将目标船舶的多源信息及标准化描述输入预先建立和训练好的航迹预测模型，通过融合海上交通环境的多源信息，捕捉船舶航行中的自身运动模式和周围环境的时序变化规律，得到目标船舶的未来预测位置；

通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；

所述航迹预测模型包括编码器和解码器，其中，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，并通过单向长短期记忆网络逐步预测出目标船舶的未来轨迹。

优选的，其特征在于，

所述运动要素包括：t时刻的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速；

所述环境要素包括：海水深度和时间状态；其中，所述海水深度根据目标船舶在t时刻的经纬度位置，从GEBCO全球水深数据集中获取；所述时间状态的获取包括：根据t时刻及目标船舶经纬度位置，计算时空位置的太阳高度，若太阳高度低于第一设定值则时间状态为夜间，若太阳高度高于第二设定值则时间状态为白天，其他情况则时间状态为黎明或黄昏；

所述船舶静态要素包括：目标船舶的长度、宽度、类型和水上移动业务标识码；

所述周围船舶影响要素为：t时刻目标船舶受到周围船舶k的影响，包括t时刻船舶k的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速，船舶k的长度、宽度，以及船舶k与目标船舶的最近点接近距离，最近点接近时间和驾驶环境压力量化模型。

优选的，所述驾驶环境压力量化模型满足下式：

其中，表示两船之间的距离，表示两船的平均船长，是根据船舶相对方位调 整的回归系数。

优选的，所述以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；包括：

以目标船舶为中心，以其航向方向为0°基准，将其周围空间按照设定角度划分为 12个不同的区域，编号i从1至12号，每个区域代表与目标船舶的设定相对位置关系，其中， 1-6号区域覆盖0-2海里，7、8和11号区域为2-6海里，9和10号区域为2-4海里，12号区域为2- 8海里，6号和12号区域为迎面模式，1,2,5,7,8,11号为交叉模式，3,4,9,10号区域为超车模 式，定义船舶影响图，对于t时刻区域i内的船舶影响要素集合，对应的船舶数量为， 特征向量为，分别满足下式：

其中，k为船舶序号；表示统计t时刻区域i内的船舶数量，表 示12维的0向量；

统计t时刻每个区域特征向量，得到周围船舶影响图的标准化描述。

优选的，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；包括：

合并船舶的运动要素和环境要素，通过一个全连接层进行特征提取，以捕捉运动和环境间的相互作用；

将周围船舶影响图的标准化描述通过三个连续卷积层及一个全连接层进一步提炼特征；

将上述两部分的输出合并为一个特征向量输入双向长短期记忆网络，

在双向长短期记忆网络中引入dropout机制，输出隐藏状态序列。

优选的，所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，包括：

根据下式计算船舶在时刻的位置描述与隐藏状态序列之间的相似度得分：

其中，FC表示全连接层，tanh表示激活函数，表示描述当前状态的查询向 量，表示描述整个隐藏状态序列的键向量；

softmax激活函数将相似度得分转换为概率值：

根据注意力权重分布对编码器输出的隐藏状态序列加权求和，得到在t 时刻与当前预测最相关的上下文信息：

其中，表示元素级乘法。

优选的，所述解码器采用单向长短期记忆网络，通过迭代方式，根据t时刻的上下 文信息，位置描述以及隐藏状态，得到时刻的隐藏状态和输出特征。

优选的，所述解码器的处理还包括：

将船舶静态要素中的船舶长度和宽度合并后通过一个全连接层提取特征向量；

对船舶静态要素中的类型和水上移动业务标识码分别进行文本索引化，然后使用Embedding层将索引化后的编号转换为特征向量；

将上述特征向量与编码器中的正向长短期记忆网络在T时刻的隐藏状态合并后 通过一个全连接层，将特征向量规整为与解码器隐藏层相同尺寸的形式，作为解码器的初 始化状态向量；

将单向长短期记忆网络的输出特征通过一个全连接层映射为一个五维向量；

通过一个激活层构建出预测结果，其中，分别表示t+1时刻的经度均值、纬度均值、经度标准差、纬度标 准差和经纬度相关系数的预测值，满足下式：

其中，表示船舶在一个时间步长内能够运动的最大范围，和表示船舶在 时刻经纬度位置的真实值或预测值，和tanh均为激活函数。

优选的，所述航迹预测模型采用逐步衰减的教师强制策略进行训练，采用的损失函数为时序加权混合损失函数，根据以下步骤进行计算：

根据时刻目标船舶的实际经度和纬度，预测经度和纬度 ，计算t 时刻目标船舶的预测位置和实际位置的距离：

其中，为地球半径；

通过负对数似然来评价预测位置的准确性和不确定性估计的可靠性，得到时刻 预测结果的负对数似然计算结果：

其中，是目标船舶的实际位置，和分别为预测位置的均值和协 方差矩阵，为预测结果的维度，上角标T表示转置；

通过加权求和的方式得到总体损失函数为：

其中，为平衡距离误差和负对数似然的权重，为t时刻的损失值，为t时刻的 权重值，T+1表示预测的开始时刻，H表示预测的结束时刻

优选的，所述通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；包括：

执行MC Dropout并对次预测结果取平均，以获得最终的预测结果：

其中，表示航迹预测模型的参数，j表示预测结果的序号，X表示输入的时序数 据，I是目标船舶的静态信息，表示航迹预测模型；

t时刻的平均预测结果为：

其中，表示第j次预测结果；

t时刻的总体不确定性为：

其中，上角标T表示转置，表示第j次预测的协方差矩阵，上式的前两项代表模型 的认知不确定性，第三项代表数据的偶然不确定性。

与现有技术相比，本发明的优势在于：

1、本发明综合分析了船舶航迹预测问题的关键影响因素，将其分类为运动因素、环境因素、船舶静态因素和船舶影响因素四类，这些因素均可通过原始AIS数据直接或间接计算获得，增强了模型对驾驶员决策过程的理解和模拟能力；

2、基于国际海上避碰规则，本发明创新性地提出了船舶影响图(VesselInfluence Map)，用于量化周围船舶对预测目标的影响，提升了模型的准确度和泛化能力；

3、本发明通过预测船舶未来航位的高斯分布并结合MC Dropout技术，估计每个预测结果的置信范围，不仅提供了预测可用性的参考依据，还可以为搜救、缉私等任务提供区域引导，增强了模型的实用性；

4、针对船舶航迹预测问题的特殊性，本发明提出了一种时序加权混合损失函数，综合评估航迹预测结果的准确性和不确定性。

附图说明

图1是船舶相遇模式分类的示意图；

图2是船舶相遇模式分类；

图3是船舶影响地图示意图；

图4是航迹预测模型网络结构示意图；

图5是特征提取层网络结构示意图；

图6是解码器隐藏状态初始化网络结构示意图；

图7是第一样本的预测结果示意图；

图8是第二样本的预测结果示意图；

图9是第三样本的预测结果示意图；

图10是第四样本的预测结果示意图。

具体实施方式

针对现有技术忽略了船舶未来行动可能受到的其他影响因素，我们系统性梳理了影响船舶航迹的关键因素，通过引入更加丰富的信息以增强模型对驾驶员决策过程的理解能力。

针对在拥挤海域航行时，船舶行为显著受到周围船舶的影响，我们理解船舶间的跟随、超车、避让等行为，有助于提升模型在复杂环境中的预测精度。本申请创新性地提出了周围船舶影响图（Vessel Influence Map）模型，用于捕获周围船舶对待预测船舶的影响。

针对在基于深度学习的船舶航迹预测任务中，量化预测的不确定性与获得高精度的预测结果同样重要，我们提出了一种不确定性估计方案，旨在保持预测精度的同时，为每个预测结果提供置信范围，增强模型的实用性和可解释性。

本发明的目的在于通过开展对船舶航迹预测问题的影响要素的系统性梳理、周围船舶对待预测船舶未来航迹的量化模型研究、船舶航迹预测问题的不确定估计分析以及损失函数设计，提高航迹预测模型在复杂海洋环境中的预测准确度、鲁棒性和可解释性，以为决策者提供更有效的决策依据。

1.理论基础

1)问题定义

本申请将船舶航迹预测问题形式化为一个监督学习任务：在给定目标船舶的静态 信息，1到时刻的历史运动信息，以及其在对应历史时刻下的周围环境和周围船舶信息的 情况下，生成该船舶在到时刻的预测轨迹序列。我们使用深度模型进行这一预测， 可以表示为：

（1）

其中，代表模型的参数。是目标船舶的静态信息，定义为:

（2）

分别代表船舶的长度、宽度、类型和水上移动业务标识码。为输入 的时序数据。对于任意的时刻，我们有：

（3）

其中，是目标船舶在时刻的运动信息，定义为:

（4）

分别表示经度、纬度、对地航速和对地航向。而代表该时刻的环境信息：

（5）

分别表示海水深度和时间状态（白天、夜间或黎明/黄昏）。描述了该时刻周围船 舶的信息，对于每一艘船舶，我们定义其为：

（6）

在预测阶段，深度学习模型从和中提取特征，并预测目标船舶从到时 刻的位置概率分布：

（7）

其中任一时刻的预测结果为：

（8）

分别表示经度均值、纬度均值、经度标准差、纬度标准差和经纬度相关系数的预测 值。对于每一时刻的预测结果可以将其建模为多元高斯分布：

（9）

2)关键影响要素

a)船舶运动要素

在短期航迹预测问题中，我们假设船舶的运动会遵循物理规律和内在运动模式，因此船舶未来的运动行为会受到历史运动惯性的影响，我们希望模型可以理解船舶过去一段时间的轨迹所隐含的运动模式以及这种运动模式和未来行为之间的关系。船舶的历史运动信息包含经度、纬度、对地航速和对地航向，其中经度和纬度信息能够表征航迹的形态规律，航速和航向能够反映运动的变化规律。

经纬度代表了船舶的绝对位置，而模型的训练空间和预测空间可能处于不同区域，因此我们增加经纬度变化量特征来弥补这种不足：

（10）

（11）

船舶的航速和航向与经纬度之间存在较为复杂的运动学转换关系，为了便于模型学习这两类特征之间的相关性，我们利用航向将航速分解成为北向航速和东向航速：

（12）

因此我们将目标船舶时刻的运动信息表示为：

（13）

b)环境要素

船舶的航行决策会显著受到周围环境的影响，本申请选取了海水深度和时间状态作为关键环境影响要素，这有助于模型理解和模拟驾驶员在实际海上导航中的决策过程。

海水深度是海上航行安全的关键考量因素。驾驶员通常会利用水深图和海底地形 信息来指导路径规划，也会在浅水区和深水区采取不同的航行策略。我们基于船舶在时刻 的经纬度位置，从GEBCO全球水深数据集中获取该位置的海水深度信息。

不同时间状态下的可见度差异会影响船舶的航行行为，尤其在航道拥挤的海域更 是如此。在夜间或能见度较低的条件下，船舶可能会选择减速或更加谨慎的航行策略。另 外，某些海区在一天中不同时间可能会经历不同的航流量，因此时间状态信息也隐含着特 定地区的周期性航行规律。我们根据时刻及其对应的船舶地理位置，计算该时空位置的太 阳高度。若太阳高度低于-15度则认为该时间状态为夜间，若太阳高度高于15度则 为白天，其他情况则判断为黎明或黄昏，如下式所示：

（14）

在输入模型前，时间状态将被转换为独热编码形式。

c)船舶静态要素

本申请考虑的船舶静态要素包括：船舶的长度、宽度、类型和水上移动业务标识码（MMSI）。这些静态信息对于理解船舶在不同航行环境中的行为模式至关重要。

船舶尺寸，即长度和宽度，直接影响其操纵性。较大船舶在执行转向和加速等动作时，由于惯性的影响，需要更广阔的空间和更长的反应时间。此外，尺寸也决定了船舶在特定条件下的航行限制，如在狭窄水道和浅水区的导航。与船舶尺寸相似，不同类型的船舶有不同的操作特性和工作目的，也存在不同的内在运动模式。

MMSI本身虽然不直接影响船舶未来航迹，但是通过MMSI可以识别特定船舶和其历史行为，这有助于为预测模型提供上下文信息。例如，一艘船舶的过往航行记录可能显示它通常沿着特定的航线行驶，这可以用来预测其未来的航迹。

静态要素与其他要素之间的关联分析，有助于模型理解船舶轨迹背后的内在决策原因，从而在预测过程中，根据复杂的航行条件给出与实际行为模式更加贴近的预测结果。

d)周围船舶影响要素

在繁忙的海域中，船舶的行为需要遵循国际海事组织（IMO, InternationalMaritime Organization）规定的《国际海上避碰规则》（COLREGs, InternationalRegulations for Preventing Collisions at Sea），周围船舶的行为可能显著影响目标船舶的导航选择，从而影响其未来的航迹。

我们预先从数据库中提取了目标船舶在时刻 8海里范围内所有船舶的静态信息和运动信息。运动信息按照公式（11-14）所述的方式进行处理，而静态信息仅保留 船舶长度和宽度这两个基本属性。

在海上导航决策支持系统中，最近点接近距离（DCPA, Distance to ClosestPoint of Approach）和最近点接近时间（TCPA, Time to Closest Point of Approach）是两个用于帮助船员判断何时以及如何采取避碰措施的关键指标。DCPA是指两船在保持当前速度和航向的情况下预计会达到的最近距离，而TCPA则是指达到这个最近距离所需要的时间。

此外，目标船舶周围航行的船舶所形成的交通流会对驾驶员造成一定的驾驶环境压力，这种压力限制了船舶的操作行为。两艘船舶之间的驾驶环境压力量化模型如下：

（15）

其中，表示两船之间的距离，表示两船的平均船长。是根据船舶相对方位调 整的回归系数，以反映从不同方向靠近而造成的不同压力影响。如图1所示，当来船位于A、 B、F方向时= 2.07；来船位于C、D方向时=0.85；来船位于E方向时=2.35。

最终，目标船舶在时刻受到的来自周围船舶的影响，可以表示为如下所示的因 素集合：

（16）

这些影响要素有助于模型理解目标船舶与周围船舶的相对位置、速度和距离关系，进而帮助模型模拟船舶之间的跟随、避让等动态交互行为。

3)周围船舶影响图

繁忙水域的船舶航迹预测是一个复杂的任务，其复杂性在于船舶的行为不仅由其内在运动模式所决定，同时还受到周围船舶行为的显著影响。例如，船舶需要根据邻近船只的行动调整自己的航线，以实现跟随或避免碰撞。然而，传统的预测方法常常忽略船舶间这种动态的互动关系，导致在复杂海域环境中的预测精度不足。在行人轨迹预测领域，SocialLSTM 技术便是为应对此类挑战而开发的先进方法。它通过将社会力（Social Force）等特征整合至网络模型中，以学习个体间的相互作用及社会联系。本申请借鉴了此类方法，创新性地提出了船舶影响图（Vessel Influence Map, VI Map），旨在通过对周围船舶的空间分布进行量化建模，增强模型对船舶间动态互动行为的理解能力。

本申请提出的VI Map借鉴了国际海上避碰规则(COLREGS)中关于船舶避碰风险的 定义，以确保其实用性和合理性。VI Map以目标船舶为中心，以其航向方向为0°基准，将其 周围空间按照特定角度划分为六个扇区，并在此基础上定义了三种基本的相遇模式：迎面 （Head-on）、交叉（Crossing）以及超车（Overtaking），如图1所示。区域I、II、III分别代表这 三种相遇模式的发生区域。具体而言，迎面相遇定义为来船位于正负5°的F方向内；交叉相 遇发生在正负5°至112.5°的A、B、E方向内；而超车相遇为来船出现在目标船舶尾部112.5° 至247.5°的C、D方向内。根据COLREGs以及船员的一般操作习惯，相遇船舶间的距离阈值 通常设定为：（6-8海里）、（4-6海里）、（2-4海里），如图2所示。在避碰操作中，通常 目标船舶需主动避让来自A、B、F方向的船舶，其中对于A、F方向的来船需向右舷避让，而对 于B方向的来船则向左舷避让。相反，C、D、E方向的来船应当主动避让目标船舶，而目标船舶 则保持当前航速和航向继续航行。若检测到来船未采取符合COLREGs的避让措施，目标船舶 可单独执行避让策略。

在我们提出的VI Map中，目标船舶周围空间被划分为12个不同的区域，如图3所示，每个区域代表与目标船舶的特定相对位置关系。这些区域按照距离中心船舶的远近被分为四个范围：1-6号区域覆盖0-2海里，7、8和11号区域为2-6海里，9和10号区域为2-4海里，而12号区域为2-8海里。为了量化各个区域对目标船舶的影响，针对每个时刻的VI Map构造一个长度为12的张量，其元素与VI Map中的12个区域一一对应。

其中代表位于区域内的船舶集合。由于各区域内的船舶数量是不确定的，我 们对张量中的每个元素执行均值池化操作，并追加船舶数量作为一维特征值。若某区域内 无船舶，则将其张量元素设为零向量，如下所示：

（17）

其中，表示时刻下区域中的船舶数量，表示对应区域的特征向量。最终的描述为：

（18）

我们将上述将目标船舶周围船舶的信息标准化的过程称为VI Map Pooling，通过 这种标准化的描述，能够在船舶数量变化的情况下提供一致的输入特征，辅助模型理 解船舶间的动态互动行为，从而更准确地预测目标船舶的未来航迹。

4)不确定性估计

在船舶航迹预测任务中，量化预测的不确定性与获得高精度的预测结果同样重要。不确定性估计不仅为决策者提供了预测结果可靠性的量化指标，还有助于增强预测模型的鲁棒性，这对于提升预测模型的性能和实用性至关重要。在深度学习框架下，预测的不确定性主要源于数据的偶然不确定性和模型的认知不确定性。数据的不确定性源自于观测数据的内在噪声，而模型的不确定性则源自于网络模型中众多自由参数的固有变异性。

本申请中，我们假定数据噪声遵循高斯分布，并利用网络直接预测船舶位置的多 元高斯分布来捕获数据不确定性。如公式（8-9）所述，时刻的预测结果为：

（19）

其中为该时刻下数据的不确定性。为了模拟模型的不确定性，我们在模型参数 上施加先验分布，以此来量化在不同数据条件下这些参数的潜在变异。

当将神经网络中的权重参数由固定值替换为概率分布时，这样的模型被称为贝叶 斯神经网络（Bayesian Neural Networks, BNN）。贝叶斯神经网络利用训练数据集来学 习模型参数的后验分布，从而能够估计模型在特定训练条件下的认知不确定性。 在实际应用中，Dropout变分推断提供了一种有效的近似推断方法，通过在训练过程中对权 重层应用dropout正则化，并在预测时采用蒙特卡洛Dropout（也称为测试时dropout），可以 从模型的近似后验分布中抽样，进而估计模型输出的不确定性。

我们可以利用伯努利近似变分分布将贝叶斯网络中的变分推断与dropout机制联 系起来。具体来说，假设多层神经网络中某一层的参数矩阵为，其中第行参数的近似 分布可以描述为：

（20）

其中代表变分参数向量，我们在上优化随机权重矩阵的变分参数。为高斯 先验分布在上的标准差，是事先给定的dropout概率值。在前向传播期间，我们使用表示通过dropout后的网络参数采样结果。在预测阶段，我们执行MC Dropout并对次预测结果取平均，以获得最终的预测结果：

（21）

时刻的平均预测结果为：

（22）

时刻的总体不确定性为：

（23）

其中，前两项代表模型的认知不确定性，第三项代表数据的偶然不确定性。

2.预测网络

为了精准地预测繁忙水域中船舶的未来航迹，本申请提出了Vessel-InfluenceLong Short-Term Memory (VI-LSTM)预测模型。该模型融合了海上交通环境的多源信息，并且能够捕捉船舶航行中的自身运动模式和周围环境的时序变化规律，可以准确预测船舶的未来位置并估计预测结果的置信范围。

如图4所示，VI-LSTM模型由编码器和解码器两个主要部分构成。编码器负责接收包含船舶运动特性、海洋环境因素及周围船舶信息的时序数据，通过专门设计的特征提取层及双向长短期记忆网络（Bi-LSTM）进行特征提取，生成了具有丰富信息的高维潜在特征表示。解码器部分引入了注意力机制，生成与预测时刻最相关的上下文信息，并通过LSTM网络逐步预测出船舶的未来轨迹。此外，我们根据船舶航迹预测问题的特殊性，设计了一种时序加权混合损失函数，旨在提高模型对当前预测结果的精度和不确定性的理解能力，以提高预测性能。

1)编码器网络

编码器的目标是深入理解并抽象输入的时序数据。为此，我们设计 了如图5所示的特征提取层 (Feature Extraction Layer, FEL)。该层的主要任务是从每 个时刻的原始输入中提取高维特征描述：

（24）

其中，FEL 表示特征提取层，是时刻的输入数据，是对应时刻的高维特征描 述。特征提取层分为两个主要部分：首先，合并船舶的运动要素和环境要素，并通过一 个全连接层进行特征提取，以捕捉运动和环境间的相互作用。其次，基于周边船舶信息 计算船舶影响特征，并通过VI Map Pooling生成VIM的标准化描述，接着通过三个连续卷积 层及一个全连接层进一步提炼这些特征。这两部分的输出随后被合并为一个特征向量，作 为双向长短期记忆网络（Bi-LSTM）的输入，以进行后续的轨迹预测。特征提取层在处理不同 时刻的输入时共享参数，以保证对整个序列的处理一致性和效率。

编码器网络采用Bi-LSTM模型，以便在正向和反向时间方向上分别捕捉时序数据 中的前向和后向依赖关系。为了实现近似变分推断以估计模型的认知不确定性，我们在 LSTM结构中引入了dropout机制。在每个时刻，标准的LSTM单元会根据上一时刻的隐藏状 态、细胞状态和当前的输入特征更新其内部状态。计算过程如下：

（25）

（26）

其中分别代表输入门,遗忘门，输出门和输入调制门。表示元素级乘 法（element-wise multiplication）。是LSTM的权重矩阵。为了实现dropout机制，我们 会构造掩码并应用于隐藏状态。本方法不会将掩码应用于输入特征，目的是保证 的完整性，从而确保模型对输入序列的全局理解。基于dropout机制的LSTM单元状态更新方 式如下：

（27）

在处理同一个时间序列时，掩码同步应用于每个时刻，以保持LSTM单元在时间 序列中的信息流的连贯性。Bi-LSTM的两个方向各自拥有独立的权重矩阵，从而分 别学习向前和向后的时序依赖。每个时刻的正向和反向隐藏状态合并（concatenate），形成 最终的隐藏状态：

（28）

Bi-LSTM的隐藏状态序列将作为编码器的输出，为后续注意力机 制生成上下文信息提供依据。

2)解码器网络

解码器的目标是根据船舶的位置信息准确预测船舶未来的位置并估计预测结果 的不确定性。对于预测时刻，我们基于船舶在时刻和的位置信息，在线计算船舶 在时刻的位置描述作为解码器的输入：

（29）

为了实现编码器和解码器之间的信息传递，我们采用可加性注意力（Bahdanau注 意力）机制作为二者的中间层，根据船舶在时刻的位置描述生成与当前预测最相关的上 下文信息。Bahdanau注意力是一种在序列到序列模型中常用的机制，能够在每个解码步 骤中动态选择编码器输出的一部分作为关注的重点。在计算的过程中，我们首先计算 与隐藏状态序列之间的相似度得分：

（30）

接下来，我们将相似度得分转换为概率值，以表示每个向量对本次预测 的重要性：

（31）

最后，根据注意力权重分布对加权求和，得到在时刻\(t\)的上下文信 息：

（32）

解码器网络采用与编码器相同的单向LSTM模型，以迭代方式计算船舶未来的位置：

（33）

其中表示时刻的上下文信息和位置描述合并后的特征向量。LSTM将 根据该向量和时刻的隐藏状态计算时刻的隐藏状态和输出特征。我们采用 如图6所示的方式来初始化解码器的隐藏状态。

在初始化解码器隐藏状态的过程中，我们使用船舶的静态要素和编码器中正向 LSTM在时刻的隐藏状态共同作为输入。这一策略提供了丰富且准确的初始隐藏状态， 有助于减少LSTM模型在初始化阶段的不确定性，同时也提高了解码器对船舶当前运动模式 的理解能力。

对于静态要素中的船舶长度和宽度，我们将其合并后通过一个全连接层提取特 征。对于船舶类型和MMSI，我们将它们分别进行文本索引化，然后使用Embedding层将索引 化后的编号转换为特征向量。随后，我们将经过处理得到的这三个特征向量与合并，并 通过一个全连接层将特征向量规整为与解码器隐藏层相同尺寸的形式。

对于解码器LSTM的输出特征，我们使用一个全连接层将其映射为一个五维向 量：

（34）

随后，我们通过一个激活层构建出公式19中描述的预测结果：

（35）

其中，我们采用作为和的激活函数，确保他们的值域范围在-1到1之间。表示船舶在一个时间步长内能够运动的最大范围，而和表示船舶在时刻经纬度 位置的真实值或预测值。考虑到船舶在单位时间步长内的位置变化量是航速和航向的累 积，因此相比于预测船舶的绝对位置，这样的策略能够更加直接地与船舶运动模式相关联， 从而提高模型预测的准确度和鲁棒性。对于和我们采用激活函数以保证标准 差的预测值为正值。而对于，我们使用激活函数以确保相关系数的预测值在-1到1之 间。

在训练过程中，我们采用了逐步衰减的教师强制（Teacher Forcing）策略来训练我们的模型。在训练的初始阶段，我们倚赖教师强制以减少训练过程中的不稳定性。随着训练的进行，我们逐渐减小了教师强制的程度，为模型提供了自主生成输出的机会，从而更好地捕获数据的真实分布。在预测阶段，我们采用了在上文中介绍的MC Dropout方法，用于估计模型的认知不确定性和数据的偶然不确定性。

3)损失函数

在深度学习模型中，损失函数起着至关重要的作用，它直接影响着预测模型的性能和训练效果。本研究从预测航迹的准确性，不确定性和不同时刻预测的重要性三个方面考虑，提出了一种时序加权混合损失函数，以更全面地评价模型预测结果的实际性能。

我们利用 Haversine 公式计算预测位置和实际位置的地理距离，评价航位预测 结果的准确性。时刻 的预测距离误差计算方式如下：

（36）

其中是时刻船舶的预测位置和实际位置的距离，为地球半径，和是船舶的实际位置，和 是船舶的预测位置。

我们通过负对数似然来评价预测位置的准确性和不确定性估计的可靠性，计算方式如下：

（37）

其中是时刻预测结果的负对数似然计算结果，是船舶的实际 位置，和分别为预测位置的均值和协方差矩阵，为预测结果的维度，这里取2。

对于时刻的损失值，我们通过加权求和的方式综合考虑上述两种评价方法：

（38）

其中为平衡距离误差和负对数似然的权重。

在本研究的所提出的预测模型中，船舶未来航迹是通过预测每个时刻的经纬度变化量，以迭代的方式逐步计算的，因此前一步的预测精度会显著影响后一步的预测精度。因此，准确预测邻近时刻的航迹对于提升整体的预测精度尤为重要，因此我们在不同的时刻下设定不同的权重，能引导模型给出更好的预测轨迹。总体的损失函数如下：

（39）

下面结合附图和实施例对本发明的技术方案进行详细的说明。

实施例

本实施例提出了一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：

获取目标船舶包括运动要素、环境要素、船舶静态要素和周围船舶影响要素的多源信息；

以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；

将目标船舶的多源信息及标准化描述输入预先建立和训练好的航迹预测模型，通过融合海上交通环境的多源信息，捕捉船舶航行中的自身运动模式和周围环境的时序变化规律，得到目标船舶的未来预测位置；

通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；

所述航迹预测模型包括编码器和解码器，其中，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，并通过单向长短期记忆网络逐步预测出目标船舶的未来轨迹。

采用某国家海洋和大气管理局发布的2019年该国周边海域的AIS数据。AIS（Automatic identification System船舶自动识别系统）是一种船载广播应答系统，通过该系统，船舶能够在 VHF公用无线信道上向附近船舶和岸上主管机关持续发送其身份、位置、航向、航速和其它数据。实验区域选定某一地带，该区域具有复杂的海上交通模式。经过数据处理后，我们在实验区域内获得了910艘船舶的9154条航行轨迹，生成了25884个预测样本。这些数据覆盖了9种不同类型的船舶，包括油轮、拖船和货船等。每个样本包含了预测时刻及其前2小时内（共25个时间点）的历史时序信息X，船舶的静态信息I，以及船舶未来1小时内（共12个时间点）的实际航迹Y。为了提高针对周围船舶信息的查询效率，我们利用MySQL数据库为时间、经度和纬度设置了索引。

图7、图8、图9和图10分别展示了对应不同的样本，本发明的预测结果。蓝色轨迹代表船舶过去2小时的历史航迹，绿色轨迹表示船舶未来1小时的实际航迹，橙色轨迹则表示模型的预测航迹。对于每一个预测轨迹点，都有三个以该点为中心的橙色椭圆形区域，分别代表了预测结果的置信度为0.25、0.5和0.75的置信范围。

模型在测试集中预测轨迹与真实未来轨迹的平均距离误差为330.6556米，均方根误差为0.00388°，平均绝对误差为0.00412°。定义真实未来轨迹中的每个轨迹点都落在预测轨迹点的置信范围内为该置信区间估计准确，经测试集验证，置信度为0.25的置信区间的准确率为73.83%，置信度为0.5的置信区间的准确率为80.08%，置信度为0.75的置信区间的准确率为86.69%。

总结而言，本申请基于对船舶航迹预测技术的深入分析，针对现有方法的局限性，提出了创新性的改进措施，在船舶航迹预测的准确性、泛化性和可解释性方面取得进一步突破。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于周围船舶影响图和不确定估计的船舶航迹预测方法，包括：

获取目标船舶包括运动要素、环境要素、船舶静态要素和周围船舶影响要素的多源信息；

以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；

将目标船舶的多源信息及标准化描述输入预先建立和训练好的航迹预测模型，通过融合海上交通环境的多源信息，捕捉船舶航行中的自身运动模式和周围环境的时序变化规律，得到目标船舶的未来预测位置；

通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；

所述航迹预测模型包括编码器和解码器，其中，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，并通过单向长短期记忆网络逐步预测出目标船舶的未来轨迹；

所述以目标船舶为中心，将其周围空间按照设定角度划分为不同区域，定义船舶影响图，实现对周围船舶影响要素的标准化描述；包括：

以目标船舶为中心，以其航向方向为0°基准，将其周围空间按照设定角度划分为12个不同的区域，编号i从1至12号，每个区域代表与目标船舶的设定相对位置关系，其中，1-6号区域覆盖0-2海里，7、8和11号区域为2-6海里，9和10号区域为2-4海里，12号区域为2-8海里，6号和12号区域为迎面模式，1,2,5,7,8,11号为交叉模式，3,4,9,10号区域为超车模式，定义船舶影响图，对于t时刻区域i内的船舶影响要素集合，对应的船舶数量为，特征向量为，分别满足下式：

；

其中，k为船舶序号；表示统计t时刻区域i内的船舶数量，表示12维的0向量；

统计t时刻每个区域特征向量，得到周围船舶影响图的标准化描述。

2.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，

所述运动要素包括：t时刻的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速；

所述环境要素包括：海水深度和时间状态；其中，所述海水深度根据目标船舶在t时刻的经纬度位置，从GEBCO全球水深数据集中获取；所述时间状态的获取包括：根据t时刻及目标船舶经纬度位置，计算时空位置的太阳高度，若太阳高度低于第一设定值则时间状态为夜间，若太阳高度高于第二设定值则时间状态为白天，其他情况则时间状态为黎明或黄昏；

所述船舶静态要素包括：目标船舶的长度、宽度、类型和水上移动业务标识码；

所述周围船舶影响要素为：t时刻目标船舶受到周围船舶k的影响，包括t时刻船舶k的经度、纬度、经度变化量、纬度变化量、北向航速和东向航速，船舶k的长度、宽度，以及船舶k与目标船舶的最近点接近距离，最近点接近时间和驾驶环境压力量化模型。

3.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述驾驶环境压力量化模型满足下式：

；

其中，表示两船之间的距离，表示两船的平均船长，是根据船舶相对方位调整的回归系数。

4.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述编码器通过专门设计的特征提取层及双向长短期记忆网络进行特征提取，生成高维潜在特征表示；包括：

合并船舶的运动要素和环境要素，通过一个全连接层进行特征提取，以捕捉运动和环境间的相互作用；

将周围船舶影响图的标准化描述通过三个连续卷积层及一个全连接层进一步提炼特征；

将上述两部分的输出合并为一个特征向量输入双向长短期记忆网络，

在双向长短期记忆网络中引入dropout机制，输出隐藏状态序列。

5.根据权利要求2所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码器引入可加性注意力机制，生成与预测时刻最相关的上下文信息，包括：

根据下式计算船舶在t时刻的位置描述与隐藏状态序列之间的相似度得分：

；

其中，FC表示全连接层，tanh表示激活函数，表示描述当前状态的查询向量，表示描述整个隐藏状态序列的键向量；

softmax激活函数将相似度得分转换为概率值：

；

根据对编码器输出的隐藏状态序列加权求和，得到在t时刻与当前预测最相关的上下文信息：

；

其中，表示元素级乘法。

6.根据权利要求5所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码器采用单向长短期记忆网络，通过迭代方式，根据t时刻的上下文信息，位置描述以及隐藏状态，得到时刻的隐藏状态和输出特征。

7.根据权利要求6所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述解码器的处理还包括：

将船舶静态要素中的船舶长度和宽度合并后通过一个全连接层提取特征向量；

对船舶静态要素中的类型和水上移动业务标识码分别进行文本索引化，然后使用Embedding层将索引化后的编号转换为特征向量；

将上述特征向量与编码器中的正向长短期记忆网络在T时刻的隐藏状态合并后通过一个全连接层，将特征向量规整为与解码器隐藏层相同尺寸的形式，作为解码器的初始化状态向量；

将单向长短期记忆网络的输出特征通过一个全连接层映射为一个五维向量；

通过一个激活层构建出预测结果，其中，分别表示t+1时刻的经度均值、纬度均值、经度标准差、纬度标准差和经纬度相关系数的预测值，满足下式：

；

其中，表示船舶在一个时间步长内能够运动的最大范围，和表示船舶在t时刻经纬度位置的真实值或预测值，和tanh均为激活函数。

8.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述航迹预测模型采用逐步衰减的教师强制策略进行训练，采用的损失函数为时序加权混合损失函数，根据以下步骤进行计算：

根据t时刻目标船舶的实际经度和纬度，预测经度和纬度 ，计算t时刻目标船舶的预测位置和实际位置的距离：

；

其中，为地球半径；

通过负对数似然来评价预测位置的准确性和不确定性估计的可靠性，得到t时刻预测结果的负对数似然计算结果：

；

其中，是目标船舶的实际位置，和分别为预测位置的均值和协方差矩阵，为预测结果的维度，上角标T表示转置；

通过加权求和的方式得到总体损失函数为：

；

；

其中，为平衡距离误差和负对数似然的权重，为t时刻的损失值，为t时刻的权重值，T+1表示预测的开始时刻，H表示预测的结束时刻。

9.根据权利要求1所述的基于周围船舶影响图和不确定估计的船舶航迹预测方法，其特征在于，所述通过未来预测位置的高斯分布并结合MC Dropout技术估计预测结果的置信范围；包括：

执行MC Dropout并对次预测结果取平均，以获得最终的预测结果：

；

其中，表示航迹预测模型的参数，j表示预测结果的序号，X表示输入的时序数据，I是目标船舶的静态信息，表示航迹预测模型；

t时刻的平均预测结果为：

；

其中，表示第j次预测的经纬度位置；

t时刻的总体不确定性为：

；

其中，上角标T表示转置，表示第j次预测的协方差矩阵，上式的前两项代表模型的认知不确定性，第三项代表数据的偶然不确定性。