CN113240199A - 基于dilate_tlstm的港口船舶轨迹预测方法 - Google Patents
基于dilate_tlstm的港口船舶轨迹预测方法 Download PDFInfo
- Publication number
- CN113240199A CN113240199A CN202110630985.6A CN202110630985A CN113240199A CN 113240199 A CN113240199 A CN 113240199A CN 202110630985 A CN202110630985 A CN 202110630985A CN 113240199 A CN113240199 A CN 113240199A
- Authority
- CN
- China
- Prior art keywords
- tlstm
- dilate
- model
- prediction
- ship
- 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
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/29—Geographical information databases
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于DILATE_TLSTM的港口船舶轨迹预测方法,具体包括S1、采集港口AIS数据并对所采集的数据预进行处理,获取轨迹预测数据集;S2、构建基于DILATE_TLSTM的港口船舶轨迹预测模型;S3、采用滑窗法对输入模型的序列进行处理,对模型进行训练,得到预测结果;S4、以平均绝对误差、均方误差、拟合优度、形状失真DTW和时间失真指数TDI对所述预测结果进行衡量评估,得到港口船舶轨迹预测模型的预测效果。本发明构建的基于DILATE_TLSTM的港口船舶轨迹预测模型能够实现直接多步预测,并基于形状和时间失真损失函数对TLSTM模型进行改进,提升了轨迹序列预测模型的拟合能力。
Description
技术领域
本发明涉及船舶轨迹智能预测技术领域,特别是涉及一种基于DILATE_TLSTM的港口船舶轨迹预测方法。
背景技术
航运是国际贸易的主要运输形式,在经济全球化的情况下,各国联系日趋紧密,海上交通成为了各个国家之间贸易往来的重要途径,海运贸易量约占世界总贸易量的90%并保持着高于全球经济的增速。随着航运业的快速发展、港口生产建设的加快,船舶越造越大,种类越来越多,船舶数量不断增长,虽然带来了海上贸易的繁荣,但也给水上交通带来了安全隐患,船舶在水运过程中碰撞的概率越来越高,严重影响了船舶运输的安全。据统计,沿海近岸水域是海上事故多发区,90%的海上事故发生在近岸水域,港口附近尤甚,港***通安全管理情况变得日益复杂,对船主来说,提前获知船舶的航行路线为船舶避撞预警和路线规划决策提供了直接支持,可以有效防止安全事故发生。港口调度方面,随着船舶数量的日益增加,港口船舶的调度管理面临着巨大的考验,大规模港口的复杂情况使船舶调度难度逐渐增大,亟需获取船舶动态信息以制定有效港口调度计划;在港口引航方面,因为水上环境的复杂性和港口船只密集性,提前了解其他船舶的航行动态以及时调整引航计划,对引领船舶准时进出港,提高引航工作效率意义重大。因此,对船舶的航行动态实时掌握预测,可以为港***通管理、协调港口船舶调度、评估避让方案提供必不可少的支持。
发明内容
本发明的目的是构建基于DILATE_TLSTM的港口船舶轨迹预测模型,实现直接多步预测,提升轨迹预测的拟合效果。
为实现上述目的,本发明提供了如下方案:
基于DILATE_TLSTM的港口船舶轨迹预测方法,包括以下步骤:
S1、采集港口AIS数据并对所采集的数据预进行处理,获取轨迹预测数据集;
S2、基于所述获取的轨迹预测可用数据集,构建基于DILATE_TLSTM的港口船舶轨迹预测模型;
S3、采用滑窗法对输入DILATE_TLSTM模型的序列进行处理,然后对所述DILATE_TLSTM模型进行训练,得到预测结果;
S4、以平均绝对误差、均方误差、拟合优度、形状失真DTW和时间失真指数TDI对所述预测结果进行衡量评估,得到港口船舶轨迹预测模型的预测效果。
优选地,数据预处理包括轨迹提取、异常值处理、轨迹分割,并对预处理后的数据进行归一化处理和船舶类型特征独热编码,得到模型训练数据集并进行数据序列平稳性分析,得到训练数据集的平稳性分析结果。
优选地,其中异常值处理是基于AIS技术特性、运动学基本原理与阈值法相结合的方式对时间间隔、经纬度、对地航速、对地航向异常数据进行检测、剔除、修正。
优选地,构建所述基于DILATE_TLSTM的港口船舶轨迹预测模型的具体步骤包括:
S1.1、首先构建基于TLSTM的港口船舶轨迹预测模型:确定输入特征为时间间隔、经纬度、航速、航向、船舶类型,输出特征为时间间隔、经纬度、航速、航向,根据所述训练数据集的平稳性分析结果及所述输入特征和输出特征间多步时间依赖性关系,建立基于TLSTM的港口船舶轨迹预测模型;
S1.2、将连续L个时刻的船舶轨迹特征X(t-L+1)、…、X(t-1)和X(t)作为模型的输入数据,并对所述输入数据进行处理,直接预测输出后续N个时刻的轨迹特征Y(t+1)、Y(t+2)…Y(t+N);
S1.3、将DILATE作为损失函数对所述TLSTM模型进行训练,得到基于DILATE_TLSTM的港口船舶轨迹预测模型。
优选地,所述DILATE_TLSTM模型中的编码器和解码器均采用两层LSTM结构,所述编码器用于对船舶历史轨迹进行编码,提取船舶在动态环境中的运动模式;所述解码器利用编码器得到船舶运动模式特征,预测船舶未来的运动轨迹。
优选地,所述DILATE_TLSTM模型的输出特征为时间间隔、纬度、经度、航速、航向五个特征。
优选地,所述DILATE_TLSTM模型的激活函数采用Leaky ReLU函数,优化器采用Adam优化器。
优选地,所述DILATE用于对两个时间序列进行损失评估,捕捉形状上的突变信息和时间上的畸变信息,提升序列拟合效果。
优选地,所述DILATE_TLSTM模型是基于Tensor Train分解和Encoder-Decoder框架构建的,用于使用张量训练减少模型参数的数量。
优选地,S3中,所述评估指标还包括形状失真DTW和时间失真TDI,用于进一步评估轨迹拟合效果。
本发明的有益效果为:
本发明构建的基于DILATE_TLSTM的港口船舶轨迹预测模型能够实现直接多步预测,解决了多步迭代预测模型因预测步长增加而误差累积的问题;并基于形状和时间失真损失函数对TLSTM模型进行改进,能有效提取序列的突变信息以及适应序列预测的时间畸变现象,进一步提升了轨迹序列预测模型的拟合能力,为高效港口管理提供了更可靠的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明方法流程图;
图2为本发明DILATE_TLSTM港口船舶轨迹预测模型结构图;
图3为本发明实施例中Seq2Seq模型训练loss曲线图;
图4为本发明实施例中TLSTM训练loss曲线图;
图5为本发明实施例中不同隐藏层层数和隐藏层节点数的均方误差分布曲线图;
图6为本发明实施例各模型轨迹预测实际拟合效果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于DILATE_TLSTM的港口船舶轨迹预测方法(如附图1所示),包括以下步骤:
S1、采集港口AIS数据并对所采集的数据预进行处理,获取轨迹预测可用数据集;
S2、构建基于DILATE_TLSTM的港口船舶轨迹预测模型(如附图2所示);
S3、采用滑窗法对输入模型的序列进行处理,然后对模型进行训练,得到预测结果;
S4、以平均绝对误差、均方误差、拟合优度、形状失真DTW和时间失真指数TDI对所述预测结果进行衡量评估,得到港口船舶轨迹预测模型的预测效果。
进一步优化方案,数据预处理部分包含轨迹提取、异常值处理、轨迹分割,并对处理后的数据进行归一化处理和船舶类型特征独热编码,得到模型训练数据集并进行了数据序列平稳性分析。
进一步优化方案,异常值处理是基于AIS技术特性、运动学基本原理与阈值法相结合的方式对时间间隔、经纬度、对地航速、对地航向异常数据进行检测、剔除、修正,相比于单一的阈值法异常检测和线性插值法修正,能在不改变原始AIS数据结构的同时实现最大程度的轨迹修复。
进一步优化方案,构建所述基于DILATE_TLSTM的港口船舶轨迹预测模型的具体步骤包括:
S1.1、首先构建基于TLSTM的港口船舶轨迹预测模型:确定输入特征为时间间隔、经纬度、航速、航向、船舶类型,输出特征为时间间隔、经纬度、航速、航向,根据所述训练数据集的平稳性分析结果及所述输入特征和输出特征间多步时间依赖性关系,建立基于TLSTM的港口船舶轨迹预测模型;
S1.2、将连续L个时刻的船舶轨迹特征X(t-L+1)、…、X(t-1)和X(t)作为模型的输入,并将输入数据处理成适合TLSTM模型的输入形式,(Sample,Timestep,Feature),Sample表示样本,Timestep表示时间步,即历史轨迹点数量,Feature表示样本的属性,即六个输入特征,进而直接预测输出后续N个时刻的轨迹特征Y(t+1)、Y(t+2)…Y(t+N);
S1.3、将DILATE作为损失函数对所述TLSTM模型进行训练,得到基于DILATE_TLSTM的港口船舶轨迹预测模型。
进一步优化方案,所述DILATE_TLSTM模型中的编码器和解码器均采用两层LSTM结构,所述编码器用于对船舶历史轨迹进行编码,提取船舶在动态环境中的运动模式;所述解码器利用编码器得到船舶运动模式特征,预测船舶未来的运动轨迹。
进一步优化方案,所述DILATE_TLSTM模型的输出特征为时间间隔、纬度、经度、航速、航向五个特征。
进一步优化方案,所述DILATE_TLSTM模型的激活函数采用Leaky ReLU函数,优化器采用Adam优化器。
进一步优化方案,所述DILATE用于对两个时间序列进行损失评估,捕捉形状上的突变信息和时间上的畸变信息,提升序列拟合效果。
进一步优化方案,所述DILATE_TLSTM模型是基于Tensor Train分解和Encoder-Decoder框架构建的,使用张量训练减少模型参数的数量。
进一步优化方案,S3中,所述评估指标还包括形状失真DTW和时间失真TDI,用于进一步评估轨迹拟合效果。
为了验证本发明的技术效果,在本实施例中,将基于Seq2Seq和TLSTM的港口船舶轨迹预测模型与基于DILATE_TLSTM的港口船舶轨迹预测模型进行对比分析。
1.Seq2Seq实验性能分析
对基于Seq2Seq的港口船舶轨迹预测模型,训练集、验证集、测试集的划分比例为8:1:1,实验采用MSE作为损失函数,优化器采用Adam,主要超参数通过从多次实验中择优确定,设置为:时间步为10,Batch size设置为128,学习率设置为1e-5,Epoch设置为15,LSTM隐藏层节点数为64,得到模型的训练loss曲线如图3所示。
由图3可以看出,对验证集的误差记录滞后训练集误差记录一个Epoch,因此在曲线初始,验证集的loss低于训练集loss,两条loss曲线在4个Epoch内均趋于收敛,模型训练完毕,模型合理。
2.TLSTM实验性能及重点参数分析
对基于TLSTM的港口船舶轨迹预测模型,预测任务依然同样为接下来5个时刻的轨迹预测,训练集、验证集、测试集的划分以及实验采用的损失函数、优化器和Epoch数均与Seq2Seq模型相同。模型其他主要超参数通过从多次实验结果中择优确定,设置为:时间步L为10,Batch size设置为128,学***稳性分析结果定为2,LSTM层数和LSTM隐藏层神经元数分别设置为2、64,得到模型的训练loss曲线如图4所示。由图4可以看出,训练集和验证集loss曲线在2个Epoch内均基本趋于收敛,且相较于Seq2Seq模型收敛更快,模型训练效果良好。
一般来说,LSTM层数和LSTM隐藏层神经元数的选择对模型性能影响较大,因此对LSTM层数和隐藏层节点数的选取对预测均方误差进行了探讨。对LSTM层数取单层和两层、LSTM隐藏层节点数取8,16,32,64,128,256分别进行实验,得到不同LSTM层数、不同隐藏层节点数航迹预测模型的均方误差分布,如图5所示,由图5可知,增加隐藏层节点数一定程度上可以降低模型误差,但随着其增大,会导致网络复杂化,训练效果反而降低;而在隐藏层节点数相同的情况下,增加LSTM层数也可以降低模型误差,轨迹预测均方误差MSE在LSTM层数为2、隐藏层节点数取64时达到最低,值为0.0045097,因此TLSTM模型的LSTM层数和隐藏层节点数最终分别确定为2、64。
3.TLSTM和Seq2Seq模型实验结果对比与分析
用训练好的TLSTM模型和Seq2Seq模型在测试集上分别对轨迹进行预测,得到对应的ΔTime、LAT、LON、SOG、COG五个特征的序列,用MSE、MAE、R2三个评价指标对两个模型在五个特征序列上的预测效果进行评估对比,结果如表1所示:
表1
由上表可以看出,TLSTM实现了对纬度、经度和对地航向的高精度直接多步预测,预测确定系数R2分别达到了0.9963441、0.9974195、0.9280750,很高程度上契合了港口实际需求,对航速预测的直接多步预测确定系数R2为0.8416165,仍有提升空间,而对于时间间隔的预测,结果表明TLSTM和Seq2Seq也均无法解决因时间间隔分布不均匀带来的无法有效预测问题。
4.TLSTM单个特征预测实际误差
在对数据进行预处理时,为了消除输入特征间量纲不同对模型收敛的影响,对输入特征进行了归一化处理,预测结果的误差评估也是基于归一化后的数据,无法直观看出模型对单个特征预测的具体误差值,因此,需对预测值进行反归一化处理,并用均方误差及最大误差对单个特征的反归一化预测值进行评估,结果见表2。由表2可知,TLSTM模型对纬度和经度预测的最大误差分别仅为0.015度、0.011度,实现了高精度预测,对时间间隔、航速、航向预测的最大误差分别为0.8节、1.17度,预测误差在实际应用的可接受范围内,而对时间间隔的预测,在下一时刻预测的时间间隔和输入时间间隔序列有较大差距时,误差会较大,为16秒。总体看来,各项特征预测的精度均能很好满足港口船舶管理的需求。
表2
5.基于DILATE_TLSTM的港口船舶轨迹预测实验结果分析
在基于DILATE_TLSTM的港口船舶轨迹预测实验中,采用与TLSTM港口船舶轨迹预测模型相同的参数设置,形状失真权重因子取α=0.5,对模型进行训练。用测试集对该训练好的模型用MSE、DTW、TDI评价指标进行评估,并与TLSTM模型用相同评价指标进行对比,结果如表3所示:
表3
由上表3可以看出,从评价指标MSE来看,基于DILATE损失函数的TSLTM模型对五个特征的预测误差虽然略高于基于MSE损失函数的TLSTM模型预测误差,但其差值极小,在这个评价层面上看,可以认为两个模型的预测性能相当。但从评价指标TDI来看,DILATE_TLSTM模型对时间间隔、纬度和对地航向预测的时间失真有了较明显的减小,这意味在MSE基本相同的情况下,能一定程度提升序列的拟合效果。
本发明从序列到序列预测的角度构建了Seq2Seq、TLSTM和DILATE_TLSTM模型,实现了对未来五个时刻五个轨迹点特征的直接多步预测,其中Seq2Seq作为基准对比模型。因船舶轨迹预测中存在非线性突变及时间畸变,DILATE损失函数旨在TLSTM模型训练时捕捉轨迹序列的形状失真和时间失真以尝试提升预测拟合效果。通过实验结果分析及与Seq2Seq模型实验结果对比,表明在多步港口船舶轨迹预测上,TLSTM和DILATE_TLSTM模型的预测精度更高,这种直接多步预测模型更适用于长时间轨迹预测;DILATE损失函数较常规MSE损失函数更能捕捉突变和时间畸变信息,减小了预测的轨迹序列的时间失真,提升了轨迹预测的拟合效果。三个模型对港口船舶轨迹预测的实际拟合效果对比如图6所示。
本发明构建的基于DILATE_TLSTM的港口船舶轨迹预测模型能够实现直接多步预测,解决了多步迭代预测模型因预测步长增加而误差累积的问题;并基于形状和时间失真损失函数对TLSTM模型进行改进,能有效提取序列的突变信息以及适应序列预测的时间畸变现象,进一步提升了轨迹序列预测模型的拟合能力,为高效港口管理提供了更可靠的依据。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,包括以下步骤:
S1、采集港口AIS数据并对所采集的数据进行预处理,获取轨迹预测数据集;
S2、基于所述获取的轨迹预测可用数据集,构建基于DILATE_TLSTM的港口船舶轨迹预测模型;
S3、采用滑窗法对输入DILATE_TLSTM模型的序列进行处理,然后对所述DILATE_TLSTM模型进行训练,得到预测结果;
S4、以平均绝对误差、均方误差、拟合优度、形状失真DTW和时间失真指数TDI对所述预测结果进行衡量评估,得到港口船舶轨迹预测模型的预测效果。
2.根据权利要求1所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,数据预处理包括轨迹提取、异常值处理、轨迹分割,并对预处理后的数据进行归一化处理和船舶类型特征独热编码,得到模型训练数据集并进行数据序列平稳性分析,得到训练数据集的平稳性分析结果。
3.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,其中所述异常值处理是基于AIS技术特性、运动学基本原理与阈值法相结合的方式对时间间隔、经纬度、对地航速、对地航向异常数据进行检测、剔除、修正。
4.根据权利要求1所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,构建所述基于DILATE_TLSTM的港口船舶轨迹预测模型的具体步骤包括:
S1.1、首先构建基于TLSTM的港口船舶轨迹预测模型:确定输入特征为时间间隔、经纬度、航速、航向、船舶类型,输出特征为时间间隔、经纬度、航速、航向,根据所述训练数据集的平稳性分析结果及所述输入特征和输出特征间多步时间依赖性关系,建立基于TLSTM的港口船舶轨迹预测模型;
S1.2、将连续L个时刻的船舶轨迹特征X(t-L+1)、…、X(t-1)和X(t)作为模型的输入数据,并对所述输入数据进行处理,直接预测输出后续N个时刻的轨迹特征Y(t+1)、Y(t+2)…Y(t+N);
S1.3、将DILATE作为损失函数对所述TLSTM模型进行训练,得到基于DILATE_TLSTM的港口船舶轨迹预测模型。
5.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,所述DILATE_TLSTM模型中的编码器和解码器均采用两层LSTM结构,所述编码器用于对船舶历史轨迹进行编码,提取船舶在动态环境中的运动模式;所述解码器利用编码器得到船舶运动模式特征,预测船舶未来的运动轨迹。
6.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,所述DILATE_TLSTM模型的输出特征为时间间隔、纬度、经度、航速、航向五个特征。
7.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,所述DILATE_TLSTM模型的激活函数采用Leaky ReLU函数,优化器采用Adam优化器。
8.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,所述DILATE用于对两个时间序列进行损失评估,捕捉形状上的突变信息和时间上的畸变信息,提升序列拟合效果。
9.根据权利要求2所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,所述DILATE_TLSTM模型是基于TensorTrain分解和Encoder-Decoder框架构建的,用于使用张量训练减少模型参数的数量。
10.根据权利要求1所述的基于DILATE_TLSTM的港口船舶轨迹预测方法,其特征在于,S3中,所述评估指标还包括形状失真DTW和时间失真TDI,用于进一步评估轨迹拟合效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630985.6A CN113240199B (zh) | 2021-06-07 | 2021-06-07 | 基于dilate_tlstm的港口船舶轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630985.6A CN113240199B (zh) | 2021-06-07 | 2021-06-07 | 基于dilate_tlstm的港口船舶轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240199A true CN113240199A (zh) | 2021-08-10 |
CN113240199B CN113240199B (zh) | 2022-10-28 |
Family
ID=77136969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630985.6A Active CN113240199B (zh) | 2021-06-07 | 2021-06-07 | 基于dilate_tlstm的港口船舶轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240199B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516321A (zh) * | 2021-09-14 | 2021-10-19 | 中国电子科技集团公司第十五研究所 | 一种用于预测船舶轨迹的模型训练方法及装置 |
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN114218297A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN116843092A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 多源数据支持下的船舶航程od信息提取方法 |
CN116894527A (zh) * | 2023-09-11 | 2023-10-17 | 中国船舶集团有限公司第七一九研究所 | 基于船舶行驶状态进行预测的器材储备*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
WO2019241022A1 (en) * | 2018-06-13 | 2019-12-19 | Nvidia Corporation | Path detection for autonomous machines using deep neural networks |
US20200324794A1 (en) * | 2020-06-25 | 2020-10-15 | Intel Corporation | Technology to apply driving norms for automated vehicle behavior prediction |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及*** |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及*** |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
-
2021
- 2021-06-07 CN CN202110630985.6A patent/CN113240199B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
WO2019241022A1 (en) * | 2018-06-13 | 2019-12-19 | Nvidia Corporation | Path detection for autonomous machines using deep neural networks |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
US20200324794A1 (en) * | 2020-06-25 | 2020-10-15 | Intel Corporation | Technology to apply driving norms for automated vehicle behavior prediction |
CN111783960A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于自动编码器和双向lstm的船舶轨迹预测方法及*** |
CN112132346A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及*** |
CN112906858A (zh) * | 2021-01-26 | 2021-06-04 | 武汉工程大学 | 一种船舶运动轨迹实时预测方法 |
Non-Patent Citations (5)
Title |
---|
SHENG ZHANG 等: "A Bi-directional LSTM Ship Trajectory Prediction Method based on Attention Mechanism", 《2021 IEEE 5TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 * |
张玉人 等: "基于RNN-LSTM的船舶位置预测分析", 《计算机与数字工程》 * |
徐洪敏: "LSTM网络在船舶航行轨迹预测中的应用", 《舰船科学技术》 * |
权波等: "基于LSTM的船舶航迹预测模型", 《计算机科学》 * |
雷晖: "基于AIS数据的港口船舶轨迹预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN113658214B (zh) * | 2021-08-16 | 2022-08-09 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN113516321A (zh) * | 2021-09-14 | 2021-10-19 | 中国电子科技集团公司第十五研究所 | 一种用于预测船舶轨迹的模型训练方法及装置 |
CN113516321B (zh) * | 2021-09-14 | 2021-11-16 | 中国电子科技集团公司第十五研究所 | 一种用于预测船舶轨迹的模型训练方法及装置 |
CN114218297A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN114218297B (zh) * | 2021-12-15 | 2023-03-10 | 大连海事大学 | 基于dtw的单船多ais设备识别方法 |
CN116843092A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 多源数据支持下的船舶航程od信息提取方法 |
CN116894527A (zh) * | 2023-09-11 | 2023-10-17 | 中国船舶集团有限公司第七一九研究所 | 基于船舶行驶状态进行预测的器材储备*** |
CN116894527B (zh) * | 2023-09-11 | 2023-11-24 | 中国船舶集团有限公司第七一九研究所 | 基于船舶行驶状态进行预测的器材储备*** |
Also Published As
Publication number | Publication date |
---|---|
CN113240199B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
CN111428789A (zh) | 一种基于深度学习的网络流量异常检测方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN110909909A (zh) | 基于深度学习和多层时空特征图的短时交通流预测方法 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN116342657B (zh) | 一种基于编码-解码结构的tcn-gru船舶轨迹预测方法、***、设备及介质 | |
CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
CN110674858B (zh) | 一种基于时空关联与大数据挖掘的交通舆情检测方法 | |
CN111415492A (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及*** | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN113269121B (zh) | 一种基于融合cnn模型的渔船捕捞状态识别方法 | |
CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN113516626B (zh) | 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
CN113240198A (zh) | 一种基于tcn模型的港口船舶轨迹预测方法 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113487600A (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN116608861A (zh) | 一种船舶航迹行为异常检测方法、***、装置及存储介质 | |
CN117609885A (zh) | 基于分布式光纤传感及融合神经网络的高铁入侵监测方法 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN114066303B (zh) | 一种基于ais的港口规划适应性分析方法及*** |
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 |