CN115293297B - 一种意图驱动的船舶轨迹预测方法 - Google Patents

一种意图驱动的船舶轨迹预测方法 Download PDF

Info

Publication number
CN115293297B
CN115293297B CN202211219162.5A CN202211219162A CN115293297B CN 115293297 B CN115293297 B CN 115293297B CN 202211219162 A CN202211219162 A CN 202211219162A CN 115293297 B CN115293297 B CN 115293297B
Authority
CN
China
Prior art keywords
track
loss function
module
trajectory
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.)
Active
Application number
CN202211219162.5A
Other languages
English (en)
Other versions
CN115293297A (zh
Inventor
马杰
贾承丰
何沐蓉
郑红兵
汪华琰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202211219162.5A priority Critical patent/CN115293297B/zh
Publication of CN115293297A publication Critical patent/CN115293297A/zh
Application granted granted Critical
Publication of CN115293297B publication Critical patent/CN115293297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种意图驱动的船舶轨迹预测方法，包括以下步骤：从原始AIS数据中提取每一个数据点的经度、纬度、对地航速、对地航向特征并清洗数据，将轨迹划分为观测轨迹和地面实况轨迹；按照轨迹的行驶路径将船舶意图分类并标注每条轨迹的意图；以时间卷积网络结构为基本网络结构，分别构建轨迹生成模块、轨迹判别模块、意图驱动模块；设计一种由CGAN损失函数、对数损失函数和克拉姆矩阵损失函数组成的混合对抗性损失函数；将轨迹生成模块、轨迹判别模块和意图驱动模块耦合成船舶轨迹预测网络模型，输入观测轨迹到模型中，并通过混合对抗性损失函数训练模型并输出预测的船舶轨迹。本发明提高了船舶轨迹预测的准确性。

Description

一种意图驱动的船舶轨迹预测方法
技术领域
本发明涉及船舶轨迹预测技术领域，尤其涉及一种意图驱动的船舶轨迹预测方法，主要适用于提高船舶轨迹预测的准确性。
背景技术
对水运效率、船舶载货量、航行速度有更高要求的同时，航行潜在的安全风险也随之加大，特别是交汇水域内交通流密度大且船只频繁互动，因此，了解船舶运动并预测其轨迹可以提高水上交通的安全性，帮助船员做出适当的决定并提前做出反应。近年来船舶轨迹预测等研究方向受到了广泛的关注，但是大多数的船舶航迹预测方法都集中在开放水域，无法解决交汇水域内多方向航道对船舶交通流和船舶运动方式的约束问题。同时，虽然这些方法可以充分合理地预测短期轨迹，但实际上船舶航行需要较长时间来评估当前环境情况以提供足够的时间和空间来对紧急情况作出反应。长期预测，尤其是交汇水域的航迹预测依赖于航向意图和目的地，在真实场景中对船舶的航向或意图预测也是一个挑战。对比道路交通，虽然交叉路口的意图驱动模型有很大的进展，但是水上交通交叉路口没有特定的航道和交通灯等固定船舶的运动，增加了船舶轨迹的不确定性。
发明内容
本发明的目的是克服现有技术中存在的船舶轨迹预测准确性低的缺陷与问题，提供一种船舶轨迹预测准确性高的意图驱动的船舶轨迹预测方法。
为实现以上目的，本发明的技术解决方案是：一种意图驱动的船舶轨迹预测方法，该方法包括以下步骤：
S1、从原始AIS数据中提取每一个数据点的经度、纬度、对地航速、对地航向特征并清洗数据，将轨迹划分为观测轨迹和地面实况轨迹；
S2、按照轨迹的行驶路径将船舶意图分类并标注每条轨迹的意图；
S3、以时间卷积网络结构为基本网络结构，分别构建轨迹生成模块、轨迹判别模块、意图驱动模块；
S4、设计一种由CGAN损失函数、对数损失函数和克拉姆矩阵损失函数组成的混合对抗性损失函数；
S5、先将轨迹生成模块、轨迹判别模块和意图驱动模块耦合成船舶轨迹预测网络模型，再输入观测轨迹到船舶轨迹预测网络模型中，然后通过混合对抗性损失函数训练船舶轨迹预测网络模型并输出预测的船舶轨迹。
步骤S1具体包括以下步骤：
S11、解析原始AIS数据，使用
Figure 593075DEST_PATH_IMAGE001
规则检测解析结果中的经度、纬度、对地航速、对地 航向数据中的离群值数据，剔除离群值数据后用插值法将所有轨迹频率归一化到相同的频 率，得到经度
Figure 41374DEST_PATH_IMAGE002
、纬度
Figure 86690DEST_PATH_IMAGE003
、对地航速
Figure 747479DEST_PATH_IMAGE004
、对地航向
Figure 827430DEST_PATH_IMAGE005
四维特征参量；
处理后的AIS数据集表示为：
Figure 446630DEST_PATH_IMAGE006
AIS数据集中不同时刻的轨迹点组成的轨迹为：
Figure 244822DEST_PATH_IMAGE007
其中，
Figure 974881DEST_PATH_IMAGE008
为轨迹所属船舶的MMSI号，
Figure 909339DEST_PATH_IMAGE009
为轨迹的起始点时刻，
Figure 433861DEST_PATH_IMAGE010
为归一化到相同的 频率后轨迹点时间间隔，
Figure 719349DEST_PATH_IMAGE011
为轨迹的轨迹点数；
轨迹点为：
Figure 987519DEST_PATH_IMAGE012
S12、将轨迹划分为观测轨迹和地面实况轨迹。
步骤S3具体包括以下步骤：
S31、在时间卷积网络结构中每一层创建一组时间卷积块，每层的时间卷积块分别 包含卷积核权重参数
Figure 776483DEST_PATH_IMAGE013
和偏置向量
Figure 737486DEST_PATH_IMAGE014
；
S32、对于第一层网络，输入初始轨迹向量，输出
Figure 244691DEST_PATH_IMAGE015
为：
Figure 785394DEST_PATH_IMAGE016
其中，
Figure 694444DEST_PATH_IMAGE017
为隐藏层维度，
Figure 295189DEST_PATH_IMAGE018
为ReLu激活函数，
Figure 289690DEST_PATH_IMAGE019
为
Figure 899663DEST_PATH_IMAGE020
在第
Figure 663220DEST_PATH_IMAGE021
个隐藏层单元对应的 权重参数，
Figure 966025DEST_PATH_IMAGE022
为网络
Figure 182243DEST_PATH_IMAGE023
时刻的输入；
S33、对
Figure 127065DEST_PATH_IMAGE015
进行零填充后，输入下一层处理计算得到
Figure 745128DEST_PATH_IMAGE024
，以此类推，第
Figure 218835DEST_PATH_IMAGE025
层的输出
Figure 187928DEST_PATH_IMAGE026
为：
Figure 874124DEST_PATH_IMAGE027
其中，
Figure 877852DEST_PATH_IMAGE028
，在最后一层得到时间卷积网络结构对初始轨迹向量的最终编码
Figure 256881DEST_PATH_IMAGE029
， 表示为：
Figure 447691DEST_PATH_IMAGE030
S34、对于轨迹生成模块，将
Figure 203157DEST_PATH_IMAGE029
输入到密度网络层，输出一系列高斯分布参数
Figure 530234DEST_PATH_IMAGE031
：
Figure 80164DEST_PATH_IMAGE032
其中，
Figure 758270DEST_PATH_IMAGE033
、
Figure 51848DEST_PATH_IMAGE034
分别为标准化的经度和纬度平均值，
Figure 499010DEST_PATH_IMAGE035
、
Figure 954262DEST_PATH_IMAGE036
分别为标准化的经度 和纬度标准差；
Figure 385243DEST_PATH_IMAGE037
为相关系数，用于计算经纬度分布的协方差；
根据高斯分布参数值得到待预测轨迹
Figure 216933DEST_PATH_IMAGE023
时刻的高斯分布为：
Figure 784180DEST_PATH_IMAGE038
Figure 410334DEST_PATH_IMAGE039
其中，
Figure 63032DEST_PATH_IMAGE040
为标准化系数，
Figure 698413DEST_PATH_IMAGE041
为
Figure 120167DEST_PATH_IMAGE023
时刻预测平均轨迹，
Figure 182801DEST_PATH_IMAGE042
为观测回看点；
对于轨迹判别模块，将
Figure 57216DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 496287DEST_PATH_IMAGE029
为地面实况 轨迹的概率
Figure 38127DEST_PATH_IMAGE043
为：
Figure 271662DEST_PATH_IMAGE044
其中，
Figure 633374DEST_PATH_IMAGE045
为第
Figure 610557DEST_PATH_IMAGE021
类判别结果的得分，
Figure 741324DEST_PATH_IMAGE046
为各类判别结果得分的总和，
Figure 145760DEST_PATH_IMAGE047
表示预测平均轨迹，
Figure 994768DEST_PATH_IMAGE048
表示地面实况轨迹；
对于意图驱动模块，将
Figure 775642DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 26495DEST_PATH_IMAGE029
意图的概率 分布
Figure 601833DEST_PATH_IMAGE049
为：
Figure 938136DEST_PATH_IMAGE050
其中，
Figure 257122DEST_PATH_IMAGE051
为第
Figure 362481DEST_PATH_IMAGE021
类意图的得分，
Figure 108720DEST_PATH_IMAGE052
为各类意图得分的总和，
Figure 666740DEST_PATH_IMAGE053
表示意图，
Figure 54996DEST_PATH_IMAGE054
。
步骤S4中，所述CGAN损失函数
Figure 14862DEST_PATH_IMAGE055
为：
Figure 932003DEST_PATH_IMAGE056
其中，
Figure 242898DEST_PATH_IMAGE057
为地面实况轨迹，
Figure 903687DEST_PATH_IMAGE058
为预测平均轨迹，
Figure 718059DEST_PATH_IMAGE059
表示意图驱动模块，
Figure 337259DEST_PATH_IMAGE060
表示轨迹 生成模块，
Figure 869872DEST_PATH_IMAGE061
表示轨迹判别模块，
Figure 334351DEST_PATH_IMAGE062
为地面实况轨迹代入特征参量的损失函数期望，
Figure 3230DEST_PATH_IMAGE063
为轨迹判别模块的输出结果，
Figure 527752DEST_PATH_IMAGE064
为预测平均轨迹代入特征参量的损失函数期 望，
Figure 547661DEST_PATH_IMAGE065
为地面实况轨迹意图概率分布，
Figure 550252DEST_PATH_IMAGE066
为预测平均轨迹意图概率分布。
步骤S4中，所述对数损失函数
Figure 339216DEST_PATH_IMAGE067
为：
Figure 300219DEST_PATH_IMAGE068
其中，
Figure 565282DEST_PATH_IMAGE069
为预测平均轨迹的分布，
Figure 371564DEST_PATH_IMAGE070
为预测长度，
Figure 280614DEST_PATH_IMAGE071
为高斯分布。
步骤S4中，所述克拉姆矩阵损失函数
Figure 881360DEST_PATH_IMAGE072
为：
Figure 875861DEST_PATH_IMAGE073
其中，
Figure 220254DEST_PATH_IMAGE074
为地面实况轨迹
Figure 983811DEST_PATH_IMAGE075
、
Figure 21037DEST_PATH_IMAGE076
时刻的经度内积，
Figure 502834DEST_PATH_IMAGE077
为预测平均轨迹
Figure 650918DEST_PATH_IMAGE078
、
Figure 268982DEST_PATH_IMAGE076
时刻的经度内积，
Figure 477109DEST_PATH_IMAGE079
为地面实况轨迹
Figure 446202DEST_PATH_IMAGE075
、
Figure 132398DEST_PATH_IMAGE080
时刻的纬度内积，
Figure 870547DEST_PATH_IMAGE081
为预测 平均轨迹
Figure 983997DEST_PATH_IMAGE075
、
Figure 174807DEST_PATH_IMAGE076
时刻的纬度内积；
Figure 664694DEST_PATH_IMAGE082
Figure 257349DEST_PATH_IMAGE083
Figure 72858DEST_PATH_IMAGE084
Figure 750964DEST_PATH_IMAGE085
其中，
Figure 778963DEST_PATH_IMAGE086
为矩阵的连接。
步骤S4中，结合CGAN损失函数、对数损失函数和克拉姆矩阵损失函数，得到混合对 抗性损失函数
Figure 226125DEST_PATH_IMAGE087
为：
Figure 946957DEST_PATH_IMAGE088
其中，
Figure 112359DEST_PATH_IMAGE089
为船舶轨迹预测网络模型中轨迹生成模块、轨迹判别模块、意图驱动模块 中网络的权重集合，
Figure 944048DEST_PATH_IMAGE090
、
Figure 245717DEST_PATH_IMAGE091
为用于平衡CGAN损失函数、对数损失函数和克拉姆矩阵损失函数 的超参数。
步骤S5具体包括以下步骤：
S51、输入观测轨迹到轨迹生成模块中，输出预测轨迹分布及其预测平均轨迹；
S52、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到轨迹判别模块中，判断预测平均轨迹为地面实况轨迹的概率，并将分类结果反馈到轨迹生成模块中；
S53、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到意图驱动模块中，识别预测平均轨迹是否与真实意图一致，并将分类结果反馈到轨迹生成模块中；
S54、利用混合对抗性损失函数交替对轨迹生成模块、轨迹判别模块和意图驱动模块进行对抗性训练，最终输出预测轨迹。
与现有技术相比，本发明的有益效果为：
本发明一种意图驱动的船舶轨迹预测方法中，通过提取AIS数据中的经度、纬度、对地航速和对地航向，将航行意图建模为分类器，以航行意图作为限制条件，设计一种意图驱动船舶轨迹预测网络模型以最小化预测误差并平滑预测轨迹，船舶轨迹预测网络模型采用时间卷积网络作为基本网络，捕捉船舶运动的长期依赖性；同时，建立了一个基于克拉姆矩阵的混合对抗损失函数，捕获船舶运动之间的时空依赖性，从而产生平滑、高准确率的预测轨迹。因此，本发明以船舶航行意图作为驱动条件预测轨迹，能够有效地缓解交汇水域内多方向航道对船舶交通流和船舶运动方式的约束问题及水上交通交叉路口船舶轨迹的不确定性给船舶轨迹预测带来的影响，有效弥补了现有模型的不足。
附图说明
图1是本发明一种意图驱动的船舶轨迹预测方法的流程图。
图2是本发明中三种不同的时间卷积网络结构TCN及其在轨迹生成模块G、轨迹判别模块D和意图驱动模块C中的作用示意图。
图3是本发明中轨迹数据处理与划分示意图。
图4是本发明中船舶轨迹预测网络模型示意图。
图5是本发明中预测结果示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1至图4，一种意图驱动的船舶轨迹预测方法，该方法包括以下步骤：
S1、从原始AIS数据中提取每一个数据点的经度、纬度、对地航速、对地航向特征并清洗数据，将轨迹划分为观测轨迹和地面实况轨迹；
S2、按照轨迹的行驶路径将船舶意图分类并标注每条轨迹的意图；
S3、以时间卷积网络结构为基本网络结构，分别构建轨迹生成模块、轨迹判别模块、意图驱动模块；
S4、设计一种由CGAN损失函数、对数损失函数和克拉姆矩阵损失函数组成的混合对抗性损失函数；
S5、先将轨迹生成模块、轨迹判别模块和意图驱动模块耦合成船舶轨迹预测网络模型，再输入观测轨迹到船舶轨迹预测网络模型中，然后通过混合对抗性损失函数训练船舶轨迹预测网络模型并输出预测的船舶轨迹。
步骤S1具体包括以下步骤：
S11、解析原始AIS数据，使用
Figure 137449DEST_PATH_IMAGE001
规则检测解析结果中的经度、纬度、对地航速、对地 航向数据中的离群值数据，剔除离群值数据后用插值法将所有轨迹频率归一化到相同的频 率，得到经度
Figure 790148DEST_PATH_IMAGE002
、纬度
Figure 159949DEST_PATH_IMAGE003
、对地航速
Figure 581703DEST_PATH_IMAGE004
、对地航向
Figure 909916DEST_PATH_IMAGE005
四维特征参量；
处理后的AIS数据集表示为：
Figure 784331DEST_PATH_IMAGE006
AIS数据集中不同时刻的轨迹点组成的轨迹为：
Figure 223403DEST_PATH_IMAGE007
其中，
Figure 499664DEST_PATH_IMAGE008
为轨迹所属船舶的MMSI号，
Figure 733199DEST_PATH_IMAGE009
为轨迹的起始点时刻，
Figure 94910DEST_PATH_IMAGE092
为归一化到相同的 频率后轨迹点时间间隔，
Figure 806514DEST_PATH_IMAGE011
为轨迹的轨迹点数；
轨迹点为：
Figure 202860DEST_PATH_IMAGE012
S12、将轨迹划分为观测轨迹和地面实况轨迹。
步骤S3具体包括以下步骤：
S31、在时间卷积网络结构中每一层创建一组时间卷积块，每层的时间卷积块分别 包含卷积核权重参数
Figure 607297DEST_PATH_IMAGE013
和偏置向量
Figure 456304DEST_PATH_IMAGE014
；
S32、对于第一层网络，输入初始轨迹向量，输出
Figure 971599DEST_PATH_IMAGE093
为：
Figure 488031DEST_PATH_IMAGE094
其中，
Figure 63369DEST_PATH_IMAGE017
为隐藏层维度，
Figure 399672DEST_PATH_IMAGE018
为ReLu激活函数，
Figure 718658DEST_PATH_IMAGE095
为
Figure 824017DEST_PATH_IMAGE020
在第
Figure 570257DEST_PATH_IMAGE021
个隐藏层单元对应的 权重参数，
Figure 128277DEST_PATH_IMAGE022
为网络
Figure 250954DEST_PATH_IMAGE023
时刻的输入；
S33、对
Figure 210819DEST_PATH_IMAGE093
进行零填充后，输入下一层处理计算得到
Figure 127960DEST_PATH_IMAGE024
，以此类推，第
Figure 438855DEST_PATH_IMAGE025
层的输出
Figure 365223DEST_PATH_IMAGE026
为：
Figure 179595DEST_PATH_IMAGE027
其中，
Figure 798796DEST_PATH_IMAGE096
，在最后一层得到时间卷积网络结构对初始轨迹向量的最终编码
Figure 331408DEST_PATH_IMAGE029
， 表示为：
Figure 530308DEST_PATH_IMAGE097
S34、对于轨迹生成模块，将
Figure 464766DEST_PATH_IMAGE029
输入到密度网络层，输出一系列高斯分布参数
Figure 989288DEST_PATH_IMAGE031
：
Figure 743618DEST_PATH_IMAGE032
其中，
Figure 11788DEST_PATH_IMAGE033
、
Figure 800753DEST_PATH_IMAGE034
分别为标准化的经度和纬度平均值，
Figure 230597DEST_PATH_IMAGE035
、
Figure 737802DEST_PATH_IMAGE036
分别为标准化的经度 和纬度标准差；
Figure 544084DEST_PATH_IMAGE037
为相关系数，用于计算经纬度分布的协方差；
根据高斯分布参数值得到待预测轨迹
Figure 453134DEST_PATH_IMAGE023
时刻的高斯分布为：
Figure 319459DEST_PATH_IMAGE098
Figure 48380DEST_PATH_IMAGE039
其中，
Figure 658353DEST_PATH_IMAGE040
为标准化系数，
Figure 421910DEST_PATH_IMAGE041
为
Figure 193557DEST_PATH_IMAGE023
时刻预测平均轨迹，
Figure 675354DEST_PATH_IMAGE042
为观测回看点；
对于轨迹判别模块，将
Figure 89017DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 707081DEST_PATH_IMAGE029
为地面实况 轨迹的概率
Figure 649629DEST_PATH_IMAGE043
为：
Figure 353143DEST_PATH_IMAGE099
其中，
Figure 304918DEST_PATH_IMAGE045
为第
Figure 777488DEST_PATH_IMAGE021
类判别结果的得分，
Figure 156516DEST_PATH_IMAGE046
为各类判别结果得分的总和，
Figure 347326DEST_PATH_IMAGE047
表示预测平均轨迹，
Figure 837214DEST_PATH_IMAGE048
表示地面实况轨迹；
对于意图驱动模块，将
Figure 429869DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 979799DEST_PATH_IMAGE029
意图的概率 分布
Figure 392326DEST_PATH_IMAGE049
为：
Figure 685904DEST_PATH_IMAGE050
其中，
Figure 133066DEST_PATH_IMAGE051
为第
Figure 119476DEST_PATH_IMAGE021
类意图的得分，
Figure 284878DEST_PATH_IMAGE052
为各类意图得分的总和，
Figure 116568DEST_PATH_IMAGE053
表示意图，
Figure 418236DEST_PATH_IMAGE054
。
步骤S4中，所述CGAN损失函数
Figure 309969DEST_PATH_IMAGE100
为：
Figure 697088DEST_PATH_IMAGE101
其中，
Figure 332469DEST_PATH_IMAGE057
为地面实况轨迹，
Figure 754223DEST_PATH_IMAGE058
为预测平均轨迹，
Figure 816857DEST_PATH_IMAGE102
表示意图驱动模块，
Figure 691272DEST_PATH_IMAGE103
表示轨迹 生成模块，
Figure 864764DEST_PATH_IMAGE104
表示轨迹判别模块，
Figure 141025DEST_PATH_IMAGE105
为地面实况轨迹代入特征参量的损失函数期望，
Figure 374560DEST_PATH_IMAGE063
为轨迹判别模块的输出结果，
Figure 1850DEST_PATH_IMAGE106
为预测平均轨迹代入特征参量的损失函数期 望，
Figure 979034DEST_PATH_IMAGE065
为地面实况轨迹意图概率分布，
Figure 375380DEST_PATH_IMAGE066
为预测平均轨迹意图概率分布。
步骤S4中，所述对数损失函数
Figure 779817DEST_PATH_IMAGE107
为：
Figure 363245DEST_PATH_IMAGE108
其中，
Figure 144119DEST_PATH_IMAGE069
为预测平均轨迹的分布，
Figure 394972DEST_PATH_IMAGE070
为预测长度，
Figure 970309DEST_PATH_IMAGE071
为高斯分布。
步骤S4中，所述克拉姆矩阵损失函数
Figure 41034DEST_PATH_IMAGE109
为：
Figure 360019DEST_PATH_IMAGE110
其中，
Figure 465379DEST_PATH_IMAGE074
为地面实况轨迹
Figure 211618DEST_PATH_IMAGE111
、
Figure 35217DEST_PATH_IMAGE076
时刻的经度内积，
Figure 892315DEST_PATH_IMAGE077
为预测平均轨迹
Figure 383339DEST_PATH_IMAGE112
、
Figure 300480DEST_PATH_IMAGE076
时刻的经度内积，
Figure 345796DEST_PATH_IMAGE079
为地面实况轨迹
Figure 6584DEST_PATH_IMAGE111
、
Figure 86536DEST_PATH_IMAGE080
时刻的纬度内积，
Figure 174578DEST_PATH_IMAGE081
为预测 平均轨迹
Figure 707190DEST_PATH_IMAGE111
、
Figure 171669DEST_PATH_IMAGE076
时刻的纬度内积；
Figure 106127DEST_PATH_IMAGE082
Figure 365070DEST_PATH_IMAGE113
Figure 384979DEST_PATH_IMAGE114
Figure 653149DEST_PATH_IMAGE085
其中，
Figure 707693DEST_PATH_IMAGE086
为矩阵的连接。
步骤S4中，结合CGAN损失函数、对数损失函数和克拉姆矩阵损失函数，得到混合对 抗性损失函数
Figure 137537DEST_PATH_IMAGE087
为：
Figure 644742DEST_PATH_IMAGE115
其中，
Figure 451024DEST_PATH_IMAGE089
为船舶轨迹预测网络模型中轨迹生成模块、轨迹判别模块、意图驱动模块 中网络的权重集合，
Figure 94495DEST_PATH_IMAGE090
、
Figure 960820DEST_PATH_IMAGE091
为用于平衡CGAN损失函数、对数损失函数和克拉姆矩阵损失函数 的超参数。
步骤S5具体包括以下步骤：
S51、输入观测轨迹到轨迹生成模块中，输出预测轨迹分布及其预测平均轨迹；
S52、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到轨迹判别模块中，判断预测平均轨迹为地面实况轨迹的概率，并将分类结果反馈到轨迹生成模块中；
S53、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到意图驱动模块中，识别预测平均轨迹是否与真实意图一致，并将分类结果反馈到轨迹生成模块中；
S54、利用混合对抗性损失函数交替对轨迹生成模块、轨迹判别模块和意图驱动模块进行对抗性训练，最终输出预测轨迹。
本发明的原理说明如下：
本发明提出一种长期轨迹预测方法，尤其是结合船舶航行意图以提高预测准确性的轨迹预测方法，该方法以航行意图作为限制条件生成对抗网络，优化损失函数，捕捉船舶运动的长期依赖性，同时最小化交汇水域等复杂水域内运动的不确定性引起的预测误差。
船舶在所选取的交汇水域的通航时间和速度分布并不固定且有一定规律，可以将船舶轨迹数据按照意图分为三类：
Figure 689741DEST_PATH_IMAGE116
船舶从西到南的航行时间明显短于向其他方向的航行时间，另一方面，即使出于相同的意图，可航行时间和SOG的分布相对分散，表明虽然意图在一定程度上是船舶的运动条件，但船舶在执行意图时也表现出多模态运动模式。
实施例：
参见图1，一种意图驱动的船舶轨迹预测方法，该方法包括以下步骤：
S1、从原始AIS数据中提取每一个数据点的经度、纬度、对地航速、对地航向特征并清洗数据，将轨迹划分为观测轨迹和地面实况轨迹；参见图3，具体包括以下步骤：
S11、解析原始AIS数据，使用
Figure 565294DEST_PATH_IMAGE001
规则检测解析结果中的经度、纬度、对地航速、对地 航向数据中的离群值数据，剔除离群值数据后用插值法将所有轨迹频率归一化到相同的频 率，得到经度
Figure 63271DEST_PATH_IMAGE002
、纬度
Figure 100497DEST_PATH_IMAGE003
、对地航速
Figure 316715DEST_PATH_IMAGE004
、对地航向
Figure 464799DEST_PATH_IMAGE005
四维特征参量；
处理后的AIS数据集表示为：
Figure 348442DEST_PATH_IMAGE006
AIS数据集中不同时刻的轨迹点组成的轨迹为：
Figure 556569DEST_PATH_IMAGE007
其中，
Figure 260083DEST_PATH_IMAGE008
为轨迹所属船舶的MMSI号，
Figure 211859DEST_PATH_IMAGE009
为轨迹的起始点时刻，
Figure 684428DEST_PATH_IMAGE092
为归一化到相同的 频率后轨迹点时间间隔，
Figure 63457DEST_PATH_IMAGE011
为轨迹的轨迹点数；
轨迹点为：
Figure 254267DEST_PATH_IMAGE117
S12、将轨迹划分为观测轨迹
Figure 9733DEST_PATH_IMAGE118
和地面实况轨迹
Figure 602389DEST_PATH_IMAGE119
；
S2、按照轨迹的行驶路径将船舶意图分类并标注每条轨迹的意图
Figure 886739DEST_PATH_IMAGE120
；
S3、以时间卷积网络结构（TCN）为基本网络结构，分别构建轨迹生成模块G、轨迹判别模块D、意图驱动模块C；参见图2，具体包括以下步骤：
S31、在时间卷积网络结构中每一层创建一组时间卷积块，每层的时间卷积块分别 包含卷积核权重参数
Figure 564845DEST_PATH_IMAGE013
和偏置向量
Figure 858423DEST_PATH_IMAGE014
；
S32、对于第一层网络，输入初始轨迹向量，输出
Figure 305585DEST_PATH_IMAGE015
为：
Figure 26417DEST_PATH_IMAGE094
其中，
Figure 191819DEST_PATH_IMAGE017
为隐藏层维度，
Figure 23509DEST_PATH_IMAGE018
为ReLu激活函数，
Figure 590756DEST_PATH_IMAGE019
为
Figure 482489DEST_PATH_IMAGE020
在第
Figure 869608DEST_PATH_IMAGE021
个隐藏层单元对应的 权重参数；
Figure 504988DEST_PATH_IMAGE022
为网络
Figure 926742DEST_PATH_IMAGE023
时刻的输入，展开为
Figure 254956DEST_PATH_IMAGE121
；
S33、第一层输出
Figure 129371DEST_PATH_IMAGE093
由隐藏层处理，隐藏层引入具有相对较少参数的感受野的膨胀 卷积，结合因果卷积捕捉轨迹的长期依赖性，对
Figure 302863DEST_PATH_IMAGE093
进行零填充后，输入下一层处理计算得到
Figure 579124DEST_PATH_IMAGE122
，以此类推，第
Figure 812659DEST_PATH_IMAGE025
层的输出
Figure 174370DEST_PATH_IMAGE026
为：
Figure 151553DEST_PATH_IMAGE027
其中，
Figure 282320DEST_PATH_IMAGE028
，设置TCN的层数为5层，每个TCN的内核大小为4，在最后一层得到时 间卷积网络结构对初始轨迹向量的最终编码
Figure 686757DEST_PATH_IMAGE029
，表示为：
Figure 801344DEST_PATH_IMAGE097
S34、对于轨迹生成模块，将
Figure 582218DEST_PATH_IMAGE029
输入到密度网络层，输出一系列高斯分布参数
Figure 567491DEST_PATH_IMAGE031
：
Figure 142829DEST_PATH_IMAGE123
其中，
Figure 479132DEST_PATH_IMAGE033
、
Figure 798118DEST_PATH_IMAGE034
分别为标准化的经度和纬度平均值，
Figure 903478DEST_PATH_IMAGE035
、
Figure 649717DEST_PATH_IMAGE036
分别为标准化的经度 和纬度标准差；
Figure 473316DEST_PATH_IMAGE037
为相关系数，用于计算经纬度分布的协方差；
根据高斯分布参数值得到待预测轨迹
Figure 330414DEST_PATH_IMAGE023
时刻的高斯分布为：
Figure 555859DEST_PATH_IMAGE038
Figure 738578DEST_PATH_IMAGE039
其中，
Figure 783895DEST_PATH_IMAGE040
为标准化系数，
Figure 444683DEST_PATH_IMAGE041
为
Figure 524635DEST_PATH_IMAGE023
时刻预测平均轨迹，
Figure 612677DEST_PATH_IMAGE042
为观测回看点；
因此，此TCN网络的输出是一个
Figure 145289DEST_PATH_IMAGE124
的张量，其中N是批量大小，本实施例中取 64，T是预测范围，本实施例中取20分钟，5表示5个高斯分布参数；
对于轨迹判别模块，将
Figure 875348DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 809806DEST_PATH_IMAGE029
为地面实况 轨迹的概率
Figure 68749DEST_PATH_IMAGE043
为：
Figure 88657DEST_PATH_IMAGE044
其中，
Figure 91248DEST_PATH_IMAGE045
为第
Figure 880213DEST_PATH_IMAGE021
类判别结果的得分，
Figure 575636DEST_PATH_IMAGE046
为各类判别结果得分的总和，
Figure 82841DEST_PATH_IMAGE125
表示预测平均轨迹，
Figure 623544DEST_PATH_IMAGE048
表示地面实况轨迹；
对于意图驱动模块，将
Figure 532594DEST_PATH_IMAGE029
输入到SoftMax层，此时间卷积网络结构输出
Figure 133340DEST_PATH_IMAGE029
意图的概率 分布
Figure 127840DEST_PATH_IMAGE126
为：
Figure 737813DEST_PATH_IMAGE050
其中，
Figure 501370DEST_PATH_IMAGE051
为第
Figure 538596DEST_PATH_IMAGE021
类意图的得分，
Figure 754814DEST_PATH_IMAGE127
为各类意图得分的总和，
Figure 902898DEST_PATH_IMAGE053
表示意图，
Figure 520961DEST_PATH_IMAGE054
；
S4、设计一种由CGAN损失函数、对数损失函数和克拉姆矩阵损失函数组成的混合对抗性损失函数；
所述CGAN损失函数
Figure 729089DEST_PATH_IMAGE128
为：
Figure 698182DEST_PATH_IMAGE129
其中，
Figure 384378DEST_PATH_IMAGE057
为地面实况轨迹，
Figure 122527DEST_PATH_IMAGE058
为预测平均轨迹，
Figure 501556DEST_PATH_IMAGE102
表示意图驱动模块，
Figure 692366DEST_PATH_IMAGE103
表示轨迹 生成模块，
Figure 182253DEST_PATH_IMAGE104
表示轨迹判别模块，
Figure 509329DEST_PATH_IMAGE062
为地面实况轨迹代入特征参量的损失函数期望，
Figure 59259DEST_PATH_IMAGE063
为轨迹判别模块的输出结果，
Figure 737365DEST_PATH_IMAGE064
为预测平均轨迹代入特征参量的损失函数期 望，
Figure 30943DEST_PATH_IMAGE065
为地面实况轨迹意图概率分布，
Figure 743684DEST_PATH_IMAGE066
为预测平均轨迹意图概率分布；
构建对数损失函数衡量
Figure 198936DEST_PATH_IMAGE103
中预测的轨迹点分布与地面实况轨迹点之间的差异，所 述对数损失函数
Figure 364338DEST_PATH_IMAGE067
为：
Figure 196028DEST_PATH_IMAGE068
其中，
Figure 763276DEST_PATH_IMAGE069
为预测平均轨迹的分布，
Figure 389429DEST_PATH_IMAGE070
为预测长度，
Figure 42127DEST_PATH_IMAGE071
为高斯分布；
构建克拉姆矩阵损失函数，捕获船舶运动之间的时空依赖性，平滑预测的轨迹，所 述克拉姆矩阵损失函数
Figure 677508DEST_PATH_IMAGE130
为：
Figure 833683DEST_PATH_IMAGE110
其中，
Figure 896317DEST_PATH_IMAGE074
为地面实况轨迹
Figure 770732DEST_PATH_IMAGE075
、
Figure 475383DEST_PATH_IMAGE076
时刻的经度内积，
Figure 751643DEST_PATH_IMAGE077
为预测平均轨迹
Figure 985179DEST_PATH_IMAGE078
、
Figure 346890DEST_PATH_IMAGE076
时刻的经度内积，
Figure 324073DEST_PATH_IMAGE079
为地面实况轨迹
Figure 743857DEST_PATH_IMAGE075
、
Figure 148293DEST_PATH_IMAGE080
时刻的纬度内积，
Figure 997301DEST_PATH_IMAGE081
为预测 平均轨迹
Figure 512596DEST_PATH_IMAGE075
、
Figure 763448DEST_PATH_IMAGE076
时刻的纬度内积；
Figure 338786DEST_PATH_IMAGE082
Figure 675090DEST_PATH_IMAGE083
Figure 994076DEST_PATH_IMAGE084
Figure 99435DEST_PATH_IMAGE131
其中，
Figure 845674DEST_PATH_IMAGE086
为矩阵的连接；
结合CGAN损失函数、对数损失函数和克拉姆矩阵损失函数，得到混合对抗性损失 函数
Figure 403694DEST_PATH_IMAGE132
为：
Figure 791950DEST_PATH_IMAGE088
其中，
Figure 751816DEST_PATH_IMAGE133
为船舶轨迹预测网络模型中轨迹生成模块、轨迹判别模块、意图驱动模块 中网络的权重集合，
Figure 668956DEST_PATH_IMAGE090
、
Figure 979852DEST_PATH_IMAGE091
为用于平衡CGAN损失函数、对数损失函数和克拉姆矩阵损失函数 的超参数，
Figure 437378DEST_PATH_IMAGE134
，
Figure 782909DEST_PATH_IMAGE135
；
S5、先将轨迹生成模块、轨迹判别模块和意图驱动模块耦合成船舶轨迹预测网络模型，再输入观测轨迹到船舶轨迹预测网络模型中，然后通过混合对抗性损失函数训练船舶轨迹预测网络模型并输出预测的船舶轨迹；参见图4，具体包括以下步骤：
S51、输入观测轨迹
Figure 136530DEST_PATH_IMAGE136
到轨迹生成模块中，输出预测轨迹分布及其预测平均 轨迹；
S52、输入轨迹生成模块生成的预测平均轨迹
Figure 669142DEST_PATH_IMAGE137
和地面实况轨迹
Figure 133622DEST_PATH_IMAGE138
到轨迹判别模块中，判断预测平均轨迹为地面实况轨迹的概率，并将分 类结果反馈到轨迹生成模块中；
S53、输入轨迹生成模块生成的预测平均轨迹
Figure 802500DEST_PATH_IMAGE137
和地面实况轨迹
Figure 327023DEST_PATH_IMAGE139
到意图驱动模块中，识别预测平均轨迹是否与真实意图一致，并将分类 结果反馈到轨迹生成模块中；
S54、利用混合对抗性损失函数交替对轨迹生成模块、轨迹判别模块和意图驱动模块进行对抗性训练，预测水域内20分钟的轨迹分布和分布的平均值，最终输出预测轨迹，如图5所示。

Claims (6)

1.一种意图驱动的船舶轨迹预测方法，其特征在于，该方法包括以下步骤：
S1、从原始AIS数据中提取每一个数据点的经度、纬度、对地航速、对地航向特征并清洗数据，将轨迹划分为观测轨迹和地面实况轨迹；具体包括以下步骤：
S11、解析原始AIS数据，使用3σ规则检测解析结果中的经度、纬度、对地航速、对地航向数据中的离群值数据，剔除离群值数据后用插值法将所有轨迹频率归一化到相同的频率，得到经度x、纬度y、对地航速v、对地航向φ四维特征参量；
处理后的AIS数据集表示为：
D＝{Tra(ID1)，Tra(ID2)，…，Tra(IDm)}
AIS数据集中不同时刻的轨迹点组成的轨迹为：
Tra(IDi)＝[p(ID，t0)，p(ID，t0+Δt)，...，p(ID，t0+nΔt)]
其中，ID为轨迹所属船舶的MMSI号，t0为轨迹的起始点时刻，Δt为归一化到相同的频率后轨迹点时间间隔，n为轨迹的轨迹点数；
轨迹点为：
p(ID，t)＝[xt，yt，vt，φt]
S12、将轨迹划分为观测轨迹和地面实况轨迹；
S2、按照轨迹的行驶路径将船舶意图分类并标注每条轨迹的意图；
S3、以时间卷积网络结构为基本网络结构，分别构建轨迹生成模块、轨迹判别模块、意图驱动模块；具体包括以下步骤：
S31、在时间卷积网络结构中每一层创建一组时间卷积块，每层的时间卷积块分别包含卷积核权重参数Wl和偏置向量bl；
S32、对于第一层网络，输入初始轨迹向量，输出
Figure FDA0003960497180000011
为：
Figure FDA0003960497180000012
其中，m为隐藏层维度，f(·)为ReLu激活函数，Wi，t为Xt在第i个隐藏层单元对应的权重参数，Xt为网络t时刻的输入；
S33、对
Figure FDA0003960497180000021
进行零填充后，输入下一层处理计算得到
Figure FDA0003960497180000022
以此类推，第l层的输出
Figure FDA0003960497180000023
为：
Figure FDA0003960497180000024
其中，d＝2l-1，在最后一层得到时间卷积网络结构对初始轨迹向量的最终编码h，表示为：
Figure FDA0003960497180000025
S34、对于轨迹生成模块，将h输入到密度网络层，输出一系列高斯分布参数G(Trapre，t)：
G(Trapre，t)＝(μx，t，μy，t，σx，t，σy，t，ρt)
其中，μx，t、μy，t分别为标准化的经度和纬度平均值，σx，t、σy，t分别为标准化的经度和纬度标准差；ρt为相关系数，用于计算经纬度分布的协方差；
根据高斯分布参数值得到待预测轨迹t时刻的高斯分布为：
Figure FDA0003960497180000026
Figure FDA0003960497180000027
其中，Z为标准化系数，
Figure FDA0003960497180000028
为t时刻预测平均轨迹，Traob，t-Δt为观测回看点；
对于轨迹判别模块，将h输入到SoftMax层，此时间卷积网络结构输出h为地面实况轨迹的概率P(Tr)为：
Figure FDA0003960497180000029
其中，exp(Vi)为第i类判别结果的得分，∑jexp(Vj)为各类判别结果得分的总和，i＝0表示预测平均轨迹，i＝1表示地面实况轨迹；
对于意图驱动模块，将h输入到SoftMax层，此时间卷积网络结构输出h意图的概率分布
Figure FDA0003960497180000031
为：
Figure FDA0003960497180000032
其中，exp(Vi)为第i类意图的得分，∑jexp(Vj)为各类意图得分的总和，i表示意图，i＝0，1，…，n；
S4、设计一种由CGAN损失函数、对数损失函数和克拉姆矩阵损失函数组成的混合对抗性损失函数；
S5、先将轨迹生成模块、轨迹判别模块和意图驱动模块耦合成船舶轨迹预测网络模型，再输入观测轨迹到船舶轨迹预测网络模型中，然后通过混合对抗性损失函数训练船舶轨迹预测网络模型并输出预测的船舶轨迹。
2.根据权利要求1所述的一种意图驱动的船舶轨迹预测方法，其特征在于：步骤S4中，所述CGAN损失函数
Figure FDA0003960497180000033
为：
Figure FDA0003960497180000034
其中，Tra为地面实况轨迹，
Figure FDA0003960497180000035
为预测平均轨迹，C表示意图驱动模块，G表示轨迹生成模块，D表示轨迹判别模块，ETra-p(Tra)为地面实况轨迹代入特征参量的损失函数期望，D(Tra)为轨迹判别模块的输出结果，
Figure FDA0003960497180000036
为预测平均轨迹代入特征参量的损失函数期望，p(int)为地面实况轨迹意图概率分布，
Figure FDA0003960497180000037
为预测平均轨迹意图概率分布。
3.根据权利要求2所述的一种意图驱动的船舶轨迹预测方法，其特征在于：步骤S4中，所述对数损失函数
Figure FDA0003960497180000038
为：
Figure FDA0003960497180000039
其中，
Figure FDA0003960497180000041
为预测平均轨迹的分布，T为预测长度，N为高斯分布。
4.根据权利要求3所述的一种意图驱动的船舶轨迹预测方法，其特征在于：步骤S4中，所述克拉姆矩阵损失函数
Figure FDA0003960497180000042
为：
Figure FDA0003960497180000043
其中，G(xt，xt-1)为地面实况轨迹t、t-1时刻的经度内积，
Figure FDA0003960497180000044
为预测平均轨迹t、t-1时刻的经度内积，G(yt，yt-1)为地面实况轨迹t、t-1时刻的纬度内积，
Figure FDA0003960497180000045
为预测平均轨迹t、t-1时刻的纬度内积；
G(xt，xt-1)＝[xt；xt-1][xt；xt-1]T
Figure FDA0003960497180000046
G(yt，yt-1)＝[yt；yt-1][yt；yt-1]T
Figure FDA0003960497180000047
其中，[；]为矩阵的连接。
5.根据权利要求4所述的一种意图驱动的船舶轨迹预测方法，其特征在于：步骤S4中，结合CGAN损失函数、对数损失函数和克拉姆矩阵损失函数，得到混合对抗性损失函数W*为：
Figure FDA0003960497180000048
其中，W为船舶轨迹预测网络模型中轨迹生成模块、轨迹判别模块、意图驱动模块中网络的权重集合，α、β为用于平衡CGAN损失函数、对数损失函数和克拉姆矩阵损失函数的超参数。
6.根据权利要求5所述的一种意图驱动的船舶轨迹预测方法，其特征在于：步骤S5具体包括以下步骤：
S51、输入观测轨迹到轨迹生成模块中，输出预测轨迹分布及其预测平均轨迹；
S52、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到轨迹判别模块中，判断预测平均轨迹为地面实况轨迹的概率，并将分类结果反馈到轨迹生成模块中；
S53、输入轨迹生成模块生成的预测平均轨迹和地面实况轨迹到意图驱动模块中，识别预测平均轨迹是否与真实意图一致，并将分类结果反馈到轨迹生成模块中；
S54、利用混合对抗性损失函数交替对轨迹生成模块、轨迹判别模块和意图驱动模块进行对抗性训练，最终输出预测轨迹。
CN202211219162.5A 2022-10-08 2022-10-08 一种意图驱动的船舶轨迹预测方法 Active CN115293297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219162.5A CN115293297B (zh) 2022-10-08 2022-10-08 一种意图驱动的船舶轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219162.5A CN115293297B (zh) 2022-10-08 2022-10-08 一种意图驱动的船舶轨迹预测方法

Publications (2)

Publication Number Publication Date
CN115293297A CN115293297A (zh) 2022-11-04
CN115293297B true CN115293297B (zh) 2023-01-20

Family

ID=83833830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219162.5A Active CN115293297B (zh) 2022-10-08 2022-10-08 一种意图驱动的船舶轨迹预测方法

Country Status (1)

Country Link
CN (1) CN115293297B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测***及方法
CN111257914A (zh) * 2020-01-14 2020-06-09 杭州电子科技大学 基于北斗与ais数据融合的海洋渔船轨迹预测方法及***
CN111930110A (zh) * 2020-06-01 2020-11-13 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法
CN113056749A (zh) * 2018-09-11 2021-06-29 辉达公司 用于自主机器应用的未来对象轨迹预测
CN113156947A (zh) * 2021-04-14 2021-07-23 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113240198A (zh) * 2021-06-07 2021-08-10 兰州大学 一种基于tcn模型的港口船舶轨迹预测方法
CN114116944A (zh) * 2021-11-30 2022-03-01 重庆七腾科技有限公司 一种基于时间注意力卷积网络的轨迹预测方法及装置
CN114399743A (zh) * 2021-12-10 2022-04-26 浙江零跑科技股份有限公司 一种障碍物未来轨迹的生成方法
CN114595770A (zh) * 2022-03-09 2022-06-07 中国电子科技集团公司第五十四研究所 一种船舶轨迹的长时序预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200298859A1 (en) * 2019-03-21 2020-09-24 The Regents Of The University Of Michigan Safe Autonomous Overtaking with Intention Estimation
CN115147594A (zh) * 2022-07-06 2022-10-04 上海海事大学 一种基于船艏向识别的船舶图像轨迹跟踪与预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113056749A (zh) * 2018-09-11 2021-06-29 辉达公司 用于自主机器应用的未来对象轨迹预测
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测***及方法
CN111257914A (zh) * 2020-01-14 2020-06-09 杭州电子科技大学 基于北斗与ais数据融合的海洋渔船轨迹预测方法及***
CN111930110A (zh) * 2020-06-01 2020-11-13 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法
CN113156947A (zh) * 2021-04-14 2021-07-23 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113240198A (zh) * 2021-06-07 2021-08-10 兰州大学 一种基于tcn模型的港口船舶轨迹预测方法
CN114116944A (zh) * 2021-11-30 2022-03-01 重庆七腾科技有限公司 一种基于时间注意力卷积网络的轨迹预测方法及装置
CN114399743A (zh) * 2021-12-10 2022-04-26 浙江零跑科技股份有限公司 一种障碍物未来轨迹的生成方法
CN114595770A (zh) * 2022-03-09 2022-06-07 中国电子科技集团公司第五十四研究所 一种船舶轨迹的长时序预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A prediction model of vessel trajectory based on generative adversarial network;Senjie Wang 等;《https://www.cambridge.org/core》;20210531;1-11 *
AIS-Based Intelligent Vessel Trajectory Prediction Using Bi-LSTM;CHENG-HONG YANG 等;《IEEE Access》;20220308;24302-24315 *
Intent prediction of vessels in intersection waterway based on learning vessel motion patterns with early observations;Jie Ma 等;《Ocean Engineering》;20210519;1-14 *
基于AIS数据的港口船舶轨迹预测方法研究;雷晖;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210915(第09期);C036-82 *

Also Published As

Publication number Publication date
CN115293297A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN109919108B (zh) 基于深度哈希辅助网络的遥感图像快速目标检测方法
CN108388927B (zh) 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN108460382B (zh) 基于深度学习单步检测器的光学遥感图像舰船检测方法
CN104537647A (zh) 一种目标检测方法及装置
CN111428625A (zh) 一种基于深度学习的交通场景目标检测方法及***
CN111046787A (zh) 一种基于改进YOLO v3模型的行人检测方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及***
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN111142538A (zh) 一种水环境监测的无人船运行策略实时决策方法
Zhang et al. Learning efficient and accurate detectors with dynamic knowledge distillation in remote sensing imagery
CN113139594A (zh) 一种机载图像无人机目标自适应检测方法
CN116977710A (zh) 一种遥感图像长尾分布目标半监督检测方法
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN116110022A (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及***
CN114972759A (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及***
CN104778699A (zh) 一种自适应对象特征的跟踪方法
CN104463207B (zh) 知识自编码网络及其极化sar影像地物分类方法
CN116152678A (zh) 小样本条件下基于孪生神经网络的海洋承灾体识别方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
Sun et al. NSD‐SSD: a novel real‐time ship detector based on convolutional neural network in surveillance video
CN111797935B (zh) 基于群体智能的半监督深度网络图片分类方法

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