CN116306790A - 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 - Google Patents
一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN116306790A CN116306790A CN202310055594.5A CN202310055594A CN116306790A CN 116306790 A CN116306790 A CN 116306790A CN 202310055594 A CN202310055594 A CN 202310055594A CN 116306790 A CN116306790 A CN 116306790A
- Authority
- CN
- China
- Prior art keywords
- track
- ship
- network
- data
- cnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000007246 mechanism Effects 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 239000010410 layer Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于CNN‑GRU和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质，方法包括：对卫星获取的船舶AIS轨迹数据进行预处理，得到训练集和测试集；构建基于深度学习的轨迹预测网络；构建损失函数MSE；设置网络训练参数；用得到的训练集对构建的轨迹预测网络进行训练，得到训练网络模型；递归预测；***、设备及介质，用于实现基于CNN‑GRU和注意力机制的近海船舶轨迹实时预测方法；本发明通过使用CNN网络对输入的时序轨迹数据进行特征提取，采用双层GRU网络提取数据的长期特征，并引入注意力机制计算权重，获取关键因素，设置损失函数和训练参数对构建的网络进行训练，进而对轨迹进行递归预测；本发明具有预测精度高、实时性以及适应性强的特点。
Description
技术领域
本发明属于近海船舶轨迹实时预测技术领域，具体涉及一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质。
背景技术
随着全球化进程的深入，海上贸易飞速发展，海洋安全管理也日益重要。其中重要一环是船舶可疑行为跟踪和检测。船舶轨迹的高精度预测在船舶行为模式的判断中发挥着重要作用。通过挖掘船舶历史轨迹和对船舶轨迹的实时预测，可以及时监控船舶的行驶状态及变化，实时跟踪船舶位置等，进而避免碰撞，预报风险，有序管理海上交通安全。近海船舶所处的海域交通密集、状况复杂，所以近海船舶的轨迹预测要求具有较高的精确性和实时性。
随着神经网络的应用和AIS(Automatic Identification System)的发展，利用历史数据对轨迹进行预测成为了主要趋势，AIS是一种新型的数字助航***，其数据中含有船舶航行的动态信息和静态信息。利用数据挖掘等技术，可以有效提取船舶轨迹的特征和趋势。基于BP神经网络和AIS数据的轨迹预测模型最早被提出，但是BP神经网络采用梯度下降的学习，导致其难以训练，且存在梯度消失，收敛速度慢的问题。LSTM网络通过在记忆单元中引入遗忘门机制，可以实现对序列数据的预测，在时序预测和自然语言处理等领域取得了较为成熟的应用，LSTM网络也广泛应用于预测船舶的航迹。此外，基于GRU、GAN等网络的预测方法也获得了广泛关注，CNN等也被用于混合网络模型的构建。
由于标准的LSTM或者GRU等网络往往只能针对单一模式给出确定性方案，无法处理海量AIS数据中的多模态的轨迹数据，基于聚类的船舶轨迹预测获得了越来越多的关注，常用的船舶轨迹聚类方法有DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)、GMM(Gaussian Mixture Model)。基于聚类的轨迹预测首先把船舶轨迹进行分类，针对不同的类别分别建立并训练相应的神经网络预测模型。但是基于聚类的方法只适用于限定数量的特定海上航线，且聚类过程会造成数据多样性的损失，无法处理AIS轨迹数据的多样性。
因此，在现有技术中还存在以下缺陷和不足：
1、在历史轨迹数据中，轨迹模式较多的情况下，船舶轨迹的误差较大，预测路线和实际路线趋势难以精确拟合，预测精度无法满足要求。
2、基于聚类的方法要求根据不同的模式分别训练预测模型，在轨迹模式较多的情况下，过多的分类增加了工作量和复杂度。
3、近海船舶AIS数据更新频率高，进出港行为复杂，交通密集，基于历史轨迹的现有技术通常是长期预测，时长范围在1小时以上，无法满足实际的应用场景对实时轨迹预测的要求。
申请号为：CN202011432796.X中公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法及***，在数据预处理后利用一维卷积神经网络提取轨迹高级特征构造训练的输入数据，并将其输入到LSTM网络中进行训练和预测；但是，LSTM网络结构较复杂，计算成本很高，训练时间也比较长，利用LSTM网络的预测会随着预测时间的增加，其预测误差也会累积；LSTM网络长记忆的能力随着预测时间步增加，会逐步减弱。此外，在LSTM网络中，所有时间步长下的隐藏层向量是等权平均的，无法注意到一段轨迹中比较重要的时间步信息。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质，使用卫星获取的船舶AIS轨迹数据并对其进行预处理，随后使用CNN网络对输入的时序轨迹数据进行特征提取，能够有效获取轨迹的短期时序特征模型，简单易于训练，采用双层GRU网络提取数据的长期特征，训练时间短且计算效率高，并引入注意力机制计算权重，获取关键因素，设置损失函数和训练参数对构建的网络进行训练，最后采用滑动窗口的方式对轨迹进行递归预测，具有预测精度高、实时性以及适应性强的特点。
为了实现上述目的，本发明采用的技术方案是：
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，包括以下步骤：
步骤1，对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；
步骤2，构建基于深度学习的轨迹预测网络；
步骤3，构建损失函数MSE；
步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；
步骤5，用步骤1得到的训练集对步骤2中构建的轨迹预测网络进行训练，得到训练网络模型；
步骤6，递归预测：将步骤1得到的测试集输入到步骤5得到的训练网络模型中，按照滑动窗口的方式进行递归预测，得到预测结果和预测误差。
所述步骤1的具体方法为：
步骤101：对船舶AIS轨迹数据进行过滤，消除异常数据：首先确定所研究区域的经纬度范围，然后删除航向不在0～360°之间的AIS信息，最后考虑到海风和洋流对船舶的影响，删除航速小于1海里/小时的AIS消息；
步骤102：对船舶AIS轨迹数据进行运动特征选取：船舶AIS轨迹数据中包括船舶的动态信息和静态信息，利用唯一的标识码(MMSI)识别船舶，以MMSI对应的动态信息作为船舶航行动态序列的组成字段，分别为Latitude、Longitude、COG和SOG，即纬度、经度、航向和航速，选定轨迹数据中的MMSI、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态；
步骤103：对船舶AIS轨迹数据的缺失值进行插值处理：设定船舶AIS轨迹数据的采样频率为1分钟，采用插值方法对间隔大于1分钟的船舶AIS轨迹数据进行补充，当船舶AIS轨迹数据接收间隔大于20分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点；
步骤104：对船舶AIS轨迹数据进行归一化均匀分布处理：采用MIN-MAX归一化，对输入数据进行处理；
步骤105：采用滑动窗口对插值后的归一化数据进行切分：即采用前6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度；
步骤106：数据集划分：处理后的船舶AIS轨迹数据文件将构成船舶AIS轨迹数据集，将船舶AIS轨迹数据集按照比例7:3划分为训练集和测试集。
所述步骤2的具体方法为：
步骤201，构建CNN网络输入输出：采用CNN对训练集进行卷积，输入为二维向量，CNN提取时间维度上的特征，作为后续网络的输入；
步骤202，构建注意力模块：采用注意力机制计算不同隐藏层输出的权重；
步骤203，构建GRU网络输入输出：设计构建GRU网络，输入为经过CNN卷积得到的时序特征，输出为下一时刻的经纬度位置。
所述步骤103中的插值方法为线性插值法或拉格朗日插值法或三次样条插值法。
所述步骤202中的注意力模块采用单层全连接网络计算得到各隐藏层的权重向量。
所述步骤5中的网络训练采用Adam优化器和均方误差MSE作为损失函数。
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测***，包括：
AIS数据预处理模块：用于对船舶AIS轨迹数据进行过滤、插值、特征选取、切分、归一化，以提升数据可用性，制作神经网络的数据集；
神经网络模块：用于设计构建本发明中的CNN与结合注意力机制的GRU网络结构，并设置训练参数、构建损失函数，利用AIS数据预处理模块得到的数据集对构建的神经网络进行训练；
轨迹递归预测模块：用于将待遇测的历史轨迹输入到训练好的网络中，对其按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度，保存预测结果。
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对基于CNN-GRU和注意力机制的近海船舶轨迹进行实时预测。
与现有技术相比，本发明的有益效果是：
1、相比于传统地面基站获取AIS数据，本发明采用卫星获取的船舶AIS轨迹数据，卫星具有范围广、时序长、周期短、成本短且数据获取较为简单等优点。
2、本发明采用CNN网络对轨迹数据进行时序特征提取，一维CNN具有高维数据和自动提取数据短时时序特征的能力，通过CNN网络的卷积操作，能够有效获取轨迹的短期时序特征模型，且简单易于训练。
3、本发明采用GRU网络捕获AIS轨迹数据中的长期时间特征关系，作为RNN网络的一种变体，LSTM(Long and short term memory)能够有效缓解梯度***问题，但是运行时间较长；GRU通过引入更新门和重置门的方式解决了RNN的长依赖问题，相比LSTM网络，GRU只需要2个门控循环单元即可实现预测过程，而LSTM需要3个门控单元，GRU网络结构简化的同时保留了长期记忆的能力，网络结构得到简化，所以训练时间较短，计算效率得到提高。
4、本发明引入注意力机制计算隐藏层中各结点的权重，使得模型更加关注历史信息与当前输入信息的相关部分，采用注意力机制，在不同的预测时间点，从时间维度层面获取关联度更高的行驶影响因素。
5、本发明采用滑动窗口的方式进行递归预测，相比于单个轨迹点数据，轨迹段更好地反映了某段时间船舶的运动趋势，轨迹数据的前后时空关联也得到更好的体现，轨迹预测的连续性可以较好地适应船舶航行状态变更等场景，体现预测实时性。
附图说明
图1为本发明的原理流程图。
图2为本发明船舶AIS轨迹数据预处理流程图。
图3为本发明构建基于深度学习的轨迹预测网络流程图。
图4为本发明实施例滑动窗口示意图。
图5为本发明实施例CNN网络结构图。
图6为本发明实施例预测模型网络结构图。
图7为本发明实施例GRU结构图。
具体实施方式
下面结合附图和实施例详细说明本发明的技术方案。
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，包括以下步骤：
如图1、图2所示，步骤1，对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；
步骤101：对船舶AIS轨迹数据进行过滤，消除异常数据：由于传输过程中的设备原因和外界影响，船舶AIS轨迹数据中存在异常数据，需要进行过滤以保证数据的可用性，首先确定所研究区域的经纬度范围，然后删除航向不在0～360°之间的AIS信息，最后考虑到海风和洋流对船舶的影响，删除航速小于1海里/小时的AIS消息；
步骤102：对船舶AIS轨迹数据进行运动特征选取：船舶AIS轨迹数据中包括船舶的动态信息和静态信息，利用唯一的标识码(MMSI)识别船舶，以MMSI对应的动态信息作为船舶航行动态序列的组成字段，分别为Latitude、Longitude、COG和SOG，即纬度、经度、航向和航速，选定轨迹数据中的MMSI、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态；
步骤103：对船舶AIS轨迹数据的缺失值进行线性插值处理：设定船舶AIS轨迹数据的采样频率为1分钟，采用线性插值方法对间隔大于1分钟的船舶AIS轨迹数据进行补充，当船舶AIS轨迹数据接收间隔大于20分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点；
所述步骤103中的插值方法可以为线性插值法或拉格朗日插值法或三次样条插值法。
步骤104：对船舶AIS轨迹数据进行归一化均匀分布处理：采用MIN-MAX归一化，对输入数据进行处理；
步骤105：采用滑动窗口对插值后的归一化数据进行切分：即采用前6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度；
步骤106：数据集划分：处理后的船舶AIS轨迹数据文件将构成船舶AIS轨迹数据集，将船舶AIS轨迹数据集按照比例7:3划分为训练集和测试集。
如图3所示，步骤2，设计构建基于深度学习的轨迹预测网络；
步骤201，构建CNN网络输入输出：采用CNN对训练集进行卷积，输入为二维向量，CNN作为提取时间维度上的特征，作为后续网络的输入；
步骤202，构建注意力模块：采用注意力机制计算不同隐藏层输出的权重；以此来影响未来某个时间的经纬度位置，提高预测的精度，本发明中采用单层全连接网络计算得到各隐藏层的权重向量；
步骤203，构建GRU网络输入输出：设计构建GRU网络，输入为经过CNN卷积得到的时序特征，输出为下一时刻的经纬度位置。
步骤3，构建损失函数MSE；用于衡量真实值和预测值的均方误差，以此作为损失函数对网络进行训练。
步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率。
步骤5，用步骤1得到的训练集对步骤2中构建的轨迹预测网络进行训练，得到训练网络模型；
所述步骤5中的网络训练采用Adam优化器和均方误差MSE作为损失函数。
步骤6，递归预测：将步骤1得到的测试集输入到步骤5得到的训练网络模型中，按照滑动窗口的方式进行递归预测，输出预测得到的经纬度。
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测***，包括：
AIS数据预处理模块：用于对船舶AIS轨迹数据进行过滤、插值、特征选取、切分、归一化，以提升数据可用性，制作神经网络的数据集。
神经网络模块：用于设计构建本发明中的CNN与结合注意力机制的GRU网络结构，并设置训练参数、构建损失函数，利用AIS数据预处理模块得到的数据集对构建的神经网络进行训练。
轨迹递归预测模块：用于将待遇测的历史轨迹输入到训练好的网络中，对其按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度，保存预测结果。
一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备的控制中心，利用各种接口和线路连接整个基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备的各个部分。
所述处理器执行所述计算机程序时实现上述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法的步骤，例如：对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；构建基于深度学习的轨迹预测网络；构建损失函数MSE；设置网络训练参数；用得到的训练集对构建的轨迹预测网络进行训练，得到训练网络模型；递归预测：将得到的测试集输入到训练网络模型中，按照滑动窗口的方式进行递归预测，得到预测结果和预测误差。
或者，所述处理器执行所述计算机程序时实现上述***中各模块的功能，例如：AIS数据预处理模块：用于对船舶AIS轨迹数据进行过滤、插值、特征选取、切分、归一化，以提升数据可用性，制作神经网络的数据集；神经网络模块：用于设计构建本发明中的CNN与结合注意力机制的GRU网络结构，并设置训练参数、构建损失函数，利用AIS数据预处理模块得到的数据集对构建的神经网络进行训练；轨迹递归预测模块：用于将待遇测的历史轨迹输入到训练好的网络中，对其按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度，保存预测结果。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成预设功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备中的执行过程。例如，所述计算机程序可以被分割成AIS数据预处理模块、神经网络模块、轨迹递归预测模块，各模块具体功能如下：AIS数据预处理模块：用于对船舶AIS轨迹数据进行过滤、插值、特征选取、切分、归一化，以提升数据可用性，制作神经网络的数据集；神经网络模块：用于设计构建本发明中的CNN与结合注意力机制的GRU网络结构，并设置训练参数、构建损失函数，利用AIS数据预处理模块得到的数据集对构建的神经网络进行训练；轨迹递归预测模块：用于将待遇测的历史轨迹输入到训练好的网络中，对其按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度，保存预测结果。
所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，上述是基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备的示例，并不构成对基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备的限定，可以包括比上述更多的部件，或者组合某些部件，或者不同的部件，例如所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备还可以包括输入输出设备、网络接入设备、总线等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法的步骤。
所述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测***集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
本发明实现上述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
本发明中从卫星获得的船舶AIS轨迹数据信息丰富、范围较广。其中包含船舶航行的静态信息和动态信息，如经度、纬度、对地航向、航速等信息。然而获得的船舶AIS轨迹数据中存在缺失值、异常值、重复值以及特定船只轨迹数据过少等问题。所以本发明考虑到以上因素，对船舶AIS轨迹数据进行预处理。轨迹数据是以时序数据存在的，通过CNN网络的卷积操作，可以有效获取轨迹的短期时序特征。另外，采用GRU网络可以有效提取轨迹数据中的长期特征，分析其数据关联信息，对时间序列预测更加有效，取得比较好的预测效果。引入注意力机制计算隐藏层中各结点的权重，使得模型更加关注历史信息与当前输入信息的相关部分。
本发明基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法包含三大部分，分别是卫星船舶AIS轨迹数据预处理，轨迹预测模型构建与训练，轨迹递归预测。
第一部分，对船舶AIS轨迹数据进行预处理，以提升数据的可用性，首先过滤数据中的异常值和重复值，筛选出符合所研究区域经纬度的数据；随后对缺失项进行线性插值，保持轨迹点之间具有相同的时间间隔；然后对数据进行MIN-MAX归一化处理，并采用滑动窗口方式对数据进行切分，按照7:3的比例将数据集划分为训练集和测试集，完成数据的预处理工作。
第二部分，采用CNN网络对轨迹数据进行一维卷积操作，提取时序的短期特征，采用GRU网络获取时序的长期特征，并引入注意力机制，设置网络训练参数，构建损失函数并进行训练。
第三部分，将测试集输入到训练完成的网络模型中进行递归预测，得到预测结果和预测误差。
下面分别对上述各步骤作详细说明：
如图2所示，第一部分，AIS轨迹数据预处理。
数据预处理的主要任务是为网络提供训练所需要的数据集。首先要对接收到的船舶AIS轨迹数据进行过滤，按照所选区域的经纬度筛选符合条件AIS数据，然后删除航向中的明显错误值(小于0°或者大于360°)，此外采用箱型图查看船舶的航速分布，删除异常的航速过高的部分，考虑到海风和洋流对航速的影响，将删除航速小于1海里/小时的AIS消息。
船舶AIS轨迹原始数据较为复杂，事实上与航线识别的相关的数据项有：记录采集时间、MMSI、经度、纬度、船首向、船速、航行状态。AIS数据中包含船舶航行的静态信息和动态信息，需要挑选对轨迹有影响的因素，构造轨迹点的表达方式和轨迹的表达方式。本发明提取五个与航线相关的字段，分别是MMSI、经度(Lon)、纬度(Lat)、航速(Sog)、航向(Cog)。在t时刻采样点的船舶航行状态可以表示为：Pt＝{MMSI,Logt,Latt,Cot,Sot}，由此船舶轨迹可以表示为：Tr＝{p1,p2,p3,...,pn}。
由于船舶AIS轨迹数据中存在缺失和时间间隔不一致的情况，导致时间序列并不连续，因此为了保持轨迹数据的连续性，将轨迹点的采样间隔设置为1分钟，经典的插值方法有拉格朗日插值法、线性插值法、三次样条插值法等，本发明选用线性插值方式，线性插值是将船舶在两个缺失时间点之间的航行视为匀速运动，将经过数据过滤和字段选择之后的AIS数据按照MMSI和时间进行排序。由于AIS的接收时间间隔一般为1分钟，因此对同一条船间隔大于1分钟的数据进行线性插值，经过线性插值，轨迹更平滑，保证了航线的连续性，产生更好的学习效果，对于间隔大于20分钟的AIS消息则不再进行线性插值，而是将其视为另一条轨迹。
如图4所示，利用滑动窗口对数据进行切分。窗口长度k＝6，对应为采用前6个时刻的航行状态预测下一个时刻的经纬度位置。
最后为了避免不同量纲对结果的影响，采用MIN-MAX归一化将数据转化到0～1之间，实现中心化，消除奇异样本对训练的不良影响。不同维度之间的特征在数值上具有一定的可比性，所得参数值的大小可以反映不同特征对样本的贡献。
第二部分，轨迹预测构建与训练。
本发明中轨迹预测模型为加入注意力机制的CNN-GRU网络模型。
如图6所示，预测模型结构为数据输入层，CNN网络层，第一GRU网络层，第一Dropout层，注意力模块，第二GRU网络层，第二Dropout层，全连接层，输出层。利用CNN对输入数据进行短期特征提取，双层的GRU对输入数据进行长期特征提取，注意力模块对当前任务更关键的信息聚焦。
模型的数据输入为t时刻之前6个时刻的船舶航行状态，输出为预测所得的t+1时刻的船舶经纬度。
如图5所示，本发明实施例中所使用的CNN网络结构具体包括：一个输入层，输入的数据格式为(6,5)；一个卷积层，filters个数设置为32，卷积核大小设置为2，激活函数采用ReLU函数；一个输出层。
如图7所示，对本发明构建的GRU网络做进一步的描述。
图7为GRU的循环单元结构示意图。其中ft为更新门，决定细胞状态所存放的新信息以及更新旧的细胞状态；Γt为重置门，决定细胞被输出的信息。在模型的训练过程中，计算公式为
式中：ct为细胞状态，
为新的加入到状态的候选值向量，σ为sigmoid函数，作用是将输入数据映射到(0,1)区间内，再将该数值作为门控信号。首先进行重置门状态向量和更新门状态向量的获取，然后获取当前时刻的候选状态向量/>
tanh为双曲正切函数，将输入数据转化为(-1,1)区间内。此后进入更新阶段，在这一阶段，通过更新门的信号，实现记忆和遗忘两个功能。(1-ft)·ct-1表示对原本隐藏状态的选择性遗忘，ft的范围在(0,1)范围内，趋向于0和1的程度反映了前一个时刻状态信息被保留下来的程度，ft越趋向于1，则(1-ft)越趋向于0，说明前一个时刻保留下来的信息越少。通过上述过程对所需参数进行学习并完成模型训练。
两个GRU层单元数分别为128,64。全连接层单元数为32，输出层单元数为2。
网络的损失函数为
batch_size为128，训练轮次epoch设置为200。模型才用那个Adam优化器对网络进行优化，将学习率设置为0.01。
第三部分，轨迹递归预测
将测试集输入到训练好的网络中，对测试集中的轨迹数据按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度。输出预测结果并保存。
为便于了解本发明技术效果起见，实施例对测试集中的轨迹点进行预测及可视化，模型预测误差对比如下：
其中MAE为平均绝对误差，表示预测值和观测值之间绝对误差的平均值。
在实际应用场景中,使用本方案对轨迹进行预测需要对获取的船舶轨迹数据按照本文所述数据预处理及特征提取部分进行处理,按滑动窗口的方式进行切分，不必区分训练集和测试集，随后加载本方案中的获得的预测模型,将处理好的数据输入进预测模型,经预测模型处理后即可得到预测结果。
本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,运行方法的***装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
本发明的实施例中使用卫星AIS数据进行预处理，采用滑动窗口的方式对数据进行划分，制作数据集，随后使用CNN网络对输入的时序轨迹数据进行特征提取，采用双层GRU网络提取数据的长期特征，并引入注意力机制计算权重，获取关键因素。设置损失函数和训练参数对构建的网络进行训练，进而对轨迹进行递归预测。
Claims (9)
1.一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：包括以下步骤：
步骤1，对卫星获取的船舶AIS轨迹数据进行预处理，得到船舶AIS轨迹数据集，所述船舶AIS轨迹数据集包括训练集和测试集；
步骤2，构建基于深度学习的轨迹预测网络；
步骤3，构建损失函数MSE；
步骤4，设置网络训练参数，所述训练参数包括隐藏层的单元数、批次大小、学习率；
步骤5，用步骤1得到的训练集对步骤2中构建的轨迹预测网络进行训练，得到训练网络模型；
步骤6，递归预测：将步骤1得到的测试集输入到步骤5得到的训练网络模型中，按照滑动窗口的方式进行递归预测，得到预测结果和预测误差。
2.根据权利要求1所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤1的具体方法为：
步骤101：对船舶AIS轨迹数据进行过滤，消除异常数据：首先确定所研究区域的经纬度范围，然后删除航向不在0～360°之间的AIS信息，最后考虑到海风和洋流对船舶的影响，删除航速小于1海里/小时的AIS消息；
步骤102：对船舶AIS轨迹数据进行运动特征选取：船舶AIS轨迹数据中包括船舶的动态信息和静态信息，利用唯一的标识码(MMSI)识别船舶，以MMSI对应的动态信息作为船舶航行动态序列的组成字段，分别为Latitude、Longitude、COG和SOG，即纬度、经度、航向和航速，选定轨迹数据中的MMSI、经度、纬度、对地航速、航向来表示船舶在时间t时刻的航行状态；
步骤103：对船舶AIS轨迹数据的缺失值进行插值处理：设定船舶AIS轨迹数据的采样频率为1分钟，采用插值方法对间隔大于1分钟的船舶AIS轨迹数据进行补充，当船舶AIS轨迹数据接收间隔大于20分钟时，不再进行插值处理，而是将其视为下一条轨迹的起始点；
步骤104：对船舶AIS轨迹数据进行归一化均匀分布处理：采用MIN-MAX归一化，对输入数据进行处理；
步骤105：采用滑动窗口对插值后的归一化数据进行切分：即采用前6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度；
步骤106：数据集划分：处理后的船舶AIS轨迹数据文件将构成船舶AIS轨迹数据集，将船舶AIS轨迹数据集按照比例7:3划分为训练集和测试集。
3.根据权利要求1所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤2的具体方法为：
步骤201，构建CNN网络输入输出：采用CNN对训练集进行卷积，输入为二维向量，CNN提取时间维度上的特征，作为后续网络的输入；
步骤202，构建注意力模块：采用注意力机制计算不同隐藏层输出的权重；
步骤203，构建GRU网络输入输出：设计构建GRU网络，输入为经过CNN卷积得到的时序特征，输出为下一时刻的经纬度位置。
4.根据权利要求2所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤103中的插值方法为线性插值法或拉格朗日插值法或三次样条插值法。
5.根据权利要求3所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤202中的注意力模块采用单层全连接网络计算得到各隐藏层的权重向量。
6.根据权利要求1所述的一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法，其特征在于：所述步骤5中的网络训练采用Adam优化器和均方误差MSE作为损失函数。
7.一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测***，其特征在于：包括：
AIS数据预处理模块：用于对船舶AIS轨迹数据进行过滤、插值、特征选取、切分、归一化，以提升数据可用性，制作神经网络的数据集；
神经网络模块：用于设计构建本发明中的CNN与结合注意力机制的GRU网络结构，并设置训练参数、构建损失函数，利用AIS数据预处理模块得到的数据集对构建的神经网络进行训练；
轨迹递归预测模块：用于将待遇测的历史轨迹输入到训练好的网络中，对其按照滑动窗口的方式进行递归预测，获得下一时刻的经度和纬度，保存预测结果。
8.一种基于CNN-GRU和注意力机制的近海船舶轨迹实时预测设备，其特征在于：包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述的基于CNN-GRU和注意力机制的近海船舶轨迹实时预测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对基于CNN-GRU和注意力机制的近海船舶轨迹进行实时预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055594.5A CN116306790B (zh) | 2023-01-16 | 2023-01-16 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055594.5A CN116306790B (zh) | 2023-01-16 | 2023-01-16 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306790A true CN116306790A (zh) | 2023-06-23 |
| CN116306790B CN116306790B (zh) | 2024-05-28 |
Family
ID=86796785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310055594.5A Active CN116306790B (zh) | 2023-01-16 | 2023-01-16 | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306790B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114207A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
| CN117892076A (zh) * | 2023-12-06 | 2024-04-16 | 广州海洋地质调查局 | 一种目标航迹预估方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
| CN112418409A (zh) * | 2020-12-14 | 2021-02-26 | 南京信息工程大学 | 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法 |
| US20210117796A1 (en) * | 2020-12-01 | 2021-04-22 | Harbin Engineering University | Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression |
| CN113408588A (zh) * | 2021-05-24 | 2021-09-17 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
| CN113887789A (zh) * | 2021-09-17 | 2022-01-04 | 杭州电子科技大学 | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 |
| CN114154619A (zh) * | 2021-11-15 | 2022-03-08 | 哈尔滨工程大学 | 一种基于cnn和bilstm的船舶轨迹预测方法 |
| CN114742317A (zh) * | 2022-05-11 | 2022-07-12 | 苏州易航远智智能科技有限公司 | 车辆轨迹预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-16 CN CN202310055594.5A patent/CN116306790B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111897353A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 基于gru的飞行器机动轨迹预测方法 |
| 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*** |
| US20210117796A1 (en) * | 2020-12-01 | 2021-04-22 | Harbin Engineering University | Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression |
| CN112418409A (zh) * | 2020-12-14 | 2021-02-26 | 南京信息工程大学 | 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法 |
| CN113408588A (zh) * | 2021-05-24 | 2021-09-17 | 上海电力大学 | 一种基于注意力机制的双向gru轨迹预测方法 |
| CN113887789A (zh) * | 2021-09-17 | 2022-01-04 | 杭州电子科技大学 | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 |
| CN114154619A (zh) * | 2021-11-15 | 2022-03-08 | 哈尔滨工程大学 | 一种基于cnn和bilstm的船舶轨迹预测方法 |
| CN114742317A (zh) * | 2022-05-11 | 2022-07-12 | 苏州易航远智智能科技有限公司 | 车辆轨迹预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| YIJUAN HE ET AL.: "Toward the Trajectory Predictor for Automatic Train Operation System Using CNN–LSTM Network", 《ACTUATORS》, 31 August 2022 (2022-08-31), pages 1 - 14 * |
| 王畅: "基于AIS数据的船舶靠泊行为研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2021 (2021-01-15), pages 5 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114207A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
| CN117114207B (zh) * | 2023-10-23 | 2024-02-06 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
| CN117892076A (zh) * | 2023-12-06 | 2024-04-16 | 广州海洋地质调查局 | 一种目标航迹预估方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306790B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、***、设备及介质 | |
| Corchado et al. | Data mining using example-based methods in oceanographic forecast models | |
| 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 | |
| CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
| CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
| CN112445847A (zh) | 基于北斗导航时频数据的船舶轨迹预测方法及装置 | |
| CN114564545A (zh) | 一种基于ais历史数据的船舶经验航线提取***及方法 | |
| CN117892886B (zh) | 基于置信区间的船舶运动极短期概率预报方法及*** | |
| Yang et al. | An approach to ship behavior prediction based on AIS and RNN optimization model | |
| CN111824357B (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
| CN113160279A (zh) | 一种地铁环境中行人异常行为检测方法及装置 | |
| CN117037450A (zh) | 一种智能化打桩船的环境预警方法、装置、设备及介质 | |
| CN115907084A (zh) | 一种海上漂浮物漂的预测方法、装置、设备和介质 | |
| KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 | |
| CN113011597A (zh) | 一种回归任务的深度学习方法和装置 | |
| Liang et al. | Data-driven prediction of ship propulsion power using spark parallel random forest on comprehensive ship operation data | |
| KR102250354B1 (ko) | 선박의 지연 가능성 판단 방법 및 장치 | |
| CN116972837B (zh) | 自适应车载组合导航定位方法及相关设备 | |
| CN117272045A (zh) | 一种实时轨迹预测方法 | |
| CN117542004B (zh) | 近海人船拟合方法、装置、设备及存储介质 | |
| CN116828391B (zh) | 一种检测ais异常开关的方法 | |
| CN116644312A (zh) | 基于潜在不变特征转换的动态船速预测方法 | |
| CN114781497A (zh) | 船舶靠泊轨迹分类方法、***、终端设备及存储介质 | |
| Minßen et al. | Predicting Vessel Tracks in Waterways for Maritime Anomaly Detection | |
| Yulmetov et al. | Machine learning for tactical iceberg drift forecasting |
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 |