CN116342657B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116342657B CN116342657B CN202310321705.2A CN202310321705A CN116342657B CN 116342657 B CN116342657 B CN 116342657B CN 202310321705 A CN202310321705 A CN 202310321705A CN 116342657 B CN116342657 B CN 116342657B
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- track
- prediction
- network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000013144 data compression Methods 0.000 claims abstract description 10
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 28
- 239000010410 layer Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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，方法为：对船舶AIS历史轨迹数据进行预处理；构建基于TCN和双向GRU循环神经网络的轨迹预测模型；构建损失函数MSE；设置网络训练参数；训练网络模型；轨迹递归预测；***、设备及介质用于实现一种基于编码‑解码结构的TCN‑GRU船舶轨迹预测方法；本发明利用异常数据过滤、数据压缩和三次样条插值技术对船舶AIS历史轨迹数据进行处理，在基于TCN网络构建的编码器中，利用TCN的短期特征提取能力对输入的船舶AIS历史轨迹数据进行编码，并利用基于GRU网络的解码器对船舶AIS历史轨迹数据进行长期时序特征提取，预测误差较少，满足实时性预测的要求，能够应用于进出港口的船舶轨迹的实时监控。
Description
技术领域
本发明属于船舶轨迹预测技术领域，具体涉及一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法、***、设备及介质。
背景技术
在交通密度高、条件复杂的海域或者港口，船舶在海上航行的安全是一个关键问题。船舶轨迹的高精度预测在船舶交通服务(VTS)中发挥着重要作用，目的是通过挖掘船舶历史轨迹，准确有效监测和预测船舶轨迹，及时探测船舶的行驶状态变化，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。在交通密集的海域，船舶数量较大且分布集中，处于危险航行状态的船舶对周围船舶的危害无法估计，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。
由于神经网络随着神经网络的应用和AIS的发展，利用历史数据对轨迹进行预测成为了主要趋势。徐婷婷等提出基于BP神经网络和AIS数据的轨迹预测模型最早被提出【T.Xu,X.Liu,and X.Yang,"Real-time prediction of ship trajectory based on BPneural network,"Journal of Dalian Maritime University,vol.38,no.01,pp.9-11,2012,doi:10.16411/j.cnki.issn1006-7736.2012.01.028.】，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。权波等利用LSTM网络记忆单元中的遗忘门机制，实现对序列数据的准确预测【B.Quan,B.Yang,K.Hu,C.Guo,andQ.Li,"Prediction Model of Ship Trajectory Based on LSTM,"Computer Science,vol.45,no.S2,pp.126-131,2018.】，LSTM网络目前在时序预测和自然语言处理等领域已取得了较为成熟的应用，也广泛应用于预测船舶的航迹。最常见的做法是其前n个时刻的船舶的经纬度、航速、航向和时间间隔标识作为网络的输入，将下一时刻的船位特征作为网络的输出。此外，基于GRU【K.Bao,J.Bi,M.Gao,Y.Sun,X.Zhang,and W.Zhang,"An ImprovedShip Trajectory Prediction Based on AIS Data Using MHA-BiGRU,"Journal ofMarine Science and Engineering,vol.10,no.6,doi:10.3390/jmse10060804.】、GAN【S.J.Wang andZ.W.He,"Aprediction model of vessel trajectory based ongenerative adversarial network,"JOURNAL OF NAVIGATION,vol.74,no.5,pp.1161-1171,SEP 2021,Art no.Pii s0373463321000382,doi:10.1017/S0373463321000382.】等网络的预测方法也获得了广泛关注，CNN【S.Liu,S.Ma,X.Meng,and e.al.,"PredictionModel of Ship Trajectory Based on CNN and Bi-LSTM,"Journal of ChongqingUniversity of Technology(Natural Science),vol.34,no.12,pp.196-205,2020.】等也被用于混合网络模型的构建。
基于聚类的轨迹预测可以较好处理海量AIS数据的多模态特性，常用的船舶轨迹聚类方法有DBSCAN(Density-Based Spatial Clustering of Applications with Noise)【G.Pallotta,M.Vespe,and K.Bryan,"Vessel Pattern Knowledge Discovery from AISData:A Framework for Anomaly Detection and Route Prediction,"Entropy,vol.15,no.6,pp.2218-2245,2013.[Online].Available:】、GMM(Gaussian Mixture Model)【C.Fraley,"Algorithms for model-based Gaussian hierarchical clustering,"SIAMJOURNAL ON SCIENTIFIC COMPUTING,vol.20,no.1,pp.270-281,1998,doi:10.1137/S1064827596311451.】、K-means【K.P.Sinaga and M.S.Yang,"Unsupervised K-MeansClustering Algorithm,"IEEE Access,vol.8,pp.80716-80727,2020,doi:10.1109/ACCESS.2020.2988796.】等，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。由于数据***内部特征的不同，在具体的研究中可以分为轨迹点聚类和轨迹段聚类，轨迹段聚类侧重于研究对象的行为模式分布特征和行为的完整性。但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。
现有技术的缺陷和不足：
1、现有的轨迹预测深度学习模型常常是针对车辆和行人的轨迹预测，船舶航行和车辆行驶特点具有明显的不同，车辆轨迹时间短，交互性较强。而海上交通的自主性较强。
2、在交通密集的海域，海域状况复杂，船舶轨迹模式众多，过多的分类增加了工作量和复杂度。
3、在构建基于神经网络的轨迹预测模型时，现有的方法往往将历史数据直接作为数据集进行输入，没有考虑到其时序连续性，导致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。
4、近海船舶AIS数据更新频率高，进出港行为复杂，交通密集。大量的数据中包括了由信号干扰和机械故障等因素引起的异常数据，产生了数据冗余问题，因此有效处理AIS数据对轨迹预测模型至关重要。
发明内容
针对上述现有技术的不足，本发明的目的在于提供一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法、***、设备及介质，利用异常数据过滤、数据压缩和三次样条插值技术对船舶AIS历史轨迹数据进行处理，在基于TCN网络构建的编码器中，利用TCN的短期特征提取能力对输入的船舶AIS历史轨迹数据进行编码，并利用基于GRU网络的解码器对船舶AIS历史轨迹数据进行长期时序特征提取，预测误差较少，满足实时性预测的要求，能够应用于进出港口的船舶轨迹的实时监控。
为了实现上述目的，本发明采取的技术方案是：
一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法，包括以下步骤：
步骤1，对船舶AIS历史轨迹数据进行预处理，得到船舶AIS历史轨迹数据集，将船舶AIS历史轨迹数据集划分为训练集和测试集；
步骤2，构建基于TCN和双向GRU循环神经网络的轨迹预测模型；
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；
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所得的训练集通过步骤3中的构建损失函数MSE以及步骤4中设置的网络训练参数对步骤2中构建的网络模型进行训练；训练网络模型包括加载步骤1中船舶AIS历史轨迹数据集中的训练集和测试集，加载网络模型，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，轨迹递归预测；将步骤1中得到的测试集输入步骤5中训练完成后的网络模型中，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，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历史轨迹数据进行数据过滤，消除异常数据；
步骤102，对步骤101处理后的船舶AIS历史轨迹数据进行运动特征选取；选定船舶AIS历史轨迹数据中的海上移动业务识别码(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，得到选定后的船舶AIS历史轨迹数据；
步骤103，对步骤102选定后的船舶AIS历史轨迹数据进行数据压缩；设定船舶AIS历史轨迹数据的采样频率为1-15分钟，得到重新采样后的船舶AIS历史轨迹数据；
步骤104，对步骤103中重新采样后的船舶AIS历史轨迹数据中的缺失数据进行处理；对缺失的数据进行三次样条插值，当船舶AIS历史轨迹数据接收间隔大于30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，得到插值后的船舶AIS历史轨迹数据；
步骤105，对步骤104中插值后的船舶AIS历史轨迹数据进行归一化均匀分布的时间序列数据；所述归一化采用MIN-MAX；
步骤106，采用滑动窗口对步骤104中插值后的船舶AIS历史轨迹数据进行切分；采用前4-6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度，得到符合模型输入的船舶AIS轨迹数据文件；
步骤107，数据集划分；将步骤106中得到的船舶AIS轨迹数据文件构成船舶AIS历史轨迹数据集，将该船舶AIS历史轨迹数据集按7:3或8:2划分为训练集和测试集。
所述步骤2的构建基于TCN和双向GRU循环神经网络的轨迹预测模型，具体方法为：
步骤201，设计基于TCN网络的编码器，在编码器部分，对步骤1中得到的训练集进行膨胀因果卷积，TCN提取时间维度上的特征，作为后续网络的输入；
步骤202，采用注意力机制计算不同隐藏层输出的权重；
步骤203，构建基于双向GRU网络解码器，输入为步骤201中经过TCN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101中的异常数据包括：
a、海上移动业务识别码(MMSI)不符合规定长度，MMSI与静态信息不一致，与船舶类型不符；
b、重复轨迹数据；在同一个时间点出现了重复的冗余的AIS报文，这些数据造成轨迹杂乱无章，重复的轨迹数据可以通过轨迹相似性度量判断；
c、位置异常；确定所研究区域的经纬度范围，若经纬度信息超过合理范围或者船舶位置信息与前后位置相差较大，出现离群值，则将其删除；
d、航速和航向异常；如航速为负值，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。
所述步骤202为采用单层全连接网络计算得到各隐藏层的权重向量。
本发明还提供了一种基于编码-解码结构的TCN-GRU船舶轨迹预测***，包括：
AIS数据预处理模块：用于实现对船舶AIS历史轨迹数据进行数据过滤、运动特征选取、数据压缩、三次样条插值、归一化以及数据集划分，提升数据可用性，制作轨迹预测模型的数据集；
编码器模块：用于实现设计的基于TCN网络的编码器，对船舶AIS历史轨迹数据集中的训练集进行编码并生成语义向量，在该模块中，对船舶AIS历史轨迹数据集中的训练集进行膨胀因果卷积，利用残差块解决在网络层级增加时梯度弥散的问题，提升训练效率；
解码器模块：用于实现设计的基于双向GRU网络的解码器，利用GRU网络的长期记忆能力，将编码器模块中生成的语义向量进行解码，得到预测轨迹位置；
网络训练模块：用于实现设置网络参数、加载船舶AIS历史轨迹数据集中的训练集和测试集、构建优化器和损失函数功能；
轨迹递归预测模块：用于实现递归预测功能，将待预测的船舶AIS历史轨迹数据集中的测试集输入到训练好的网络模型中，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。
本发明还提供了一种基于编码-解码结构的TCN-GRU船舶轨迹预测设备，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编码-解码结构的TCN-GRU船舶轨迹预测方法。
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能够实现对基于编码-解码结构的TCN-GRU船舶轨迹进行预测。
相较于现有技术，本发明的有益效果为：
本发明基于TCN和GRU网络，结合注意力机制，使用历史轨迹AIS数据进行训练和测试，实现对近海船舶的实时轨迹预测；其具有以下优点：
1、本发明采用编码-解码结构，编码器-解码器模型由两个子模型组成：分别为步骤201中用于读取和编码输入序列的编码器，以及步骤203中将读取编码的输入序列并对输出序列中的每个元素进行单步预测的解码器；编码-解码结构不但可以通过固定语义向量的过程帮助模型提炼输入序列中因变量间的相互关系，而且因为其仅用语义向量代表编码器的输出，张量传输更加简洁，改善预测精度和可靠性。
2、本发明通过多维提取运动特征，提高预测精度和计算效率；步骤2中所实现TCN-GRU模型的优势既可以利用TCN部分提取数据短时特征，又可以利用GRU网络提取取长时间特征关系，预测误差较少，满足实时性预测的要求，与车辆的轨迹预测相比，船舶轨迹的自主性较高，行为特征更加复杂，预测的时间跨度更大，通过本发明中构建的模型结构，可以在多形态轨迹、长时间跨度上实现更好的特征提取。
3、本发明通过步骤1中采用的三次样条插值和数据压缩技术，实现对船舶AIS历史轨迹的预处理，考虑到AIS数据的多种异常情况，减少了数据冗余和噪声数据的影响，提高轨迹预测的可靠性。
4、本发明采用TCN网络对轨迹数据进行时序特征提取；步骤201中实现了基于TCN网络的编码器，相比现有技术中利用一维CNN网络进行时序数据特征提取，TCN的膨胀卷积具有更加灵活的感受野，且梯度稳定，减少了梯度***和消失的问题，具有很好的高维数据和自动提取数据短时时序特征的能力。
5、本发明采用双向GRU网络捕获AIS轨迹数据中的双向时间特征关系。双向的GRU网络分别由正向和反向的GRU网络构成，输入的数据包括当前时刻之前和之后的序列和，用作当前时刻数据的补充，从两个方向提取更多特征，从而提高预测的性能。
6、本发明采用注意力机制，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。
综上所述，由于本发明采用基于编码-解码结构的TCN-GRU网络，从而能够有效提取船舶AIS历史数据中的短期和短期运动特征，具有适用多模态轨迹预测的特点。
附图说明
图1为本发明的工作流程图。
图2为本发明实施例滑动窗口示意图。
图3为本发明实施例TCN网络结构图。
图4为本发明实施例TCN膨胀因果卷积中一层多个一维卷积流程图。
图5为本发明实施例预测模型网络结构图。
图6为本发明实施例GRU结构图。
具体实施方式
以下结合附图和实施详细说明本发明技术方案。
一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法，包括以下步骤：
如图1所示，步骤1，对船舶AIS历史轨迹数据进行预处理，得到船舶AIS历史轨迹数据集，将船舶AIS历史轨迹数据集划分为训练集和测试集；
具体地，步骤101，对船舶AIS历史轨迹数据进行数据过滤，消除异常数据；由于传输过程中的设备原因和外界影响，AIS数据中存在异常数据，需要进行过滤以保证数据的可用性，所要剔除的AIS异常数据分为以下几类：
所述步骤101中的异常数据包括：
a、海上移动业务识别码(MMSI)不符合规定长度(一般为9位数)，MMSI与静态信息不一致，与船舶类型不符；
b、重复轨迹数据；在同一个时间点出现了重复的冗余的AIS报文，这些数据造成轨迹杂乱无章，重复的轨迹数据可以通过轨迹相似性度量判断；
c、位置异常；确定所研究区域的经纬度范围，若经纬度信息超过合理范围或者船舶位置信息与前后位置相差较大，出现离群值，则将其删除；
d、航速和航向异常；如航速为负值，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，对步骤101处理后的船舶AIS历史轨迹数据进行运动特征选取；选定船舶AIS历史轨迹数据中的海上移动业务识别码(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，得到选定后的船舶AIS历史轨迹数据。
步骤103，对步骤102选定后的船舶AIS历史轨迹数据进行数据压缩；由于AIS更新频率过高，数据量过大，重新设定合理的采样频率对AIS数据进行更新，设定船舶AIS历史轨迹数据的采样频率为5分钟，得到重新采样后的船舶AIS历史轨迹数据；
步骤104，对步骤103中重新采样后的船舶AIS历史轨迹数据中的缺失数据进行处理；在重新设定采样频率之后，AIS数据中仍然存在数据缺失、稀疏且不均匀的问题，对缺失的数据进行三次样条插值，当船舶AIS历史轨迹数据接收间隔大于30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，得到插值后的船舶AIS历史轨迹数据；
步骤105，对步骤104中插值后的船舶AIS历史轨迹数据进行归一化均匀分布的时间序列数据；所述归一化采用MIN-MAX；可以减少AIS轨迹数据中不同量纲的运动特征对模型的不良影响；
步骤106，采用滑动窗口对步骤104中插值后的船舶AIS历史轨迹数据进行切分；采用前5个时刻(25分钟前)的轨迹点航行状态预测下一时刻的位置点经纬度，得到符合模型输入的船舶AIS轨迹数据文件；
步骤107，数据集划分；将步骤106中得到的船舶AIS轨迹数据文件构成船舶AIS历史轨迹数据集，将该船舶AIS历史轨迹数据集按7:3或8:2划分为训练集和测试集。
步骤2，构建基于TCN和双向GRU循环神经网络的轨迹预测模型。
具体地，所述步骤2的构建基于TCN和双向GRU循环神经网络的轨迹预测模型，具体方法为：
步骤201，设计基于TCN网络的编码器，在编码器部分，对步骤1中得到的训练集进行膨胀因果卷积，TCN提取时间维度上的特征，作为后续网络的输入。
步骤202，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。
所述步骤202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，构建基于双向GRU网络解码器，输入为步骤201中经过TCN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所得的训练集通过步骤3中的构建损失函数MSE以及步骤4中设置的网络训练参数对步骤2中构建的网络模型进行训练；训练网络模型包括加载步骤1中船舶AIS历史轨迹数据集中的训练集和测试集，加载网络模型，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，轨迹递归预测；将步骤1中得到的测试集输入步骤5中训练完成后的网络模型中，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，得到预测结果和预测误差。
本发明还提供了一种基于编码-解码结构的TCN-GRU船舶轨迹预测***，包括：
AIS数据预处理模块：用于实现步骤1中对船舶AIS历史轨迹数据进行数据过滤、运动特征选取、数据压缩、三次样条插值、归一化以及数据集划分，提升数据可用性，制作轨迹预测模型的数据集；
编码器模块：用于实现步骤201中设计的基于TCN网络的编码器，对船舶AIS历史轨迹数据集中的训练集进行编码并生成语义向量，具体地，在该模块中，对船舶AIS历史轨迹数据集中的训练集进行膨胀因果卷积，利用残差块解决在网络层级增加时梯度弥散的问题，提升训练效率；
解码器模块：用于实现步骤203中设计的基于双向GRU网络的解码器，利用GRU网络的长期记忆能力，将编码器模块中生成的语义向量进行解码，得到预测轨迹位置；
网络训练模块：用于实现步骤3、步骤4和步骤5中设置网络参数、加载船舶AIS历史轨迹数据集中的训练集和测试集、构建优化器和损失函数功能；
轨迹递归预测模块：用于实现步骤6中的递归预测功能，将待预测的船舶AIS历史轨迹数据集中的测试集输入到训练好的网络模型中，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。
本发明还提供了一种基于编码-解码结构的TCN-GRU船舶轨迹预测设备，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编码-解码结构的TCN-GRU船舶轨迹预测方法。
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能够实现对基于编码-解码结构的TCN-GRU船舶轨迹进行预测。
船舶自动识别***是保障船舶航行安全的重要信息***，AIS数据作为良好的大数据研究对象，能够提供高精度的船舶的运动情况，AIS的一条位置报告能够产生一个AIS轨迹点，AIS轨迹即为同一艘船舶的一系列船舶的在一定连续时间内的轨迹点集合，由于通信等因素，获得的AIS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AIS数据进行预处理，轨迹数据是以时序数据存在的，通过TCN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。
图1所示为本发明的预测方法流程图，包含三个部分，分别是卫星船舶AIS历史轨迹数据预处理，轨迹预测模型构建与训练，轨迹递归预测。
第一部分是对船舶AIS历史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；随后对缺失项进行三次样条插值，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TCN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，构建损失函数并对其构建的网络模型进行训练。
第三部分为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：
一、船舶AIS历史轨迹数据预处理
数据预处理的主要作用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历史轨迹数据进行过滤，按照所选区域的经纬度筛选符合条件船舶AIS历史轨迹数据，然后删除明显不符合实际情况的字段内容，如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。
AIS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AIS数据量较大，同一时间点会出现重复报文，会出现舰船在航的过程中出现前后两个轨迹点时间较长的情况，考虑到上述情况，本发明基于船舶的时间间隔和船号对航线轨迹进行提取，本发明中首先将AIS数据根据MMSI和时间顺序将轨迹点归类、排序；然后将数据采样频率重新设置为5分钟，进行数据压缩；最后使用时间差阈值判断船舶轨迹的起始点，将同一船舶中时间间隔大于30分钟的轨迹点进行轨迹分割，将其视为另一条轨迹。
原始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，针对此项问题，采用三次样条插值法对数据进行处理，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。线性插值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。但是线性插值得到的轨迹不光滑，三次样条插值用于拟合数据，以便时间间隔一致，通过假设曲线的一阶导数和二阶导数都为零来向三次多项式添加约束，假设时间序列数据可以分为n个间隔的集合，即[(x0,x1),(x1,x2),...,(xn-1,xn)]，插值函数如下所示：
Si(x)＝aix3+bix2+cix+di (1)
等式中的未确定系数可以由相邻轨迹点数据获得，用于以相等时间间隔对AIS数据进行插值，经过三次样条插值，轨迹更平滑，保证了航线的连续性，产生更好的学习效果。
如图2所示，利用滑动窗口对数据进行切分。窗口长度w＝5，对应为采用前5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。
二、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TCN-GRU网络模型。
如图5所示，本发明提出的轨迹预测模型结构具体包括3个部分：基于扩张因果卷积网络的编码器、时序注意力机制和基于双向GRU网络的解码器；在编码部分，构建扩张因果卷积来捕获滑动窗口序列数据中时序依赖信息；利用时序注意力模块对轨迹序列中的关键时刻聚焦，剔除冗余信息；在解码器部分，利用双向GRU网络长时间记忆的能力和处理来自过去和未来的双向数据的能力，实现当前时刻的轨迹点位置预测，模型的数据输入为t时刻之前5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3所示，对本发明构建的基于TCN网络编码器做进一步描述，TCN模块是在卷积神经网络的基础上引入因果卷积、膨胀卷积和残差链接三种特殊结构而构建的网络模型，因果卷积是传统一维卷积的改进形式，针对时序数据处理，可以有效避免时序数据未来信息的泄露。特别地，对于一维数据[x0,x1,...,xn-1,xn]的一维卷积处理，在时刻n的隐藏层输出仅与前n个时刻的输入有关，输出的形式如下所示：
yn＝f(x0,x1,x2,...,xn) (2)
其中，f表示卷积函数。
膨胀卷积是存在间隔采样的一维卷积，通过膨胀系数实现感受野指数级增大，减少长序列每次卷积的次数，如图中通过膨胀系数实现间隔采样，能够有效实现网络结构的轻量化。如图3所示，其中膨胀因子d随着层数的增加依次设置为1、2、4，膨胀卷积的计算公式如下：
其中，F(n)为膨胀卷积第n时刻的输出，f(i)为卷积核中位置为i的元素，k为卷积核的尺寸，n-di表示间隔采样后的对应时刻。
如图2所示，本发明中输入数据为时序轨迹点X＝{p1,p2,p3,...,pn}，其中每个轨迹点p包括MMSI,经度，纬度，航向，航速五个运动特征，按照滑动窗口的大小，输入数据为总时间跨度为5的5*5矩阵，如图3所示，经过网络中卷积核大小为2，膨胀系数为[1,2,4]的卷积作用后，得到输出为5的5个特征图。
如图4所示，考虑到在多层卷积中会出现信息丢失的情况，为提高网络的性能，引入残差链接方式，由于轨迹预测不是一个线性模型，需要在卷积层的顶部添加激活函数来引入非线性；为了防止过拟合，在每个卷积层之后通过dropout引入正则化。
如图6所示，对本发明构建的双向GRU网络做进一步的描述。
图5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。
双向GRU层单元数为64。全连接层单元数为32，输出层单元数为2。
在网络训练中，采用的损失函数为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。
三、轨迹递归预测
将测试集输入到训练好的网络模型中，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,Lon-RMSE和Lat-RMSE分别表示经度和纬度方向上的预测均方根误差。
由实施例可见，与现有技术相比，本发明采用基于编码-解码结构的TCN-GRU网络，从而能够有效提取船舶AIS历史数据中的短期和短期运动特征，具有适用多模态轨迹预测的特点。
在实际应用场景中,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,不必区分数据集中的训练集以及测试集。随后加载预测模型,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。具体实施时,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。
Claims (6)
1.一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法，其特征在于：包括以下步骤：
步骤1，对船舶AIS历史轨迹数据进行预处理，得到船舶AIS历史轨迹数据集，将船舶AIS历史轨迹数据集划分为训练集和测试集；
所述步骤1的具体方法为：
步骤101，对船舶AIS历史轨迹数据进行数据过滤，消除异常数据；
步骤102，对步骤101处理后的船舶AIS历史轨迹数据进行运动特征选取；选定船舶AIS历史轨迹数据中的海上移动业务识别码(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，得到选定后的船舶AIS历史轨迹数据；
步骤103，对步骤102选定后的船舶AIS历史轨迹数据进行数据压缩；设定船舶AIS历史轨迹数据的采样频率为1-15分钟，得到重新采样后的船舶AIS历史轨迹数据；
步骤104，对步骤103中重新采样后的船舶AIS历史轨迹数据中的缺失数据进行处理；对缺失的数据进行三次样条插值，当船舶AIS历史轨迹数据接收间隔大于30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，得到插值后的船舶AIS历史轨迹数据；
步骤105，对步骤104中插值后的船舶AIS历史轨迹数据进行归一化均匀分布的时间序列数据；所述归一化采用MIN-MAX；
步骤106，采用滑动窗口对步骤104中插值后的船舶AIS历史轨迹数据进行切分；采用前4-6个时刻的轨迹点航行状态预测下一时刻的位置点经纬度，得到符合模型输入的船舶AIS轨迹数据文件；
步骤107，数据集划分；将步骤106中得到的船舶AIS轨迹数据文件构成船舶AIS历史轨迹数据集，将该船舶AIS历史轨迹数据集按7:3或8:2划分为训练集和测试集；
步骤2，构建基于TCN和双向GRU循环神经网络的轨迹预测模型；具体方法为：
步骤201，设计基于TCN网络的编码器，在编码器部分，对步骤1中得到的训练集进行膨胀因果卷积，TCN提取时间维度上的特征，作为后续网络的输入；
步骤202，采用注意力机制计算不同隐藏层输出的权重；
步骤203，构建基于双向GRU网络解码器，输入为步骤201中经过TCN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；
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所得的训练集通过步骤3中的构建损失函数MSE以及步骤4中设置的网络训练参数对步骤2中构建的网络模型进行训练；训练网络模型包括加载步骤1中船舶AIS历史轨迹数据集中的训练集和测试集，加载网络模型，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，轨迹递归预测；将步骤1中得到的测试集输入步骤5中训练完成后的网络模型中，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，得到预测结果和预测误差。
2.根据权利要求1所述的一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法，其特征在于：所述步骤101中的异常数据包括：
a、海上移动业务识别码(MMSI)不符合规定长度，MMSI与静态信息不一致，与船舶类型不符；
b、重复轨迹数据；在同一个时间点出现了重复的冗余的AIS报文，这些数据造成轨迹杂乱无章，重复的轨迹数据可以通过轨迹相似性度量判断；
c、位置异常；确定所研究区域的经纬度范围，若经纬度信息超过合理范围或者船舶位置信息与前后位置相差较大，出现离群值，则将其删除；
d、航速和航向异常；如航速为负值，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。
3.根据权利要求1所述的一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法，其特征在于：步骤202为采用单层全连接网络计算得到各隐藏层的权重向量。
4.基于权利要求1至3任一项所述的一种基于编码-解码结构的TCN-GRU船舶轨迹预测***，包括：
AIS数据预处理模块：用于实现对船舶AIS历史轨迹数据进行数据过滤、运动特征选取、数据压缩、三次样条插值、归一化以及数据集划分，提升数据可用性，制作轨迹预测模型的数据集；
编码器模块：用于实现设计的基于TCN网络的编码器，对船舶AIS历史轨迹数据集中的训练集进行编码并生成语义向量，在该模块中，对船舶AIS历史轨迹数据集中的训练集进行膨胀因果卷积，利用残差块解决在网络层级增加时梯度弥散的问题，提升训练效率；
解码器模块：用于实现设计的基于双向GRU网络的解码器，利用GRU网络的长期记忆能力，将编码器模块中生成的语义向量进行解码，得到预测轨迹位置；
网络训练模块：用于实现设置网络参数、加载船舶AIS历史轨迹数据集中的训练集和测试集、构建优化器和损失函数功能；
轨迹递归预测模块：用于实现递归预测功能，将待预测的船舶AIS历史轨迹数据集中的测试集输入到训练好的网络模型中，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。
5.一种基于编码-解码结构的TCN-GRU船舶轨迹预测设备，包括：
存储器，存储权利要求1-3任一项所述的一种基于编码-解码结构的TCN-GRU船舶轨迹预测方法的计算机程序，为计算机可读取的设备；
处理器，用于执行所述计算机程序时实现权利要求1-3任一项所述的基于编码-解码结构的TCN-GRU船舶轨迹预测方法。
6.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现权利要求1-3任一项对基于编码-解码结构的TCN-GRU船舶轨迹进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321705.2A CN116342657B (zh) | 2023-03-29 | 2023-03-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310321705.2A CN116342657B (zh) | 2023-03-29 | 2023-03-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116342657A CN116342657A (zh) | 2023-06-27 |
| CN116342657B true CN116342657B (zh) | 2024-04-26 |
Family
ID=86878584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310321705.2A Active CN116342657B (zh) | 2023-03-29 | 2023-03-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342657B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454124B (zh) * | 2023-12-26 | 2024-03-29 | 山东大学 | 一种基于深度学习的船舶运动预测方法及*** |
| CN117491987B (zh) * | 2023-12-29 | 2024-04-09 | 海华电子企业(中国)有限公司 | 基于lstm神经网络和时空运动距离算法的船舶轨迹拼接方法 |
| CN117933492B (zh) * | 2024-03-21 | 2024-06-11 | 中国人民解放军海军航空大学 | 基于时空特征融合的船舶航迹长期预测方法 |
| CN117972315B (zh) * | 2024-03-29 | 2024-06-25 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102116917B1 (ko) * | 2020-03-05 | 2020-06-01 | 사단법인 한국선급 | 빅데이터와 딥 러닝을 이용한 해기상 및 소요 마력 예측 시스템 |
| 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 |
| CN113780395A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 海量高维ais轨迹数据聚类方法 |
| CN114707749A (zh) * | 2022-04-20 | 2022-07-05 | 杭州电子科技大学 | 基于改进编解码器架构的序列到序列渔船轨迹预测方法 |
| CN114757975A (zh) * | 2022-04-29 | 2022-07-15 | 华南理工大学 | 基于transformer与图卷积网络的行人轨迹预测方法 |
| CN115730263A (zh) * | 2022-11-28 | 2023-03-03 | 中国人民解放军91977部队 | 一种船舶行为模式侦测方法及装置 |
-
2023
- 2023-03-29 CN CN202310321705.2A patent/CN116342657B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102116917B1 (ko) * | 2020-03-05 | 2020-06-01 | 사단법인 한국선급 | 빅데이터와 딥 러닝을 이용한 해기상 및 소요 마력 예측 시스템 |
| 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 |
| CN113780395A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 海量高维ais轨迹数据聚类方法 |
| CN114707749A (zh) * | 2022-04-20 | 2022-07-05 | 杭州电子科技大学 | 基于改进编解码器架构的序列到序列渔船轨迹预测方法 |
| CN114757975A (zh) * | 2022-04-29 | 2022-07-15 | 华南理工大学 | 基于transformer与图卷积网络的行人轨迹预测方法 |
| CN115730263A (zh) * | 2022-11-28 | 2023-03-03 | 中国人民解放军91977部队 | 一种船舶行为模式侦测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Attention-TCN-BiGRU: An Air Target Combat Intention Recognition Model;Fei Teng et al.;Mathematics;20210906;第19卷(第09期);第1-21页 * |
| 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);第C036-82页 * |
| 基于改进Seq2Seq的短时AIS轨迹序列预测模型;游兰;韩雪薇;何正伟;肖丝雨;何渡;潘筱萌;;计算机科学;20200915(09);第175-180页 * |
| 深度学习和移动边缘计算在自动驾驶的应用综述;黄磊等;闽南师范大学学报(自然科学版);20211220;第34卷(第04期);第39-47页 * |
| 董伟等.基于多特征时空图卷积网络的水运通航密度预测.物联网学报.2020,第04卷(第03期),第78-85页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116342657A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN113780395B (zh) | 海量高维ais轨迹数据聚类方法 | |
| CN114218870A (zh) | 一种基于变分模态分解与注意力机制的风速预测方法 | |
| CN112906858A (zh) | 一种船舶运动轨迹实时预测方法 | |
| CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| Lv et al. | Towards carbon Neutrality: Prediction of wave energy based on improved GRU in Maritime transportation | |
| Yuan et al. | A multi-task analysis and modelling paradigm using LSTM for multi-source monitoring data of inland vessels | |
| CN113887789B (zh) | 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) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
| CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
| CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
| CN116541790A (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
| Liu et al. | Ship navigation behavior prediction based on AIS data | |
| CN115545293A (zh) | 一种基于多源异构船舶航运数据的船舶轨迹预测方法 | |
| CN117494871A (zh) | 一种考虑船舶交互影响的船舶轨迹预测方法 | |
| Xu et al. | Improved Vessel Trajectory Prediction Model Based on Stacked‐BiGRUs | |
| 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 | |
| Wang et al. | Filling gaps in significant wave height time series records using bidirectional gated recurrent unit and cressman analysis | |
| CN115239034B (zh) | 一种风力发电机叶片早期缺陷预测方法及*** | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Lu et al. | A Novel CNN-LSTM Method for Ship Trajectory Prediction | |
| CN115796361A (zh) | 一种架空线路工程可研阶段的风速区间预测方法和装置 | |
| CN114707749A (zh) | 基于改进编解码器架构的序列到序列渔船轨迹预测方法 | |
| Liang et al. | Data-driven prediction of ship propulsion power using spark parallel random forest on comprehensive ship operation data |
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 |