CN117491987A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117491987A
CN117491987A CN202311844745.1A CN202311844745A CN117491987A CN 117491987 A CN117491987 A CN 117491987A CN 202311844745 A CN202311844745 A CN 202311844745A CN 117491987 A CN117491987 A CN 117491987A
Authority
CN
China
Prior art keywords
track
ship
data
lstm
time
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
Application number
CN202311844745.1A
Other languages
English (en)
Other versions
CN117491987B (zh
Inventor
周曙光
曹莹
陈栩坚
刘云龙
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.)
Haihua Electronics Enterprise China Corp
Original Assignee
Haihua Electronics Enterprise China Corp
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 Haihua Electronics Enterprise China Corp filed Critical Haihua Electronics Enterprise China Corp
Priority to CN202311844745.1A priority Critical patent/CN117491987B/zh
Publication of CN117491987A publication Critical patent/CN117491987A/zh
Application granted granted Critical
Publication of CN117491987B publication Critical patent/CN117491987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，包括以下步骤：采集船舶连续轨迹数据，作为模型的训练和验证数据；采集船舶轨迹数据，作为待拼接数据；建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行模型的正向、反向模型的训练和验证；将雷达观测到的某个船舶的轨迹作为研究对象，输入到模型进行预测；预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。本发明采用了轨迹预测算法和时空距离算法相结合的方式，弥补了算法单一的不足，且提供了正序拼接和逆序拼接两种方式，两种方式可交叉验证，进一步验证了算法的准确性。

Description

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
技术领域
本发明涉及船舶跟踪识别领域，特别涉及基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
背景技术
AIS（Automatic Identification System）自动识别***，是一种用于航行安全和船舶流量管理的无线电通信***。AIS***的发射设备可自动地在指定频率上周期性地发送船舶的身份信息、导航信息等数据，接收设备可以接收其他船舶、岸基设施和卫星***发射的AIS信息。AIS是一项重要的技术，已经被装备于绝大多数的商用船只上，使得船舶之间的交流更加高效便捷。AIS数据已成为海事部门和相关企业监管船舶位置和动态的重要依据，在船舶流量管理、安全监控、决策支持等领域发挥着越来越重要的作用。
岸海雷达是一种用于在海上监测船只目标的雷达***，其主要功能是通过发射并接收高频电磁波，在广阔的海域范围内监测运行中的船只，并及时获取其位置、速度、方向等信息，实现海上交通、安全监测。
船舶轨迹融合技术是将多个传感器（如雷达、AIS）获得的船舶位置信息进行整合和融合，以提高位置信息的准确性和可靠性。在多传感器、复杂环境下，融合技术可以消除单个传感器存在的局限性和错误，提高对船舶动态行驶轨迹的感知和识别能力，进而优化船舶的导航路径和安全管理。
某海上预警监控***实时接收融合后的船舶信息，包括目标唯一标识TARGET_ID、MMSI（Maritime Mobile Service Identity海上移动通信业务标识）、船舶呼号、船舶名称、目的地、经度、纬度、对地速度、对地航向、航首向、当前时间等。
在现实条件下，部分船只为了躲避监管，人为关闭船上AIS设备，导致不能通过AIS设备获取船只信息。雷达在跟踪这样的目标船时，由于受大船遮挡或天气等因素影响，会存在目标船被跟丢的情况。当目标船被再次跟踪时，会被识别为一个新的目标，并对船舶航迹赋予新的编号（TARGET_ID），这样会存在同一条船有多个航迹的问题。如何快速准确地将同一条船多个航迹段进行拼接，成为一大难题。
为实现船舶航迹拼接，现有技术主要采取以下技术手段：
一、采用时间-空间算法（Time-Space Algorithm）：
例如，申请人为中国船舶重工集团公司第七一五研究所、公开号为CN113702979A、专利名称为一种跨区目标跟踪轨迹片段时空拼接方法的专利申请，其方法包含以下步骤：对需要关联的跨区目标轨迹段提取时间、方位、距离、主要线谱特征形成特征集，并统计该段轨迹内特征，形成特征集和对应的统计量，利用预测方法对目标轨迹段特征集合中的时间、方位、距离相关时空特征进行轨迹预测或反向推导；对预测反推的特征向量依据同一个物体在同一时间不能出现在两个不同的位置和移动必须是连续不能突变得排它性进行初步关联，然后对初步关联上的目标进行谱结构匹配、统计值相关加权综合性判断，当综合关联系数大于给定阈值比较，判断为同一目标轨迹，从而形成跨区的同一目标连续的长轨迹。
上述技术方案是使用时间和位置信息来判断两个轨迹点是否应该进行拼接的方法。通过计算两个位置点之间的距离和时间差，将时间和空间信息结合起来进行匹配。这种算法比较简单易行，但由于考虑的因素只有时间和位置信息，因此准确性较差。
二、采用粒子滤波算法（Particle Filter Algorithm）：
粒子滤波轨迹拼接算法（Particle Filter Trajectory Fusion Algorithm）是一种基于贝叶斯滤波理论的轨迹拼接算法，用于将周边多个船舶轨迹点进行融合。该算法通过从观测数据中随机采样多个“粒子”，然后通过蒙特卡洛方法迭代估计出真实的轨迹。该算法只考虑的位置和速度信息，因此准确性较差。
三、基于图论的算法（Graph-based Algorithm）：
该算法将轨迹拼接问题转化为图形匹配问题，并通过最短路径方法进行计算。该方法能够处理多船舶的情况，但容易受到环境、噪声等因素的影响。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
本发明的目的通过以下的技术方案实现：
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，包括以下步骤：
1）通过AIS接收设备采集船舶连续轨迹数据，作为LSTM轨迹预测模型的训练和验证数据；通过雷达设备采集船舶轨迹数据，作为待拼接数据；
2）建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行LSTM轨迹预测模型的正向、反向模型的训练和验证；
3）将雷达观测到的某个船舶的轨迹作为研究对象，输入到LSTM轨迹预测模型进行预测；
4）预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。
所述步骤1），具体为：
11）对AIS接收设备采集船舶连续轨迹数据进行过滤，形成包含船舶标识、采集时间、经度坐标、纬度坐标、对地航向、对地速度的向量；
12）对于经步骤11）过滤后的轨迹数据，分别对经度坐标、纬度坐标、对地航向、对地速度进行归一化处理；
13）对步骤12）形成的归一化后的每一条轨迹，按照时间正序排列，形成时间正序归一化轨迹；
14）对步骤12）形成的归一化后的每一条轨迹，按照时间逆序排列，形成时间逆序归一化轨迹；
15）对步骤13）、14）的每一条轨迹，采用每k个轨迹点作为样本，后续第k+1个轨迹点作为标签，依此类推，形成数据集；
16）对步骤15）形成的数据集，取特征向量[longitude、latitude、cog、sog]，按照预设比例，分别形成正序和逆序的训练集和验证集；其中，longitude为经度坐标，latitude为纬度坐标，cog为对地航向，sog为对地速度。
步骤11）中，所述对AIS接收设备采集船舶连续轨迹数据进行过滤，包括去除轨迹点少于300的轨迹；去除静止状态数据、去除采集时间间隔大于30的轨迹数据。
所述步骤2），具体为：
21）构建LSTM轨迹预测模型框架，所述LSTM轨迹预测模型包括1个LSTM层、一个Dense层，其中：LSTM隐藏层尺寸为108，输入数据有3个维度，分别是[batch_size, window_size, feature_size]，其中：batch_size指批次大小；window_size指窗口大小；feature_size指特征向量的维度，即经度、纬度、航向、航速；
22）调节超参数、损失函数、优化器来优化LSTM轨迹预测模型，在进行模型训练前，需要设置模型有关的超参数；模型优化器采用使用Adam优化器，损失函数采用MSE损失函数；使用准确率作为模型评价函数；设置训练epoch为20，batch_size为32；
23）根据步骤22）搭建的LSTM轨迹预测模型，使用步骤1）处理好的训练数据集进行训练，使用步骤1）的验证数据集上进行验证，将预测效果最好的LSTM轨迹预测模型保存为最优化模型，即完成LSTM轨迹预测模型的构建；这里分别训练两个模型，分别为时间正序模型和时间逆序模型。
所述步骤3），具体为：
31）首先确定预测方向为正向预测还是逆向预测；
32）将指定待拼接的雷达轨迹根据轨迹预测方向进行排序，正向预测按时间正顺排序，逆向预测按时间逆序排序；
33）根据预测方向，将雷达轨迹数据按时间正序或逆序排序，选择最后10个轨迹点的信息，同时记录最后一个轨迹点的时间，记为time1；
34）将步骤33）得到的雷达轨迹数据进行归一化；
35）将步骤34）得到的轨迹数据作为相应的LSTM轨迹预测模型正序或逆序输入，做一次预测，将预测结果循环作为LSTM轨迹预测模型的输入，预测下一个位置的数据，循环预测若干次，得到最后一个位置的数据[longitude’, latitude’,cog’,sog’]，longitude’为该位置的经度坐标，latitude’为该位置的纬度坐标，cog’为该位置的对地航向，sog’为该位置的对地速度；然后进行反归一化处理，得到最终的预测位置数据[longitude1、latitude1、cog1、sog1]，longitude1为最终的预测位置的经度坐标，latitude1为最终的预测位置的纬度坐标，cog1为最终的预测位置的对地航向，sog1为最终的预测位置的对地速度。
步骤4）中，所述轨迹拼接具体为：
41）从雷达观测的剩余轨迹中的每个轨迹头或尾信息[time2,longitude2,latitude2,cog2,sog2]，time2为剩余轨迹中的每个轨迹头或尾的时间，longitude2为剩余轨迹中的每个轨迹头或尾的经度坐标，latitude2为剩余轨迹中的每个轨迹头或尾的纬度坐标，cog2为剩余轨迹中的每个轨迹头或尾的对地航向，sog2为剩余轨迹中的每个轨迹头或尾的对地速度；
计算剩余轨迹中的每个轨迹头或尾与最终的预测位置的时间距离，对于正向拼接，满足time2-time1＞0 且time2-time1≤240，对于逆向拼接，满足time2-time1＜0 且time2-time1≥-240；
42）对于每个满足步骤41）的轨迹点，分别跟由步骤35）得到的位置数据进行轨迹点间的4维向量间的欧式距离，并根据向量的重要度，乘以一定的权重系数，求和，得到综合距离，计算公式为：
L_i=α1|longitude2-longitude1|+α2|latitude2-latitude1|+α3|cog2-cog1|+α4|sog2-sog1|；
其中，i= 1...n，n为轨迹条数，α1、α2、α3、α4为权重系数，取值分别为1000、1000、1、1。
43）从步骤42）中的n个计算结果中，找出取值最小的L_i，该L_i对应的轨迹即为要拼接的下一条轨迹。
同时，本发明提供：
一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现上述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现上述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用了轨迹预测算法和时空距离算法相结合的方式，弥补了算法单一的不足。
2、本发明的算法实现中不仅考虑了时间和空间因素，同时考虑船舶的运动特征（如航向和航速），提高了算法的准确率。
3、本发明提供了正序拼接和逆序拼接两种方式，两种方式可交叉验证，进一步验证了算法的准确性。
附图说明
图1为本发明所述结合神经网络和时空运动距离算法的船舶轨迹拼接方法的流程图。
图2为本发明所述正向拼接示意图。
图3为本发明所述逆向拼接示意图。
图4为本发明所述LSTM网络结构示意图。
图5为本发明所述LSTM轨迹预测模型模型训练和验证的流程图。
图6为本发明所述正向模型训练结果图。
图7为本发明所述逆向模型训练结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
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，能够实现：
a)综合影响因素构建模型，提升预测准确率。
综合影响船舶轨迹预测的时间、位置坐标、航速、航向等关键特征，构建轨迹预测模型，提高轨迹预测的准确率。
b)结合多维度的距离计算方法，提升算法准确率。
基于时间、位置坐标、航速、航向多特征向量参与两点的距离计算，提升算法准确率。
c)既支持正序计算，也支持逆向计算，能够进行算法的交叉验证。
支持基于时间序列的正序拼接，同时支持基于时间序列的逆序拼接，即既支持基于时间正序的轨迹A、轨迹B、轨迹C这样的拼接，也支持基于时间逆序的轨迹C、轨迹B、轨迹A这样的拼接，在保证算法的准确性的同时，也实现了对拼接结果的交叉验证。
如图1，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，包括以下步骤：
1）通过AIS接收设备采集船舶连续轨迹数据，作为LSTM轨迹预测模型的训练和验证数据；通过雷达设备采集船舶轨迹数据，作为待拼接数据；
2）建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行LSTM轨迹预测模型的正向、反向模型的训练和验证；
3）将雷达观测到的某个船舶的轨迹作为研究对象，输入到LSTM轨迹预测模型进行预测；
4）预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。
所述步骤1），具体为：
11）对AIS接收设备采集船舶连续轨迹数据进行过滤，形成包含船舶标识、采集时间、经度坐标、纬度坐标、对地航向、对地速度的向量；
12）对于经步骤11）过滤后的轨迹数据，分别对经度坐标、纬度坐标、对地航向、对地速度进行归一化处理；公式为：
f(x)= (x-Xmin)/(Xmax-Xmin)；
其中，Xmax为数据集中每列中的最大值组成的行向量；Xmin为每列中的最小值组成的行向量；x代表归一化前的值，f(x)代表归一化后的值。
13）对步骤12）形成的归一化后的每一条轨迹，按照时间正序排列，形成时间正序归一化轨迹；
14）对步骤12）形成的归一化后的每一条轨迹，按照时间逆序排列，形成时间逆序归一化轨迹；
15）对步骤13）14）的每一条轨迹，采用每10个轨迹点作为样本，后续1个作为标签，依此类推，如1-10轨迹点作为样本、第11个作为标签，1-11作为样本，12作为标签，最终形成数据集；
16）对步骤15）形成的数据集，取特征向量[longitude、latitude、cog、sog]，按照预设比例，分别形成正序和逆序的训练集和验证集；其中，longitude为经度坐标，latitude为纬度坐标，cog为对地航向，sog为对地速度。
步骤11）中，所述对AIS接收设备采集船舶连续轨迹数据进行过滤，包括去除轨迹点少于300的轨迹；去除静止状态数据、去除采集时间间隔大于30的轨迹数据。
所述步骤2），具体为：
21）构建LSTM轨迹预测模型框架，所述LSTM轨迹预测模型包括1个LSTM层、一个Dense层，其中：LSTM隐藏层尺寸为108，输入数据有3个维度，分别是[batch_size, window_size, feature_size]，其中：batch_size指批次大小；window_size指窗口大小，这里取10；feature_size指特征向量的维度，即经度、纬度、航向、航速；
22）调节超参数、损失函数、优化器来优化LSTM轨迹预测模型，在进行模型训练前，需要设置模型有关的超参数；模型优化器采用使用Adam优化器，损失函数采用MSE损失函数；使用准确率作为模型评价函数；设置训练epoch为20，batch_size为32；
23）根据步骤22）搭建的LSTM轨迹预测模型，使用步骤1）处理好的训练数据集进行训练，使用步骤1）的验证数据集上进行验证，将预测效果最好的LSTM轨迹预测模型保存为最优化模型，即完成LSTM轨迹预测模型的构建；这里分别训练两个模型，分别为时间正序模型和时间逆序模型。
所述步骤3），具体为：
31）首先确定预测方向为正向预测还是逆向预测；
32）将指定待拼接的雷达轨迹根据轨迹预测方向进行排序，正向预测按时间正顺排序，逆向预测按时间逆序排序；
33）根据预测方向，将雷达轨迹数据按时间正序或逆序排序，选择最后10个轨迹点的信息，同时记录最后一个轨迹点的时间，记为time1；
34）将步骤33）得到的雷达轨迹数据进行归一化；
35）将步骤34）得到的轨迹数据作为相应的LSTM轨迹预测模型正序或逆序输入，做一次预测，将预测结果循环作为LSTM轨迹预测模型的输入，预测下一个位置的数据，循环预测5次，得到最后一个位置的数据[longitude’, latitude’,cog’,sog’]，longitude’为该位置的经度坐标，latitude’为该位置的纬度坐标，cog’为该位置的对地航向，sog’为该位置的对地速度；然后进行反归一化处理，公式如下：
f(x)=x*(Xmax-Xmin)+Xmin；
其中，Xmax为数据集中每列中的最大值组成的行向量；Xmin为每列中的最小值组成的行向量；x代表归一化前的值，f(x)代表归一化后的值。
得到最终的预测位置数据[longitude1、latitude1、cog1、sog1]，longitude1为最终的预测位置的经度坐标，latitude1为最终的预测位置的纬度坐标，cog1为最终的预测位置的对地航向，sog1为最终的预测位置的对地速度。
步骤4）中，所述轨迹拼接具体为：
41）从雷达观测的剩余轨迹中的每个轨迹头或尾信息[time2,longitude2,latitude2,cog2,sog2]，time2为剩余轨迹中的每个轨迹头或尾的时间，longitude2为剩余轨迹中的每个轨迹头或尾的经度坐标，latitude2为剩余轨迹中的每个轨迹头或尾的纬度坐标，cog2为剩余轨迹中的每个轨迹头或尾的对地航向，sog2为剩余轨迹中的每个轨迹头或尾的对地速度；
计算剩余轨迹中的每个轨迹头或尾与最终的预测位置的时间距离，对于正向拼接，满足time2-time1＞0 且time2-time1≤240，对于逆向拼接，满足time2-time1＜0 且time2-time1≥-240；
42）对于每个满足步骤41）的轨迹点，分别跟由步骤35）得到的位置数据进行轨迹点间的4维向量间的欧式距离，并根据向量的重要度，乘以一定的权重系数，求和，得到综合距离，计算公式为：
L_i=α1|longitude2-longitude1|+α2|latitude2-latitude1|+α3|cog2-cog1|+α4|sog2-sog1|；
其中，i= 1...n，n为轨迹条数，α1、α2、α3、α4为权重系数，取值分别为1000、1000、1、1。
43）从步骤42）中的n个计算结果中，找出取值最小的L_i，该L_i对应的轨迹即为要拼接的下一条轨迹。
具体而言：
本发明的算法分为两部分，一部分是基于LSTM（Long Short-Term Memory）的神经网络模型，用于预测轨迹尾端的下几个点的位置、航行、航速信息；或者反推轨迹首端的前几个点的信息。另一部分是基于时间、位置、航行和航速的距离计算方法，用于寻找和预测点信息距离最近的其他轨迹的航首（或航尾）点，并找到其所在的轨迹。
如图2，对于正向拼接算法，首先对轨迹进行5个点的预测，然后计算最后一个点和其它轨迹首的轨迹点的时空运动距离，距离最小的轨迹即为目标拼接轨迹。
如图3，对于逆向拼接算法，首先对轨迹进行5个点的反推，然后计算最后一个点和其它轨迹尾部轨迹点的时空运动距离，距离最小的轨迹即为目标拼接轨迹。
一、基于LSTM的轨迹预测算法模型
LSTM算法的全称是长短期记忆网络，由于LSTM算法基于RNN算法改进而来的，一种特殊的RNN网络，规避了标准RNN中梯度***和梯度消失的问题，用来解决长依赖问题。
LSTM神经网络的网络结构设计如图4。
算法使用前10个位置来预测下1个位置，输入和输出的特征向量均为(longitude,latitude, cog, sog)，即经度、纬度、对地速度、对地航向。使用预测值作为10个序列的最后一个输入，继续循环预测再下个位置的信息。
二、时空运动距离算法模型
时空运动距离算法，需要做双重计算。
41）首先计算两个轨迹点的时间距离，对于正向拼接，满足time2-time1＞0 且time2-time1≤240，对于逆向拼接，满足time2-time1＜0 且time2-time1≥-240；
42）对于每个满足步骤41）的轨迹点，分别跟由步骤35）得到的位置数据进行轨迹点间的4维向量间的欧式距离，并根据向量的重要度，乘以一定的权重系数，求和，得到综合距离，计算公式为：
L_i=α1|longitude2-longitude1|+α2|latitude2-latitude1|+α3|cog2-cog1|+α4|sog2-sog1|；
其中，i= 1...n，n为轨迹条数，α1、α2、α3、α4为权重系数，取值分别为1000、1000、1、1；
距离最小的轨迹点所在的轨迹，即为目标拼接轨迹。
三、实现流程
以广州南沙港海域2022年10月的数据作为原始数据，选择MMSI不为0的数据（即由AIS采集的数据）进行训练和验证，将2022年10月2日MMSI为0的数据（由雷达采集的数据）作为轨迹拼接的研究目标。
整个方法的实现流程主要分为两块，首先是模型训练和验证流程，如图5所示。
其次是轨迹拼接流程，如图1所示。
1、数据预处理
首先对数据进行预处理，剔除轨迹点少于300个的轨迹信息，数据按7:3分为训练数据和验证数据。
然后将数据进行标准化，计算所有数据的最大值m向量和最小值向量n，标准化计算过程为：(data–n)/(m-n)。
最后，对每一条船的轨迹的进行数据的再组织，将1-10个点的特征向量作为观测值，第11个点的特征向量作为目标值，然后将2-11点的特征向量作为观测值，第12个点的特征向量作为目标值，依次类推。
2、搭建LSTM算法模型
搭建LSTM长短期记忆网络模型。
LSTM输入层有3个维度，分别是[batch_size, window_size, feature_size]，其中：batch_size指批次大小；window_size指窗口大小，这里取10；feature_size指特征向量的维度，即经度、纬度、航速、航向；
LSTM层的输出空间的维度为108维；
接下来建立一个全连接层，输出维度为[batch_size, feature_size]；
最后一层为激活层，使用Adam优化器，使用mse作为损失函数。
训练中，batch_size为32，训练20轮，使用验证集进行验证。
3、模型训练结果
对于正向模型，轨迹按时间由小到大排列，对于逆向模型，轨迹按时间由大到小排列，分别训练两个模型，训练结果如图6、7。
4、轨迹预测和拼接
（1）正序预测和拼接
使用训练好的模型预测轨迹末端的下一个坐标位置的经度、纬度、航向、航速的取值，并作为预测的输入，预测再下一个轨迹点的取值，预测5次。
根据最后的预测值进行反归一化处理，得到：
(longitude,longitude,sog,cog)；
查找在指定时间区间内的其他MMSI为0轨迹的起始点的取值(longitudei,latitudei,sogi,cogi)，根据时空运动距离计算方法，计算与(longitude,longitude,sog,cog)的距离，距离最小的轨迹起点所在的轨迹即为当前轨迹的下一条轨迹。
以此类推，直到下一轨迹为空。
将轨迹拼接在一起，即为该船的完整轨迹。
（2）逆序预测和拼接
使用训练好的模型预测轨迹开始端的前一个坐标位置的经度、纬度、航向、航速的取值，并作为预测的输入，预测上上个轨迹点的取值，预测5次。
根据最后的预测值进行反归一化处理，得到(longitude,longitude,sog,cog)，查找在指定时间区间内的其他MMSI取值为0的轨迹的终点取值(longitudei,latitudei,sogi,cogi)，根据时空运动距离计算方法，计算与(longitude,longitude,sog,cog)的距离，距离最小的轨迹终点所在的轨迹即为当前轨迹的上一条轨迹。
以此类推，直到上一轨迹为空。
将轨迹拼接在一起，即为该船的完整轨迹。
通过正序拼接的轨迹和通过逆序拼接的轨迹通过可视化工具进行对比，验证算法的正确性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.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，其特征在于，包括以下步骤：
1）通过AIS接收设备采集船舶连续轨迹数据，作为LSTM轨迹预测模型的训练和验证数据；通过雷达设备采集船舶轨迹数据，作为待拼接数据；
2）建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行LSTM轨迹预测模型的正向、反向模型的训练和验证；
3）将雷达观测到的某个船舶的轨迹作为研究对象，输入到LSTM轨迹预测模型进行预测；
4）预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。
2.根据权利要求1所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，所述步骤1），具体为：
11）对AIS接收设备采集船舶连续轨迹数据进行过滤，形成包含船舶标识、采集时间、经度坐标、纬度坐标、对地航向、对地速度的向量；
12）对于经步骤11）过滤后的轨迹数据，分别对经度坐标、纬度坐标、对地航向、对地速度进行归一化处理；
13）对步骤12）形成的归一化后的每一条轨迹，按照时间正序排列，形成时间正序归一化轨迹；
14）对步骤12）形成的归一化后的每一条轨迹，按照时间逆序排列，形成时间逆序归一化轨迹；
15）对步骤13）、14）的每一条轨迹，采用每k个轨迹点作为样本，后续第k+1个轨迹点作为标签，依此类推，形成数据集；
16）对步骤15）形成的数据集，取特征向量[longitude、latitude、cog、sog]，按照预设比例，分别形成正序和逆序的训练集和验证集；其中，longitude为经度坐标，latitude为纬度坐标，cog为对地航向，sog为对地速度。
3.根据权利要求2所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，步骤11）中，所述对AIS接收设备采集船舶连续轨迹数据进行过滤，包括去除轨迹点少于300的轨迹；去除静止状态数据、去除采集时间间隔大于30的轨迹数据。
4.根据权利要求1所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，所述步骤2），具体为：
21）构建LSTM轨迹预测模型框架，所述LSTM轨迹预测模型包括1个LSTM层、一个Dense层，其中：LSTM隐藏层尺寸为108，输入数据有3个维度，分别是[batch_size, window_size,feature_size]，其中：batch_size指批次大小；window_size指窗口大小；feature_size指特征向量的维度，即经度、纬度、航向、航速；
22）调节超参数、损失函数、优化器来优化LSTM轨迹预测模型，在进行模型训练前，需要设置模型有关的超参数；模型优化器采用使用Adam优化器，损失函数采用MSE损失函数；使用准确率作为模型评价函数；设置训练epoch为20，batch_size为32；
23）根据步骤22）搭建的LSTM轨迹预测模型，使用步骤1）处理好的训练数据集进行训练，使用步骤1）的验证数据集上进行验证，将预测效果最好的LSTM轨迹预测模型保存为最优化模型，即完成LSTM轨迹预测模型的构建；这里分别训练两个模型，分别为时间正序模型和时间逆序模型。
5.根据权利要求1所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，所述步骤3），具体为：
31）首先确定预测方向为正向预测还是逆向预测；
32）将指定待拼接的雷达轨迹根据轨迹预测方向进行排序，正向预测按时间正顺排序，逆向预测按时间逆序排序；
33）根据预测方向，将雷达轨迹数据按时间正序或逆序排序，选择最后10个轨迹点的信息，同时记录最后一个轨迹点的时间，记为time1；
34）将步骤33）得到的雷达轨迹数据进行归一化；
35）将步骤34）得到的轨迹数据作为相应的LSTM轨迹预测模型正序或逆序输入，做一次预测，将预测结果循环作为LSTM轨迹预测模型的输入，预测下一个位置的数据，循环预测若干次，得到最后一个位置的数据[longitude’, latitude’,cog’,sog’]，longitude’为该位置的经度坐标，latitude’为该位置的纬度坐标，cog’为该位置的对地航向，sog’为该位置的对地速度；然后进行反归一化处理，得到最终的预测位置数据[longitude1、latitude1、cog1、sog1]，longitude1为最终的预测位置的经度坐标，latitude1为最终的预测位置的纬度坐标，cog1为最终的预测位置的对地航向，sog1为最终的预测位置的对地速度。
6.根据权利要求5所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，步骤4）中，所述轨迹拼接具体为：
41）从雷达观测的剩余轨迹中的每个轨迹头或尾信息[time2,longitude2,latitude2,cog2,sog2]，time2为剩余轨迹中的每个轨迹头或尾的时间，longitude2为剩余轨迹中的每个轨迹头或尾的经度坐标，latitude2为剩余轨迹中的每个轨迹头或尾的纬度坐标，cog2为剩余轨迹中的每个轨迹头或尾的对地航向，sog2为剩余轨迹中的每个轨迹头或尾的对地速度；
计算剩余轨迹中的每个轨迹头或尾与最终的预测位置的时间距离，对于正向拼接，满足time2-time1＞0 且time2-time1≤240，对于逆向拼接，满足time2-time1＜0 且time2-time1≥-240；
42）对于每个满足步骤41）的轨迹点，分别跟由步骤35）得到的位置数据进行轨迹点间的4维向量间的欧式距离，并根据向量的重要度，乘以一定的权重系数，求和，得到综合距离，计算公式为：
L_i=α1|longitude2-longitude1|+α2|latitude2-latitude1|+α3|cog2-cog1|+α4|sog2-sog1|；
其中，i= 1...n，n为轨迹条数，α1、α2、α3、α4为权重系数，取值分别为1000、1000、1、1；
43）从步骤42）中的n个计算结果中，找出取值最小的L_i，该L_i对应的轨迹即为要拼接的下一条轨迹。
7.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一段程序，所述程序由所述处理器加载并执行以实现如权利要求1至6中任一权利要求所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述程序由处理器加载并执行以实现如权利要求1至6中任一权利要求所述基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法。
CN202311844745.1A 2023-12-29 2023-12-29 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 Active CN117491987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311844745.1A CN117491987B (zh) 2023-12-29 2023-12-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311844745.1A CN117491987B (zh) 2023-12-29 2023-12-29 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

Publications (2)

Publication Number Publication Date
CN117491987A true CN117491987A (zh) 2024-02-02
CN117491987B CN117491987B (zh) 2024-04-09

Family

ID=89669360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311844745.1A Active CN117491987B (zh) 2023-12-29 2023-12-29 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

Country Status (1)

Country Link
CN (1) CN117491987B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985406A (zh) * 2021-12-24 2022-01-28 中船（浙江）海洋科技有限公司 一种海上雷达目标航迹拼接方法
WO2023029461A1 (zh) * 2021-08-31 2023-03-09 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
CN116306203A (zh) * 2022-09-15 2023-06-23 中国人民解放军海军航空大学 一种海上目标航迹智能仿真生成方法
CN116342657A (zh) * 2023-03-29 2023-06-27 西安电子科技大学 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
CN117114051A (zh) * 2023-09-19 2023-11-24 南京航空航天大学 基于lstm和自注意力机制的船舶轨迹预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029461A1 (zh) * 2021-08-31 2023-03-09 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
CN113985406A (zh) * 2021-12-24 2022-01-28 中船（浙江）海洋科技有限公司 一种海上雷达目标航迹拼接方法
CN116306203A (zh) * 2022-09-15 2023-06-23 中国人民解放军海军航空大学 一种海上目标航迹智能仿真生成方法
CN116342657A (zh) * 2023-03-29 2023-06-27 西安电子科技大学 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
CN117114051A (zh) * 2023-09-19 2023-11-24 南京航空航天大学 基于lstm和自注意力机制的船舶轨迹预测方法

Also Published As

Publication number Publication date
CN117491987B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Pallotta et al. Traffic knowledge discovery from AIS data
Adams et al. SLAM gets a PHD: New concepts in map estimation
CN110992733B (zh) 一种航班偏离正常航迹行为在线检测方法及装置
Sun et al. GPS signal reception classification using adaptive neuro-fuzzy inference system
CN112669594B (zh) 交通路况预测的方法、装置、设备及存储介质
CN109817023B (zh) 一种海缆水域ais目标检测方法
CN110501006B (zh) 一种异类传感器联合航迹关联与跟踪方法
CN114066354A (zh) 一种基于全球船舶历史航迹的智能航线推荐方法及***
CN113516037B (zh) 海上船只航迹片段关联方法、***、存储介质及设备
CN110598730A (zh) 基于决策树的航迹关联算法
Yuan et al. A novel approach for vessel trajectory reconstruction using AIS data
CN116647651B (zh) 一种基于北斗卫星的无人机施工监控方法及***
Schöller et al. Trajectory prediction for marine vessels using historical ais heatmaps and long short-term memory networks
Andersson et al. Multiple sensor fusion for effective abnormal behaviour detection in counter-piracy operations
Xu et al. Trajectory clustering for SVR-based Time of Arrival estimation
CN117491987B (zh) 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
CN113985406A (zh) 一种海上雷达目标航迹拼接方法
CN109979194A (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
Fridman et al. Satellite detection of moving vessels in marine environments
Sikarev et al. Algorithms for enhancing information security in the processing of navigation data of unmanned vessels of the technical fleet of the inland waterways of the Russian Federation
Lu et al. A Novel CNN-LSTM Method for Ship Trajectory Prediction
CN114565176A (zh) 一种长期船舶轨迹预测方法
Zhang et al. Vehicle detection and tracking in remote sensing satellite vidio based on dynamic association
Bloisi et al. A distributed vision system for boat traffic monitoring in the venice grand canal.
CN112700007A (zh) 电离层电子含量预报模型的训练方法、预报方法及装置

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