[发明专利]船舶轨迹预测方法

权利要求书

1.一种船舶轨迹预测方法，其特征在于包括如下几个步骤：

①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列x'＝[x₁',x₂',...,x_n']和y'＝[y₁',y₂',...,y_n']，通过应用小波变换理论对原始离散二维位置序列x'＝[x₁',x₂',...,x_n']和y'＝[y₁',y₂',...,y_n']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x₁,x₂,...,x_n]和y＝[y₁,y₂,...,y_n]；

②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶去噪离散二维位置序列x＝[x₁,x₂,...,x_n]和y＝[y₁,y₂,...,y_n]，采用一阶差分方法对其进行处理获取新的船舶离散位置序列△x＝[△x₁,△x₂,...,△x_n-1]和△y＝[△y₁,△y₂,...,△y_n-1]，其中△x_i＝x_i+1-x_i,△y_i＝y_i+1-y_i，i＝1,2,...,n-1；

③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列△x和△y，通过设定聚类个数M'，采用遗传聚类算法分别对其进行聚类；

④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔科夫模型参数λ'；

⑤在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q：

5.1)变量赋初值：令g＝2，β_T′(s_i)＝1，s_i∈S，δ₁(s_i)＝π_ib_i(o₁)，ψ₁(s_i)＝0，其中，其中变量ψ_g(s_j)表示使变量δ_g-1(s_i)a_ij取最大值的船舶航迹隐状态s_i，参数S表示隐状态的集合；

5.2)递推过程：

5.3)时刻更新：令g＝g+1，若g≤T'，返回步骤5.2)，否则迭代终止并转到步骤5.4)；

5.4)转到步骤5.5)；

5.5)最优隐状态序列获取：

5.5.1)变量赋初值：令g＝T'-1；

5.5.2)后向递推：

5.5.3)时刻更新：令g＝g-1，若g≥1，返回步骤5.5.2)，否则终止；

⑥在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹；

所述步骤③中，聚类个数M'的值为4；

所述步骤④中，状态数目N的值为3，参数更新时段τ'为30秒，T'为10；

所述步骤⑥中，预测时域W为300秒。

2.根据权利要求1所述的船舶轨迹预测方法，其特征在于：所述步骤④中确定航迹隐马尔科夫模型参数λ'＝(π,A,B)的过程如下：

4.1)变量赋初值：应用均匀分布给变量π_i，a_ij和b_j(o_k)赋初值和并使其满足约束条件：和由此得到λ₀＝(π₀,A₀,B₀)，其中o_k表示某一显观测值，π₀、A₀和B₀分别是由元素和构成的矩阵，令参数l＝0，o＝(o_t-T'+1,...,o_t-1,o_t)为当前时刻t之前的T'个历史位置观测值；

4.2)执行E-M算法：

4.2.1)E-步骤：由λ_l计算ξ_e(i,j)和γ_e(s_i)；

变量那么

其中s表示某一隐状态；

4.2.2)M-步骤：运用分别估计π_i，a_ij和b_j(o_k)并由此得到λ_l+1；

4.2.3)循环：l＝l+1，重复执行E-步骤和M-步骤，直至π_i、a_ij和b_j(o_k)收敛，即|P(o|λ_l+1)-P(o|λ_l)|<ε，其中参数ε＝0.00001，返回步骤4.2.4)；

4.2.4)：令λ'＝λ_l+1，算法结束。