[发明专利]一种基于线段聚类的多维度高精度航迹智能预测方法

权利要求书

1.一种基于线段聚类的多维度高精度航迹智能预测方法，其特征在于，包括如下步骤：

S1：采用等距离散方法将原始连续的待预测航迹数据转化为离散的航迹数据，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理；

S2：利用Douglas-Peucker算法对归一化处理后的航迹数据进行压缩，提取特征点；

S3：将提取的各所述特征点依次连接，得到航迹片段集，利用DBSCAN聚类算法对所述航迹片段集进行聚类，得到多个航迹簇；

S4：根据多维度因素下不同的突发情况，选取与突发情况对应的航迹簇，作为预先训练好的航迹预测神经网络模型的输入，进行航迹预测；

S5：采用inv_MinMaxScaler方法对航迹预测结果中的经度时间序列和纬度时间序列进行反归一化处理；

所述航迹预测神经网络模型的训练过程，包括如下步骤：

SS1：采用等距离散方法将原始连续的历史航迹数据转化为离散的航迹数据，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理；

SS2：利用Douglas-Peucker算法对归一化处理后的航迹数据进行压缩，提取特征点；

SS3：将提取的各所述特征点依次连接，得到航迹片段集，利用DBSCAN聚类算法对所述航迹片段集进行聚类，得到多个航迹簇；

SS4：将聚类得到的所有航迹簇输入航迹预测神经网络模型，进行训练，待训练结束，得到训练好的航迹预测神经网络模型；

步骤S1和步骤SS1中，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理，具体包括：

对离散的航迹数据中移动目标经度为西经时的航迹点的经度进行数据转换计算：

a＝a_west+360  (1)

其中，a表示数据转换后的经度，a_west表示移动目标经度为西经时的经度；

经数据转换后，针对离散的航迹数据中的所有航迹点，计算相邻两个航迹点之间的欧氏距离：

其中，(a_i,b_i)和(a_i+1,b_i+1)表示离散的航迹数据中相邻的两个航迹点，l_i表示航迹点(a_i,b_i)和航迹点(a_i+1,b_i+1)之间的欧氏距离；i＝2,3,...,n-1，n为离散的航迹数据中航迹点的总数量；

当航迹点(a_i,b_i)与航迹点(a_i-1,b_i-1)之间的欧氏距离l_i-1以及航迹点(a_i,b_i)与航迹点(a_i+1,b_i+1)之间的欧氏距离l_i均大于野值数据判定值l_d时，将航迹点(a_i,b_i)看作航迹数据中的野值，将航迹点(a_i,b_i)剔除；

采用MinMaxScaler方法对移动目标的经度和纬度进行归一化：

其中，表示将经度a_i归一化到[0,1]后的值，a_min和a_max分别表示所有经度数据(a₁,a₂,...,a_n)中的最小值和最大值；表示将纬度b_i归一化到[0,1]后的值，b_min和b_max分别表示所有纬度数据(b₁,b₂,...,b_n)中的最小值和最大值。