[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

说明书

本发明公开了一种基于线段聚类的多维度高精度航迹智能预测方法，将连续的航迹数据离散化，经过突变的经度数据处理、数据清洗和归一化处理后，使用Douglas‑Peucker算法对航迹数据进行压缩，使用DBSCAN聚类算法对航迹进行聚类，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，通过航迹预测神经网络模型进行航迹预测，完成多维度高精度航迹预测任务。本发明将原始航迹数据压缩，在保留航迹特征的情况下极大减轻了计算压力，缩短了运算时间，提高了运算效率；采用卷积加LSTM神经网络模型，使用卷积进行特征提取，有利于提高LSTM神经网络模型对航迹预测的精度。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种基于线段聚类的多维度高精度航迹智能预测方法。

背景技术

针对掌握可疑移动目标航迹的具体任务，一方面要学习可疑移动目标航迹的规律，高精确度地预测出移动目标未来的航迹，另一方面还要考虑现实条件下的多维度因素，例如突发事件、国际热点、天气状况等情况，高精度预测出移动目标的航迹信息。

海洋中移动目标(例如船舶)航迹数据的采集方式，通常是间歇性地获取船舶当前位置的数据信息，根据船舶所处的不同状态以2s一次到数分钟一次不等的频率，向外播发位置信息。由于船舶航迹较长，因此，以2小时为单位进行数据采集。考虑在同一片区域内，每天可能有数百条船舶通行，由此产生的数据量会非常巨大，将它们全部记录下来会带来昂贵的存储开销，并且，还需要将如此庞大的数据加载到内存中进行分析处理，这对可视化平台系统的信息处理能力是一个巨大考验。船舶航迹数据是典型的时空大数据，其在多个领域都有着极其突出且重要的研究和应用价值。作为时序数据的特例，航迹数据具有鲜明的时序特征和突出的空间特征。因此，航迹数据的处理和挖掘方法不能完全照搬时序数据的经验，而应当考虑其特殊性。

当前限制航迹数据处理和挖掘的重要因素之一是移动目标航迹数据海量的数据规模。航迹数据的海量数据规模带来的问题是多方面的，主要表现在：1)数据储存压力大，海量的数据规模和非结构化的数据组织为航迹数据的实时数据存储和快速索引带来了巨大的挑战；2)数据的分析压力大，典型的数据挖掘方法在面对航迹数据时通常无法直接使用，为航迹数据的分析和挖掘带来了挑战。

传统的海上移动目标航迹预测方法不能针对以上缺点灵活地对航迹数据进行处理，在已有的预测方法中也较少考虑到国际热点、天气状况等多维度因素的影响。因此，不能满足日益复杂的航迹预测需求。

发明内容

有鉴于此，本发明提供了一种基于线段聚类的多维度高精度航迹智能预测方法，用于针对海上移动目标航迹数据及现实条件下多维度因素的处理，提供一种计算简单、约束及需求灵活、效率优良的海上移动目标航迹预测方法，解决多维度条件下的航迹预测问题。

因此，本发明提供了一种基于线段聚类的多维度高精度航迹智能预测方法，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。

在一种可能的实现方式中，在本发明提供的上述基于线段聚类的多维度高精度航迹智能预测方法中，所述航迹预测神经网络模型的训练过程，包括如下步骤：