[发明专利]基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统

权利要求书

1.一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，其特征在于，包括以下步骤：

数据预处理步骤：对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取步骤：采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练步骤：将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测步骤：利用所述船舶运动规律对船舶下一时刻的位置进行预测；

所述预处理包括：

选定轨迹采样点数据中的经度、纬度、对地速度、航向、时间来表示船舶航行轨迹数据；

采用线性插值的方法对轨迹数据进行插值及修正；

对修正后得到的轨迹数据进行归一化得到归一化的轨迹数据；

对归一化的轨迹数据进行卷积滑动窗口运算，进行轨迹数据的切分；

在所述卷积滑窗的训练阶段，将归一化的轨迹数据进行分类汇总，按包括海域、季节、风向在内的维度进行分组，设置卷积滑动窗口的滑窗宽度为N+1，利用卷积神经网络进行迭代计算，在滑窗数据中将前N个数据输入卷积神经网络模型进行学习，得到滑窗数据的第N+1个数据；滑窗的步长为1，每滑动一次，卷积神经网络重新学习一次，产生新的网络模型结构；通过卷积滑动窗口运算，产生长度为N+1的轨迹切分数据；

所述滑窗训练的卷积神经网络包括输入层、卷积层、池化层和连接层；

所述输入层的卷积核为3，输入数据长度为N；

所述卷积层包括10个5*5的卷积核；

所述池化层使用2*2的最大池化处理；

所述连接层为具有400个神经元节点的全连接层；

连接层的神经元节点个数通过经验公式进行试验试凑，其中m和n分别代表输入层和输出层的节点数，a为[0,10]内的常数；

所述一维卷积神经网络包括卷积层、池化层、隐藏层和Dropout层；

所述卷积层包括第一卷积层和第二卷积层，第一卷积层为一个64通道的1*1卷积层，用于将输入的轨迹切分数据进行一维序列化；

第二卷积层为3*3卷积层，用于扩增第一卷积层的通道；

所述池化层采用最大池化处理，用于将所述卷积层计算得出的特征图进行下采样，将特征映射矩阵进行筛选；

池化后的特征参数N＝(W-F+2P)/S+1；其中，W为卷积层计算得出的Feature Map，F为卷积核大小，P为填充值大小，S为步长；

所述隐藏层包括两个两层，由网络中的记忆单元构成，通过隐藏层形成的状态为记忆单元，包含了所有历史时刻的状态信息，用于实现航迹预测的历史轨迹连贯，提高特征数据的粘性；

所述Dropout层，用于根据设定的比率值，随机地为网络中的神经元赋值零权重。

2.根据权利要求1所述的船舶轨迹预测方法，其特征在于，设定的比率值为0.5。

3.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LSTM网络的输入门、输出门、遗忘门分别对应船舶轨迹特征数据序列的写入、读取和先前状态的重置操作；

其中，在时刻t，

输入门τ的输入为：

遗忘门φ的输出为：

输出门ω的输出为：

I，H，C，分别表示输入层、隐藏层和核心层cell的个数；χ^t_i为t时刻网络中第i个cell关于船舶航迹预测参数的输入，表示上一个时刻中所有不同记忆参数的输出，表示上一时刻所有特征参数的状态；b表示非线性映射，用于激活函数ω_it、ω_hτ、ω_τt、ω_iφ、ω_hφ、ω_τφ、ω_iω、ω_hω和ω_τω为连接权重。

4.根据权利要求1所述的船舶轨迹预测方法，其特征在于，LSTM网络的输入和输出激活函数采用Relu函数。

5.一种基于如权利要求1-4任一项所述的船舶轨迹预测方法的系统，其特征在于，包括：

数据预处理模块，用于对通过船舶AIS采集的包括船位、航速和航向信息在内的轨迹数据进行预处理得到轨迹切分数据；

特征提取模块，用于采用一维卷积神经网络对轨迹切分数据进行特征提取优化，并将提取到的高级特征与所述轨迹切分数据结合来构造轨迹预测训练的输入数据；

轨迹预测模型训练模块，用于将所述输入数据导入到LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律；

轨迹预测模块，用于利用所述船舶运动规律对船舶下一时刻的位置进行预测。