[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

说明书

本发明涉及一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，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。本发明较其他现有预测方法具有更好的预测精度，均方误差更低，并且预测更迅捷。

技术领域

本发明属于智能预测技术领域，具体涉及一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统。

背景技术

船舶航行与车辆行驶特点不同，无明显路网约束，航迹随机程度较大，预测难度也更大。传统船舶轨迹预测采用构建动力学方程的方法，这类方法需要专业知识支撑，并且根据不同船舶和场景需进行针对性改造，方法适应性较差。目前主流的方法是采用机器学习，该方法能够根据历史轨迹和当前行驶轨迹进行参数学习，使预测模型具有较好的适应性。具有代表性的基于机器学习的预测方法有：基于BP神经网络、基于LSTM模型以及基于LSTM船舶轨迹预测模型等。在船舶航迹预测研究方面，深度学习预测方法被广泛采用，它是一种以人工神经网络为架构，对数据进行表征学习的算法，具有非线性、自适应性、自学习能力。由于船舶航迹预测的实时性要求，预测时大多采用单一模型算法，如卷积神经算法(Convolutional Nerual Networks，CNN)、长短期记忆神经网络(Networks-Long ShortTerm Memory,LSTM)算法等，具有反应速度快、模型简单等优点，目前由于水上交通环境日益复杂，单一模型在准确度方面已经很难满足使用要求，并且为如何解决船舶航迹预测的实时性与准确度的矛盾提出了挑战。

发明内容

鉴于上述的分析，本发明旨在公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法及系统，解决船舶轨迹预测的问题。

本发明公开了一种基于一维卷积神经网络和LSTM的船舶轨迹预测方法，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。

进一步地，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。

进一步地，所述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。

进一步地，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；