[发明专利]一种船舶运动轨迹实时预测方法

权利要求书

1.一种基于AIS数据的船舶运动轨迹实时预测方法，其特征在于，包括：

(1)从AIS历史数据中提取船舶特征信息，根据船舶特征信息得到船舶运动轨迹，船舶运动轨迹包括船舶运动信息的初始轨迹时间序列，将船舶运动信息的初始轨迹时间序列进行结构化处理，消除AIS异常轨迹，并转换成连续稳定的目标轨迹时间序列作为LSTM网络模型输入；

(2)构建以LSTM为核心的自定义LSTM神经网络模型，通过结构化处理后的目标轨迹时间序列对神经网络模型进行训练学习，以通过训练后的神经网络模型预测目标船舶在未来时段内的运动轨迹。

2.根据权利要求1所述的船舶运动轨迹实时预测方法，其特征在于，所述船舶特征信息包括船舶方位的经纬度坐标、船舶的航向、船舶的航度、船舶的船型及船舶的吨位。

3.根据权利要求2所述的船舶运动轨迹实时预测方法，其特征在于，步骤(1)包括：

(1.1)从AIS历史数据中提取船舶特征信息，根据船舶特征信息得到船舶运动轨迹，其中，船舶运动轨迹包括船舶运动信息的初始轨迹时间序列；

(1.2)对初始轨迹时间序列中的数据进行异常过滤，其中，异常过滤包括对初始轨迹时间序列中的误差数据和重复数据进行过滤，误差数据过滤包括去除因为定位误差导致的轨迹点，重复数据过滤包括对长时间停止运行的轨迹点进行合并；

(1.3)对过滤后的初始轨迹时间序列中的数据进行插值补全，其中，插值补全包括将过滤后的初始轨迹时间序列中的不连续的或者丢失的AIS数据通过插值方式转换成具有固定时间间隔周期的目标轨迹时间序列。

4.根据权利要求3所述的船舶运动轨迹实时预测方法，其特征在于，步骤(1.2)包括：

计算初始轨迹时间序列中轨迹停留点之间的平均时间和平均距离，结合船舶驾驶速度的上限，获取预设时间段内船舶行驶距离的上限，消除初始轨迹时间序列中明显定位误差的轨迹点。

5.根据权利要求4所述的船舶运动轨迹实时预测方法，其特征在于，步骤(1.3)包括：

通过K-Modes算法的轨迹间距离聚类算法，对过滤后的初始轨迹时间序列中的数据进行插值补全，在确定K值的基础上，计算样本与聚类中心的距离，按照距离平方和最小原则将样本聚簇进行归属划分，确定每一组的众数，利用各组的众数来补全处于该聚类中的缺失轨迹点坐标。

6.根据权利要求4所述的船舶运动轨迹实时预测方法，其特征在于，步骤(1.2)包括：

假设轨迹点X_i、X_j、X_k是初始轨迹时间序列中连续三个轨迹点，所对应的时间分别为t_i、t_j、t_k，定义轨迹点X_i和X_j之间的时间间隔为Δt₁＝t_j-t_i，距离间隔为Δd₁，定义轨迹点X_k和轨迹点X_j之间的时间间隔为Δt₂＝t_k-t_j，距离间隔为Δd₂；

已知指定航行区域内船速最大值为V_max，如果Δd₁、Δd₂满足：Δd₁＞Δt₁*V_max，Δd₂＞Δt₂*V_max，则可判定轨迹点X_j为误差点，应从初始轨迹时间序列中删除。