[发明专利]基于北斗导航时频数据的船舶轨迹预测方法及装置

说明书

本公开的实施例提供了一种基于北斗导航时频数据的船舶轨迹预测方法及装置。所述方法包括采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。以此方式，通过引入外部影响因子，减少了数据集的数据噪音；通过引入个体特征，提高了算法的泛化能力。

技术领域

本公开的实施例一般涉及计算机技术领域，并且更具体地，涉及基于北斗导航时频数据的船舶轨迹预测方法、装置、设备和计算机可读存储介质。

背景技术

随着国际贸易的兴盛，每时每刻都有着数十万船舶在四大洋上航行，与此同时，全球五千余个港口、六千余家船公司、数十万家货代、数百万家贸易公司以不同的载体、不同的数据格式交互着海量信息。船舶越来越大，种类越来越多，在航运密切的热点区域，水上交通密度持续增加，导致航道负担增大，事故频发。

同时在远洋运输市场上，航行时间和油耗都与盈利息息相关，根据船舶轨迹数据和船舶自身属性信息对航线类型进行分类预测从而推断航行时间和油耗，将对船舶营运产生积极影响。通过航迹预测，帮助船舶运营商看到未来，实现更智能和更安全的船舶处理决策，降低船舶事故发生的风险，这是船舶自动化发展的重要一步。

目前常用的船舶航迹预测数据，有基于模式预测方法和模型预测方法，但是目前常用的预测方法主要考虑船舶本身的因素，没有考虑水文气象、海况等外部因素，另外预测模型将所有船舶统一建模，没有考虑船舶的个体差异，存在算法的泛化能力不足问题。

发明内容

根据本公开的实施例，提供了一种基于北斗导航时频数据的船舶轨迹预测案。

在本公开的第一方面，提供了一种基于北斗导航时频数据的船舶轨迹预测方法。该方法包括：采集高时频数据、外部影响因子数据和船舶特征数据；对所采集的数据进行预处理；将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述高时频数据包括吃水、航行状态、北斗RNSS数据、北斗RDSS数据；所述外部影响因子数据包括气象水文、海况、航行受限区、海图数据；所述船舶特征数据包括船舶类型、用途、航速、结构强度数据。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预处理包括：对所述高时频数据进行缺失值补充和/或数据清洗；对所述外部影响因子数据进行指标量化，并基于海图进行区域划分；对所述船舶特征数据进行汇总量化。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型为GRU网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述轨迹预测神经网络模型是通过以下步骤训练得到的：将预处理后的历史时频数据、外部影响因子数据、船舶特征数据及对应的之后一个或多个分段的船舶轨迹数据作为训练样本；编制GRU网络；基于所述训练样本进行GRU网络拟合；进行GRU网络模型评估，并进行权重参数调整。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述船舶历史航迹数据是通过历史高时频数据中的北斗时频数据进行航线聚类得到的。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，进行GRU网络模型评估，并进行权重参数调整包括：对不同分段设置不同的预设阈值与权重；根据预测的各分段的船舶轨迹与实际船舶轨迹的偏差率，乘以对应的权重并求和，根据加权求和得到的偏差率，与加权求和得到的预设阈值进行比较。

在本公开的第二方面，提供了一种基于北斗导航时频数据的船舶轨迹预测装置。该装置包括：采集模块，用于采集高时频数据、外部影响因子数据和船舶特征数据；预处理模块，用于对所采集的数据进行预处理；预测模块，用于将预处理后的数据输入预先训练的轨迹预测神经网络模型中，得到预测的之后一个或多个分段的船舶轨迹。