[发明专利]一种基于改进图卷积神经网络的船舶交通流预测方法

权利要求书

1.一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，包括以下步骤：

S1，获取初始的船舶轨迹特征点；

S2，对所述初始的船舶轨迹特征点进行去噪处理，获取真实的船舶轨迹特征点；

S3，对待测海域进行网格划分，并将所述真实的船舶轨迹特征点投影至网格中，将含特征点的网格作为节点，按照船舶行驶轨迹依次连接各节点，建立航道网络；

S4，依次统计不同时间段内经过各节点的船舶数量，得到不同时间段内各个节点的船舶交通流量；

S5，基于步骤S4中得到的船舶交通流量数据，采用多图卷积改进的GCN算法对各节点的船舶交通流量进行预测。

2.根据权利要求1所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S1中，获取初始的船舶轨迹特征点的方法为：基于AIS轨迹数据，采用DP算法进行压缩，获得初始的船舶轨迹特征点数据；具体获取的过程为：

设某条船舶的轨迹点集合为：

v＝{v₁,v₂,…,v_i}

其中，v_i表示船舶在第i时刻的经纬度位置坐标；

将相邻的轨迹点之间连成折线，则轨迹表示为折线：

再将轨迹点的起始点与终止点连接成线作为一级基准线，然后计算每个轨迹点到一级基准线的距离，找出距离最大的点；

分别将起始点、终止点与所述距离最大的点连接，得到两条二级基准线，计算每条二级基准线两侧各轨迹点到对应二级基准线的距离，找出距离最大的点；

分别将两条二级基准线的起始点、终止点与对应的距离最大的点连接，得到四条三级基准线；

重复循环上述步骤，直到得到2^N-1条N级基准线，且各N级基准线两侧轨迹点到对应N级基准线的最大距离小于预设值时，循环结束；

获取压缩后的船舶轨迹特征点集合为：

其中ji；

对应的船舶轨迹折线表示为：

3.根据权利要求2所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S2中，获取真实的船舶轨迹特征点的方法为：采用DBSCAN聚类算法对步骤S1中压缩后的轨迹特征点进行聚类，获得多个轨迹点簇；所述DBSCAN聚类算法的输入为特征点集合邻域参数为eps和MinPts；其中，eps代表集合中某一样本的邻域距离阈值，MinPts代表邻域扫描半径范围内最小包含点数；具体过程包括如下步骤：

S21，通过检查特征点集合中各个点的eps邻域来搜索簇；若点p的eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；

S22，通过迭代地聚集从这些核心对象直接密度可达的对象；

S23，重复步骤S21、S22，直到没有新的点添加到任何簇时，算法结束，得到输出：簇划分结果D＝{D₁,D₂,…,D_m}，其中m为轨迹特征点簇的数量；

通过聚类获得的m个轨迹特征点簇，每个簇均代表待测海域内的一个特定区域，所述特定区域至少包括港口、出入口和海上平台；然后过滤掉簇中的噪声点即得到真实的船舶轨迹特征点。

4.根据权利要求1所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S3中，建立航道网络的方法为：利用经纬度将待测海域划分为n个等尺寸网格，每一个网格的长为经度间隔参数S_lon，每一个网格的宽为纬度间隔参数S_lat；将步骤S2中获得的m个特征点簇种所有特征点投影至所述网格中，具有特征点投影的网格作为节点，然后按照船舶行驶轨迹依次连接各节点，以各节点的连接为边，提取得到航道网络。