[发明专利]基于改进编解码器架构的序列到序列渔船轨迹预测方法

说明书

本发明公开了一种基于改进编解码器架构的序列到序列船舶轨迹预测方法。传统的编解码器方法无法捕捉完整的船舶轨迹序列表示并进行有效的预测。本发明基于编解码器架构，提出了一种改进编解码器架构序列到序列的船舶轨迹预测方法，它由两个并行的卷积分量构成改进编码器和长短期记忆网络构成解码器。本发明提供的改进编解码器架构的序列到序列船舶轨迹预测方法具有更高的精度，在交通复杂的近海区域的船舶轨迹预测中具有一定的参考价值。

技术领域

本发明涉及船舶轨迹预测技术领域，尤其涉及一种基于改进编解码器架构的序列到序列渔船轨迹预测方法。

背景技术

在交通密度高、条件复杂的海域或港口，提高海上航行船舶的安全性是一个关键问题。船舶交通服务(VTS)的目标是准确有效地监测和预测船舶轨迹和实时船舶轨迹，为海上交通事故的预警提供有价值的技术支持。为提高船舶在复杂多变海域航行的安全性，需要为船舶智能导航系统提供轨迹预测和危险预警功能。

与车辆运动不同，船舶海上运动不受几何结构的限制，预测的难度更大。传统的轨迹预测方法主要分为两种，基于船舶运动学的方法和基于统计学的方法。两种方法多用于短期轨迹预测，基于统计学方法存在对缺失数据不敏感和模型复杂的问题，例如，马尔可夫模型和高斯过程等。基于运动学的方法存在预测时间长和预测精度低的问题，例如非线性滤波和自适应核密度估计等。

近年来，循环神经网络(Recurrent Neural Network，RNN)通过创建数据的动态表示来学习序列的时间模式，进行轨迹预测任务，但其梯度消失问题影响长期依赖关系捕获。RNN变体LSTM(Long Short-Term Memory)长短期记忆网络模型和门控循环单元GRU(GateRecurrent Unit)克服了这一限制，有效提高了长时间序列预测的精度。LSTM编解码器模型具有模型简单、预测时间快的特点，已被用于船舶轨迹预测任务。该模型使用LSTM编码器将输入轨迹序列编码为一组向量表示，然后由LSTM解码器根据编码生成预测轨迹序列。然而，由于该模型在编码器阶段生成的固定向量无法表示完整船舶轨迹特征，使其在复杂交通模式下的船舶轨迹任务中预测精度降低。

发明内容

本发明的目的在于解决编解码器架构中编码器在特征提取方面的不足和海上交通模式复杂程度差别较大引起的预测精度低的问题，提供了一种基于改进编解码器架构的序列到序列渔船轨迹预测方法，通过对不同时间尺度的轨迹进行特征提取，提高轨迹预测精确度。

基于渔船的状态延续性与快速切换性特点以及近海区域交通模式复杂的环境，本发明使用全局卷积结构和局部卷积结构两个并行卷积分量改进编码器，并结合LSTM解码器实现复杂交通模式下的渔船轨迹预测。

本发明所采用的技术方案步骤如下：

本发明包含以下步骤：

步骤1：对存储AIS数据的MPP数据库建立空间索引，使用空间区域包含搜索方式提取近海区域渔船的运动信息；

步骤2：对近海区域渔船轨迹数据进行预处理，获取AIS数据集；

步骤3：构建基于改进编解码器的序列到序列渔船轨迹预测模型，利用步骤2数据对其进行训练；

步骤4：利用训练好的改进渔船轨迹预测模型，对渔船下一时间段轨迹进行预测。

所述的改进编解码器的序列到序列渔船轨迹预测模型，包括改进的编码器和LSTM解码器；

所述的改进编码器包含全局时间卷积和局部时间卷积两个并行卷积结构；

所述的序列到序列预测是指输入给定在时间步长k之前的T个历史船舶位置序列预测在时间步长k之后的T个船舶未来位置序列

进一步地，所述的MPP数据库是用于存储渔船运动信息的数据库，可以实现快速提取特定时间和区域的渔船轨迹数据。