[发明专利]船舶轨迹预测方法

摘要

本发明涉及一种船舶轨迹预测方法，包括如下几个步骤，首先通过海面雷达获得船舶的实时和历史位置信息并做初步处理；然后在每一采样时刻对船舶轨迹数据预处理，然后在每一采样时刻对船舶轨迹数据聚类，再而在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，然后在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q，最后在每一采样时刻通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。本发明滚动实时对船舶轨迹进行预测，准确性较好，从而为后续船舶冲突解脱提供有力保障。

主权项

1.一种船舶轨迹预测方法，其特征在于包括如下几个步骤：①通过海面雷达获得船舶的实时和历史位置信息，各船舶的位置信息为离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']，通过应用小波变换理论对原始离散二维位置序列x'＝[x1',x2',...,xn']和y'＝[y1',y2',...,yn']进行初步处理，从而获取船舶的去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]；②在每一采样时刻对船舶轨迹数据预处理，依据所获取的船舶去噪离散二维位置序列x＝[x1,x2,...,xn]和y＝[y1,y2,...,yn]，采用一阶差分方法对其进行处理获取新的船舶离散位置序列△x＝[△x1,△x2,...,△xn‑1]和△y＝[△y1,△y2,...,△yn‑1]，其中△xi＝xi+1‑xi,△yi＝yi+1‑yi，i＝1,2,...,n‑1；③在每一采样时刻对船舶轨迹数据聚类，对处理后新的船舶离散二维位置序列△x和△y，通过设定聚类个数M'，采用遗传聚类算法分别对其进行聚类；④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练，通过将处理后的船舶运行轨迹数据△x和△y视为隐马尔科夫过程的显观测值，通过设定隐状态数目N和参数更新时段τ'，依据最近的T'个位置观测值并采用B‑W算法滚动获取最新隐马尔科夫模型参数λ'；⑤在每一采样时刻依据隐马尔科夫模型参数，采用Viterbi算法获取当前时刻观测值所对应的隐状态q：5.1)变量赋初值：令g＝2，β_T′(s_i)＝1，s_i∈S，δ₁(s_i)＝π_ib_i(o₁)，ψ₁(s_i)＝0，其中，其中变量ψ_g(s_j)表示使变量δ_g‑1(s_i)a_ij取最大值的船舶航迹隐状态s_i，参数S表示隐状态的集合；5.2)递推过程：5.3)时刻更新：令g＝g+1，若g≤T'，返回步骤5.2)，否则迭代终止并转到步骤5.4)；5.4)转到步骤5.5)；5.5)最优隐状态序列获取：5.5.1)变量赋初值：令g＝T'‑1；5.5.2)后向递推：5.5.3)时刻更新：令g＝g‑1，若g≥1，返回步骤5.5.2)，否则终止；⑥在每一采样时刻，通过设定预测时域W，基于船舶当前时刻的隐状态q，获取未来时段船舶的位置预测值O，从而在每一采样时刻滚动推测到未来时段内船舶的轨迹；所述步骤③中，聚类个数M'的值为4；所述步骤④中，状态数目N的值为3，参数更新时段τ'为30秒，T'为10；所述步骤⑥中，预测时域W为300秒。