[发明专利]一种固定航线任务下的移动对象动态轨迹预测方法

权利要求书

1.一种固定航线任务下的移动对象动态轨迹预测方法，其特征在于，包括：

步骤一：离线状态下，根据固定航线任务的特点，首先定义带有位置标签的轨迹偏差序列，之后构建基于轨迹偏差序列的二维容器序列，同时将相同航线任务下的移动对象历史轨迹偏差数据存储在二维容器序列中；

所述构建二维容器序列的具体方法为：

定义三维轨迹偏差空间中的坐标系Oxyz，其中Ox轴方向为固定航线任务的位置标签所在的方向，Oz轴方向上的坐标为移动对象轨迹与期望轨迹在Oz方向上的偏差值，Oy轴方向上的坐标为移动对象轨迹与期望轨迹在Oy方向上的偏差值，则固定航线任务下的移动对象轨迹由位置标签序列按顺序标识；

上式中，x_j为固定航线任务的第j个位置标签，j为位置标签在位置标签序列中的序号，为位置标签序列中位置标签的数目；

固定航线任务下的移动对象轨迹偏差也由位置标签序列按顺序标识，若用i标识某固定航线任务下编号为i的历史轨迹，则用表征历史轨迹i在位置标签序列x_j处与期望航线轨迹的位置偏差，其中分别为位置偏差在Oy轴和Oz轴方向的坐标值；则将序列定义为带有位置标签的轨迹偏差序列；

基于轨迹偏差序列构建二维容器序列，每个二维容器中存储具有相同位置标签的历史轨迹点偏差；二维容器序列与位置标签序列对应，二维容器序列包含个二维容器G_j，

利用k-means类方法将每个二维容器中的历史轨迹点偏差都分为n类，令每类历史轨迹点偏差包络围成的不规则区域作为一个单元；

步骤二：在线状态下，根据检索匹配法，在上述步骤一的二维容器序列中检索预测对象的前向已知轨迹偏差序列，根据与前向已知轨迹偏差序列经过相同二维容器单元的历史轨迹偏差序列即为匹配的历史轨迹偏差序列的原则，得到由所述匹配的历史轨迹偏差序列组成样本集；采用在线ISO算法，利用所述样本集，基于RBF神经网络结构在线建立得到移动对象的轨迹偏差预测模型；

所述由匹配的历史轨迹偏差序列组成样本集的具体方法为：

若用P表示待预测对象，用x_t表示待预测对象P在当前时刻t的位置标签；设非零整数q，其中则x_t-q表示在位置标签序列中与x_t相隔q个位置的标签；当q＞0时x_t-q表示位置标签序列中x_t前面第q个位置的标签，当q＜0时x_t-q表示位置标签序列中x_t后面第q个位置的标签；

若用表示待预测对象P在当前位置标签x_t处的位置偏差，则表示待预测对象P在位置标签x_t-q处的位置偏差；则移动对象的轨迹偏差预测模型的输入为待预测对象的前向h步已知轨迹偏差序列由待预测对象P在位置标签x_t，x_t-1，x_t-2，…，x_t-h处的位置偏差构成；移动对象的轨迹偏差预测模型的输出为待预测对象P未来k步的位置偏差序列由待预测对象P在位置标签x_t+1,x_t+2,…x_t+k处的位置偏差构成；

根据轨迹偏差预测模型的输入和输出结构，在匹配的历史轨迹偏差序列中提取样本，组成由匹配的历史轨迹偏差序列组成的样本集；

所述基于RBF神经网络结构在线建立得到移动对象的轨迹偏差预测模型的具体方法为：

移动对象的轨迹偏差预测模型由轨迹偏差差分预测网络和轨迹点偏差计算模型两部分组成；其中轨迹偏差差分预测网络的输入输出结构是在离线状态下确定的，在线只更新轨迹偏差差分预测网络的隐层节点和参数；

用分别表示在位置标签为x_t-q时待预测对象P在Oy轴和Oz轴方向的轨迹点偏差差分，其中q为非零整数且则轨迹偏差差分预测网络的输入由待预测对象P的h步前向已知轨迹点偏差的差分组成，轨迹偏差差分预测网络的输出由待预测对象P的未来k步轨迹点偏差的差分组成；

上式中，表示在位置标签为x_t-h+1时待预测对象P在Oy轴方向的轨迹点偏差差分，为表示在位置标签为x_t时待预测对象P在Oy轴方向的轨迹点偏差差分，表示在位置标签为x_t-h+1时待预测对象P在Oz轴方向的轨迹点偏差差分，为表示在位置标签为x_t时待预测对象P在Oz轴方向的轨迹点偏差差分，表示在位置标签为x_t+1时待预测对象P在Oy轴方向的轨迹点偏差差分，表示在位置标签为x_t+1时待预测对象P在Oz轴方向的轨迹点偏差差分，表示在位置标签为x_t+k时待预测对象P在Oz轴方向的轨迹点偏差差分，T表示转置；

轨迹偏差差分预测网络输入层到隐层的权值选为1，则第l个隐层节点的输出由下式得到：

上式中，c_l和σ_l分别表示第l个隐层节点的核函数中心和宽度，||·||表示欧氏距离；

轨迹偏差差分预测网络的输出U由下式得到：

U＝WΦ

上式中，Φ＝[φ₁ … φ_L]^T，W＝[ω_l,m]_L×M为权重向量，M为输出维度，φ₁为第1个隐层节点的输出，φ_L为第L个隐层节点的输出，ω_l,m为隐层节点l与第m个输出之间的权重，L为隐层节点数目；

移动对象的轨迹点偏差计算模型由以下两式实现；

上式将轨迹偏差预测模型输入中的轨迹点偏差坐标转化为轨迹偏差差分预测网络的轨迹偏差差分输入；

上式将轨迹偏差差分预测网络的轨迹偏差差分输出转化为轨迹点偏差输出；

上述两式中，表示在位置标签为x_t-j时待预测对象P在Oy轴方向的轨迹点偏差差分，表示在位置标签为x_t-i时待预测对象P在Oy轴方向的轨迹点偏差，表示在位置标签为x_t-i-1时待预测对象P在Oy轴方向的轨迹点偏差，表示在位置标签为x_t-i时待预测对象P在Oz轴方向的轨迹点偏差差分，为表示在位置标签为x_t-i时待预测对象P在Oz轴方向的轨迹点偏差，为表示在位置标签为x_t-i-1时待预测对象P在Oz轴方向的轨迹点偏差，i为变量，2h为输入的轨迹偏差差分数目；表示在位置标签为x_t+i时待预测对象P在Oy轴方向的轨迹点偏差，表示在位置标签为x_t时待预测对象P在Oy轴方向的轨迹点偏差，表示在位置标签为x_t+i时待预测对象P在Oz轴方向的轨迹点偏差，为表示在位置标签为x_t时待预测对象P在Oz轴方向的轨迹点偏差，为表示在位置标签为x_t-j时待预测对象P在Oz轴方向的轨迹点偏差，2k为输出的轨迹点偏差差分数目，j为变量；

基于轨迹偏差差分预测网络的输入和输出结构和样本集，采用在线ISO建模方法确定轨迹偏差差分预测网络的隐层节点和参数；

所述采用在线ISO建模方法确定轨迹偏差差分预测网络的隐层节点和参数的具体步骤为：

a)隐层节点增加：

若开始训练时，轨迹偏差差分预测网络中无隐层节点则将第一组样本作为隐层节点，新增隐层节点的核函数中心取为第一组样本的输入，新增节点宽度和权值取为1；若网络中有隐层节点，则轨迹偏差差分预测网络在训练过程中记录网络训练误差最大的样本；若训练误差未达到设定的目标值，则在RBF中增加一个隐层节点，并设该增加的隐层节点的核函数中心为训练误差最大样本的输入；

样本s对第m个输出分量的误差e_s,m由下式得到：

样本的均方差ess_s由下式得到：

上述两式中，和u_s,m分别为样本s的实际输出U和期望输出中的第m个输出分量，M为输出维度，S为样本集中样本的数目；

b)网络参数更新：

采用ISO算法实现网络参数的更新，网络参数更新增量如下式：

上式中，向量是第次训练的调整参数，向量是第次训练的调整参数，I为单位矩阵，μ为组合系数，Q为准Hessian矩阵，g为梯度向量，分别由以下两式得到：

上述两式中，S为样本集中样本数目，M为输出维度，q_s,m为样本s的第m个输出分量对应的子准Hessian矩阵，s＝1…S,m＝1…M，由式求得；η_s,m为样本s的第m个输出分量对应的子梯度向量，s＝1…S,m＝1…M，由式求得；上述两式中，j_s,m是样本s的Jacobian矩阵中与第m个输出分量相关的行向量，由下式得到：

上式中，ω_l,m为隐层节点l与第m个输出分量之间连接权重，c_l,ξ是隐层节点l对第ξ个输入分量的中心值；向量j_s,m中的各元素在以下四式中计算，其中I_s为样本s的输入向量，I_s,ζ为I_s中的第ζ个元素：

上述四式中，φ_l为第l个隐层节点的输出，ω_0,m为轨迹偏差差分预测网络偏置与第m个输出的分量之间连接权的值；

c)隐层节点删除：

删除连续β个样本都不能激活的隐层节点；1＜β≤L；L为隐层节点数目；

隐层节点是否被样本激活由样本标准化输出求得，样本标准化输出由下式求得，若样本的标准化输出r_l(I_s)小于规定的阈值则认为该隐层节点l没有被样本s激活；若r_l(I_s)大于等于规定的阈值则认为隐层节点l被样本s激活；

上式中，I_s表示样本s对轨迹偏差差分预测网络的输入向量，r_l(I_s)表示轨迹偏差差分预测网络输入为I_s时隐层节点l的标准化输出，Φ_max(I_s)为所有隐层节点输出的最大值，Φ_l(I_s)为隐层节点l的输出，由下式得到：

d)合并隐层节点：

若RBF中存在两个相似的隐层节点α、δ，合并隐层节点α、δ为隐层节点γ，则γ的参数由下式确定：

上式中，ω_αm、ω_δm、ω_γm分别为隐层节点α、δ、γ与第m个输出分量间的连接权值，c_α、c_δ、c_γ分别为隐层节点α、δ、γ的核函数中心，σ_α、σ_δ、σ_γ为隐层节点α、δ、γ的核函数中心宽度；

步骤三：利用上述步骤二的移动对象的轨迹偏差预测模型，通过预测，得到移动对象未来的轨迹；

所述通过预测得到移动对象未来的轨迹的具体方法为：

利用在线建立的轨迹偏差预测模型求得移动对象的轨迹点偏差，然后根据下式求取移动对象的轨迹点位置：

上式中，表示在位置标签为x_t+i时待预测对象P在Oy轴方向的轨迹位置，表示在位置标签为x_t+i时待预测对象P在Oz轴方向的轨迹位置，表示固定航线任务在位置标签为x_t+i处的Oy轴方向位置坐标，表示固定航线任务在位置标签为x_t+i处的Oz轴方向位置坐标；

步骤四：重复上述步骤二与步骤三，直至完成预测任务。