[发明专利]基于自动编码器和双向LSTM的船舶轨迹预测方法及系统

说明书

本发明提供一种基于LSTM自动编码器和双向LSTM的船舶轨迹预测方法及系统，包括对船舶AIS轨迹数据进行预处理后，采用自动编码器对轨迹数据进行特征提取；随后，将提取到的特征与轨迹经纬度数据结合来表示船舶当前航行状态，并以此作为模型输入，通过包含注意力机制的双向LSTM神经网络模型学习轨迹数据中隐含的船舶运动规律，利用模型学习到的船舶运动规律对船舶下一时刻的位置进行预测。本发明采用“LSTM自动编码器+注意力机制+双向LSTM神经网络”的方案进行船舶航迹预测，在保留船舶轨迹数据足够有效信息的前提下，双向LSTM模型能更好地挖掘轨迹数据时空关联关系。本发明能有效提升轨迹预测精度，实现实时预测，满足对轨迹预测时效性准确性要求较高场景的需求。

技术领域

本发明属于航迹智能预测技术领域，具体涉及基于LSTM自动编码器和双向LSTM的船舶轨迹预测方法及系统。

背景技术

近年来，船舶数量不断增多，周边海域交通密度不断提升，航道拥挤、船只碰撞时有发生，海上航行安全问题越发突出。对船舶轨迹进行预测，可以有效预判航行趋势、分析船舶行为模式，进而指导航向、预报航行风险，减少船舶碰撞事故发生，实现船舶有序管理，对海上交通安全具有重要意义。

船舶航行与车辆行驶特点不同，无明显路网约束，航迹随机程度较大，预测难度也更大。传统船舶轨迹预测采用构建动力学方程的方法，这类方法需要专业知识支撑，并且根据不同船舶和场景需进行针对性改造，方法适应性较差。目前主流的方法是采用机器学习，该方法能够根据历史轨迹和当前行驶轨迹进行参数学习，使预测模型具有较好的适应性。具有代表性的基于机器学习的预测方法有：基于BP神经网络、基于LSTM模型以及基于Attention-LSTM船舶轨迹预测模型等。目前，基于Attention-LSTM模型预测效果较好，采用了注意力机制与LSTM模型突出了关键特征、运用了轨迹数据时序特征，但该方法缺少对轨迹高维数据处理以及轨迹数据时空关联关系的运用。

[参考文献]

[1]甄荣,金永兴,胡勤友,施朝健,王胜正.基于AIS信息和BP神经网络的船舶航行行为预测[J].中国航海,2017,40(02):6-10.

[2]权波,杨博辰,胡可奇,等.基于LSTM的船舶航迹预测模型[J].计算机科学,2018,045(0z2):126-131.

[3]崔淑敏,张磊,李允,等.出租车目的地预测的深度学习方法[J].计算机工程与科学,2020,42(1):185-190.DOI:10.3969/j.issn.1007-130X.2020.01.024.

[4]徐国庆,马建文,吴晨辉,等.基于Attenton-LSTM神经网络的船舶航行预测[J].舰船科学技术,2019,41(12):177-180.DOI:10.3404/j.issn.1672-7649.2019.12.034.

[5]Fernando T,Denman S,Sridharan S,Fookes C.Soft+Hardwired attention:An LSTM framework for human trajectory prediction and abnormal eventdetection.Neural Netw.2018；108:466-478.doi:10.1016/j.neunet.2018.09.002

[6]Dai A M,Le Q V.Semi-supervised Sequence Learning[J].2015.

[7]李旭娟,皮建勇.深度学习在轨迹数据挖掘中的应用研究综述[J].计算机科学与应用,2019,9(12):2357-2366.DOI:10.12677/CSA.2019.912262.

发明内容