[发明专利]海事搜救对象轨迹预测方法、系统、装置和存储介质

权利要求书

1.一种海事搜救对象轨迹预测方法，其特征在于，包括：

选取设定海域投放仿真人体模型，获取包括模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据；

选取设定时间段的历史仿真数据生成训练集和验证集；

利用训练集和验证集分别对多个神经网络预测子模型进行训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系；

将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，获取多个神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果；

对多个神经网络预测子模型的预测结果进行加权集成，获取集成预测结果；

根据集成预测结果确定可能搜救区域和可能搜救位置坐标，

其中，所述利用训练集和验证集对神经网络预测子模型训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系，包括：

针对一个神经网络预测子模型，设置m组子模型超参数组；

针对每一组子模型超参数下的神经网络预测子模型，分别从训练集中无放回随机采样设定数量的训练样本；

利用训练样本分别对每一组子模型超参数下的神经网络预测子模型进行训练，并计算每一组子模型超参数下的神经网络预测子模型的评估损失值，获取包括每一组子模型超参数下的神经网络预测子模型的评估损失值及其对应的子模型超参数组的评估集合；

根据评估集合拟合先验概率预测模型，通过先验概率预测模型映射出预设数量的超参数组；

利用推荐函数选取预设数量的超参数组中一组超参数组作为神经网络预测子模型的超参数组，并对选取的超参数组进行评估以获取对应的评估损失值；

将选取的超参数组及其对应的评估损失值加入评估集合，并判断是否达到预设训练结束条件，若是，将选取的超参数组下的神经网络预测子模型作为训练好的神经网络预测子模型；若否，重新进行先验概率预测模型的拟合，

其中，评估损失值利用以下公式3和公式4计算；

e_k＝RMSE(y_true,y_predict),k＝1,2,…,m 公式3

e_k表示第k组子模型超参数下的神经网络预测子模型的评估损失值，y_true表示样本数据的真实标签，y_predict表示子模型输出的预测结果，k表示超参数组的序号，RMSE()表示求均方根误差，N表示验证集的样本数据个数，表示验证集中第i个样本数据的真实标签，表示验证集中第i个样本数据对应的子模型输出的预测结果。

2.根据权利要求1所述的海事搜救对象轨迹预测方法，其特征在于，先验概率预测模型为：

τ表示模型的超参数组，e表示超参数组τ对应的评估损失值，e^*表示预设评估损失值阈值，l()表示评估损失值e小于预设评估损失值阈值e^*时超参数组在先验概率模型下的概率密度函数，g()表示评估损失值e大于等于预设评估损失值阈值e^*时超参数组在先验概率模型下的概率密度函数，p(τe)表示超参数组τ在条件e下的条件概率密度。

3.根据权利要求2所述的海事搜救对象轨迹预测方法，其特征在于，推荐函数如公式7和公式8所示；

e(τ)表示超参数组τ对应的评估损失值，p(e)表示评估损失值e的概率密度，k₁、k₂和k₃均为常量，g(τ)和l(τ)表示超参数组τ在不同概率密度函数g()和l()下的概率密度，τ'表示选取的超参数组。

4.根据权利要求1至3中任一项所述的海事搜救对象轨迹预测方法，其特征在于，神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果利用以下公式10确定；

s'＝f_θ([s,h]) 公式10

s表示历史时刻漂流轨迹坐标信息，s'表示预测的未来时刻漂流轨迹坐标信息，h表示隐含状态信息，[,]表示连接操作，f_θ神经网络预测子模型映射函数。