[发明专利]融合航线提取与趋势判断的海上目标位置预测方法

说明书

本发明提供了一种融合航线提取与趋势判断的海上目标位置预测方法，包括：步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果。本发明所述的融合航线提取与趋势判断的海上目标位置预测方法，适应性强、预测精准度高，不易受到噪声的影响解决了海上目标深层次移动规律的提取与可解释性问题，实现了海上目标高效、高精度的预测需求。

技术领域

本发明涉及时空大数据挖掘技术领域，特别涉及一种融合航线提取与趋势判断的海上目标位置预测方法。

背景技术

随着我国经济的快速发展，海上船舶的保有量持续增长。由于海域情况复杂，并且海上船舶的运动不受到实质空间边界的限制、船舶大小差异巨大，因此在交通密度大、情况复杂的港口处，海上船舶的运动经常出现航行路线交叉、重叠，甚至由于水体的特殊性，运动中的船舶难以相互避让，出现碰撞、堵塞等情况；严重影响了海上船舶的安全性和通畅性。因此，利用船舶实时信息准确、有效地对船舶轨迹进行追踪和预测是海上交通态势把握和事故预警的重要途径。

并且传感器技术和网络技术的发展和卫星AIS(Automatic IdentificationSystem)设备的使用，海上目标的定位和监控能力极大增强的同时，产生了海量的AIS轨迹数据；这些海量的AIS轨迹数据中包含了海上目标的潜在规律，并且这些数据具有可靠性高、连续性好、实时性强的特点，为海上目标的意图预测提供了数据基础。

现有基于AIS轨迹数据的海上目标的意图预测方法主要从两方面出发，即基于传统统计理论的方法和基于深度学习的方法。基于传统统计理论的方法主要是通过数理统计的方法分析历史数据，从而发现系统内部的潜在规律，从而实现轨迹的预测；传统统计理论具有模型较简单，计算方便的特点，然而其对数据质量要求高。基于深度学习的方法通过构建多隐藏层的大型神经网络来训练数据样本，学习系统特征，从而实现准确预测；基于深度学习的方法学习能力强，但是模型复杂，训练难度大。在现实世界中，海上环境多变、海上目标自身技术发展迅速、目的多变，对传统统计理论的预测精准度和深度学习模型的适应性提出了重大挑战。

综上所述，基于AIS轨迹数据的海上目标意图预测是当前把我海上态势、调控海上交通的重要手段之一，然而缺乏一种适应性强、预测精准度高的海上目标意图预测方法。

发明内容

本发明提供了一种融合航线提取与趋势判断的海上目标位置预测方法，其目的是为了传统的海上目标预测方法适应性低、预测精准度低，容易受到噪声的影响，难以捕捉海上目标深层次的移动规律，深度学习模型构建较为复杂，模型运算成本较高，且预测结果缺乏可解释性的问题。

为了达到上述目的，本发明的实施例提供了一种融合航线提取与趋势判断的海上目标位置预测方法，包括：

步骤1，对AIS轨迹数据进行数据预处理，将AIS轨迹数据中的轨迹按航程进行分段并剔除异常轨迹；

步骤2，分别选取预处理后的AIS轨迹数据中各个轨迹的起点和终点，采用DBSCAN聚类算法对选取的各个轨迹的起点进行聚类，得到起点聚类结果，采用DBSCAN聚类算法对选取的各个轨迹的终点进行聚类，得到终点聚类结果；

步骤3，根据起点聚类结果和终点聚类结果将预处理后的AIS轨迹数据中具有相同起点和相同终点的轨迹划分为同一类，对所有同一类轨迹采用DBSCAN聚类算法再次划分，得到轨迹聚类结果；

步骤4，采用Delaunay三角网算法分别将轨迹聚类结果中每同一类轨迹的所有轨迹合并为一条航线，得到多条航线并建立航线库；

步骤5，采用B样条曲线拟合方法分别对航线库中的每一条航线进行拟合，得到每一条航线的拟合函数；