[发明专利]一种基于CNN和BILSTM的船舶轨迹预测方法

权利要求书

1.一种基于CNN和BILSTM的船舶轨迹预测方法，其特征在于，包括以下步骤：

步骤1：对信息数据进行预处理；所述信息数据为通过船舶自动识别系统AIS采集的包括经度、纬度、航向和航速；

步骤2：将步骤1中预处理后的信息数据划分训练集和测试集；

步骤3：将步骤2的训练集导入到卷积神经网络CNN中进行特征提取；

步骤4：将步骤3提取到的特征和训练集的数据结合构成轨迹预测的输入数据；

步骤5：将步骤4的输入数据导入到BILSTM神经网络模型进行学习，获得轨迹数据中的隐含的船舶运动规律模型；

步骤6：利用步骤5的模型进行船舶的轨迹预测。

2.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤1的预处理具体为筛选出船舶自动识别系统AIS中与对船舶轨迹预测影响程度较大的信息，删除船舶自动识别系统AIS中明显错误的数据，对于船舶轨迹数据十分稀疏的数据全部删除，对于船舶轨迹数据缺失较少的数据，采用线性插值的方法进行修正。

3.根据权利要求2所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述线性插值方法具体为，设(t_j,p_j)为缺失数据，距离缺失数据最近的两个数据分别为(t_i,p_i)和(t_k,p_k)，则补全的数据为：

4.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤2将预处理后的信息数据进行归一化处理，再按照8:2将数据分为训练集和测试集。

5.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤3中的训练集作为输入数据输入一维卷积神经网络，经过卷积层中卷积核的卷积计算获得数据特征。

6.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤4具体为，将卷积层输出的特征数据输入池化层并进行平均池化处理，缩小数据矩阵大小，最后把卷积神经网络的输出结果作为输入到BILSTM中进行进一步的提取。

7.根据权利要求1所述的基于CNN和BILSTM的船舶轨迹预测方法，其特征在于：所述步骤5具体为，BILSTM网络的输入门，输出门，遗忘门分别对应本发明中船舶轨迹特征序列的写入、读取和先前状态的重置操作，在Forward层从1时刻到t时刻正向计算一遍，得到并保存每个时刻向前隐含层的输出，在Backward层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻向后隐含层的输出，最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出。