[发明专利]一种基于CNN和BILSTM的船舶轨迹预测方法

说明书

本发明公开了一种基于CNN和BILSTM的船舶轨迹预测方法。步骤1：对信息数据进行预处理；所述信息数据为通过船舶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。本发明用以解决复杂水上交通环境下船舶轨迹预测准确率较低的问题。

技术领域

本发明属于时间序列预测技术领域；具体涉及一种基于CNN和BILSTM的船舶轨迹预测方法。

背景技术

随着海运不断发展，加强船舶安全管理和重点目标监测更加迫切。在交通密集、状况复杂的很多沿海和港口的水域，海上交通事故预警的精确性和有效性也尤为重要。提前掌握船舶的走向信息能有效地减少船舶触礁和碰撞等海上交通事故的发生。船舶航行轨迹分析可以获得海上航道的有用信息和船舶的行为模式。由于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。

目前由于水上交通环境日益复杂，单一模型在准确度方面已经很难满足使用要求，如何解决船舶航迹预测的实时性与准确度提出了新的挑战。

发明内容

本发明提供了一种基于CNN和BILSTM的船舶轨迹预测方法，用以解决复杂水上交通环境下船舶轨迹预测准确率较低的问题。

本发明通过以下技术方案实现：

一种基于CNN和BILSTM的船舶轨迹预测方法，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。

进一步的，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。

进一步的，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：

进一步的，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。

进一步的，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。

进一步的，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。