[发明专利]一种长期船舶轨迹预测方法

说明书

本发明公开了一种长期船舶轨迹预测方法，包括：S1、将预测水域空间按照规则网格进行划分，计算船舶轨迹分布密度图；S2、由待预测船舶初始状态点生成初始状态域，在初始状态域内利用相似性搜索得到出发状态点集；S3、计算出发状态点集Δt时间后的点位集合；S4、使用密度聚类算法对点位集合聚类，提取聚类结果主要集群并计算代表点，得到代表点集合Rc；S5、计算Rc各点在船舶轨迹分布密度图对应的密度值；S6、根据Rc计算本轮预测状态点信息。本发明改进了已有船舶轨迹预测方法精度不够高且仅能实现单轨迹预测的缺陷，通过灵活调节阈值的方式实现多航行模式的轨迹预测，兼顾不同时刻航速及航向等重要信息预测。

技术领域

本发明涉及一种船舶轨迹预测方法，尤其涉及一种长期船舶轨迹预测方法。

背景技术

船舶轨迹预测是水上交通态势感知的重要组成部分，是实现智能航运的关键性技术。从预测时长上可将船舶轨迹预测分为短期预测和长期预测两个领域。短期预测常用于船舶避碰。与路上交通不同，由于船舶的巨大惯性，短期预测相对容易实现，传统的恒速预测模型（Constant Velocity Model，CVM）已经较为成熟，且已应用于商业产品。其他常见的预测方法中，中国专利文献号CN110070565B公开的一种基于图像叠加的船舶轨迹预测方法，采用卡尔曼滤波技术通过建模单船过去一段时间的运动来估计未来短期运动轨迹；中国专利文献号CN104484726B公开的船舶轨迹实时预测方法，运用隐马尔科夫模型同样可以利用单船在过去多个采样时刻的状态来预测下一采样时刻的状态。近年来，随着深度学习技术的崛起，不同深度的神经网络广泛用于短期船舶轨迹预测，其核心原理是将单船过去多个时刻的状态值按照时间序列输入神经网络模型进行训练，最终输出下一时刻船舶状态。

相比短期预测，长期预测的挑战性更高，它不仅需要考虑船舶过去的运动轨迹，还需要考虑航行水域的总体交通模式及通航条件等因素，因此很难通过直接改进现有机器学习模型实现。在已有的长期预测方法中，比较通用的做法是首先使用聚类技术对历史AIS船舶轨迹进行处理从而识别总体交通模式，再将待预测船舶过去的行为特征与总体模式进行匹配，估算其最大概率的未来航线从而实现长期预测，如中国专利文献号CN112164247A公布的一种基于船舶轨迹聚类的船舶航线预测方法。然而现有方法尚存在缺陷，一是只能实现单一模式轨迹预测，未考虑多航行模式的预测；二是只能预测船舶轨迹的形态及位置信息，无法预测沿途各时刻的航向及航速等信息。

发明内容

本发明所要解决的技术问题是提供一种长期船舶轨迹预测方法，改进已有船舶轨迹预测方法精度不够高且仅能实现单轨迹预测的缺陷，可以通过灵活调节阈值的方式实现多航行模式的轨迹预测，兼顾不同时刻航速及航向等重要信息预测，适用于内河海事监管、智能航运信息推送以及到港时间估计等应用领域。

本发明为解决上述技术问题而采用的技术方案是提供一种长期船舶轨迹预测方法，包括如下步骤：S1、将预测水域空间按照规则网格进行划分，在网格化基础上计算船舶轨迹分布密度图；S2、由待预测船舶初始状态点生成初始状态域，在初始状态域内利用相似性搜索得到出发状态点集；S3、计算出发状态点集Δt时间后的点位集合prediction_set；S4、使用密度聚类算法对prediction_set聚类，提取聚类结果主要集群并计算代表点，得到代表点集合R_c；S5、计算R_c各点在船舶轨迹分布密度图对应的密度值，如果低于设定的密度阈值，则将该点从R_c中去除；S6、根据R_c计算本轮预测状态点信息，再将其作为输入返回步骤S2，重复S2~S6，直到满足预测时长为止；S7、从最后一轮计算得到的预测状态点逐轮向上，根据预测状态点的生成关系连接得到最终预测轨迹。