1.一种船舶轨迹预测方法,其特征在于,包括以下步骤:
S1、从地面数据集中获取长度为g的第一观察序列,将第一观察序列输入第一机器学习模型,得到长度为l的中间预测序列中间预测序列具体获取过程包括:
将地面数据集中的观察序列的元素依次输入第一机器学习模型,其中,t表示当前轨迹序列中位置;
依据下式更新第一机器学习模型第j隐藏层的输出hj:hj=σj(hj-1wj+bj;θ),其中,第1隐藏层的隐藏状态h1为σ是第1隐藏层的激活函数,n是输入总数,bt是第1隐藏层的偏置,wt是连接层的权重,σj是第j隐藏层具有可学习参数θ的非线性激活函数,bj是第j隐藏层的偏置,wtj是第j层连接层的权重;
将由所有隐藏层的输出组成的向量输入全连接层,得到长度为l的中间预测序列中间预测序列具体获取过程包括:
将卫星数据集中的观察序列的元素依次输入第一机器学习模型,其中,t表示当前轨迹序列中位置;
依据下式获取第二机器学习模型的前向隐藏序列以及后向隐藏序列
其中是表示连接到卫星子块模型的隐藏状态的全连接层的输出集合,隐藏层状态维度大小为q,q与模型输入数据的维度大小相同,表示当前时刻输入的序列的轨迹点,即第二机器学习模型的输入样本点;
表示第二机器学习模型中前向层映射过程中的参数集:
表示输入到第二机器学习模型前向层中长度为g的轨迹序列中第i个时序点,表示第二机器学习模型中后向层映射过程中的参数集:表示输入到后向层中的长度为g的轨迹序列中第i个时序点,L表示量化误差,N表示训练样本的总个数,表示长度为h的映射样本中第i个时序点,θ表示每个输入到输出映射过程中的参数值;
拼接所述前向隐藏序列和所述后向隐藏序列,得到拼接后的状态序列,将拼接后的状态序列输入全连接层,得到长度为l的中间预测序列从卫星数据集中观察到的长度为g的第二观察序列,将第二观察序列输入第二机器学习模型,得到长度为l的中间预测序列S2、从地面-卫星混合数据集中选出相同轨迹段的长度为g的第三观察序列,将第三观察序列与中间预测序列中间预测序列进行融合,形成一个长度为g+2l的新融合输入数据所述地面-卫星混合数据集由地面数据集和卫星数据集混成而成;
S3、将所述新融合输入数据作为第三机器学习模型的输入,得到预测结果;
所述第一机器学习模型为多层感知器;所述第二机器学习模型和第三机器学习模型均为BiGRU神经网络。
2.根据权利要求1所述的船舶轨迹预测方法,其特征在于,所述第一机器学习模型、第二机器学习模型和第三机器的获取过程包括:采集的船舶时序轨迹数据作为地面AIS样本集,采集船舶时序轨迹数据作为卫星AIS样本集,混合地面AIS样本集和卫星AIS样本集,将混合数据集划分为训练集和测试集;
将所述训练集作为地面子模型和卫星子模型的输入,训练所述地面子模型和卫星子模型,得到第一机器学习模型和第二机器学习模型;
将训练过程中获得的最优地面子模型和卫星子模型的中间输出与混合数据集中的相同船舶的轨迹组合成新的融合训练集,将新的融合训练集输入到融合预测块中,训练所述融合预测块,得到第三机器学习模型。
3.根据权利要求1所述的船舶轨迹预测方法,其特征在于,步骤S3中,第j个轨迹序列点的预测结果表示为:其中,uj=BiGRU(μt,uj-1;θ),θ表示第三机器学习模型映射过程中的参数值,Wy和by是将第三机器学习模型输出映射到下一个预测位置的第三机器学习模型的可训练参数,是表示连接到第三机器学习模型的隐藏状态的输出集合,隐藏层状态维度大小为q,2q表示第三机器学习模型中总共数据维度大小,dj为第j个轨迹序列点与下一个轨迹序列点j+1的笛卡尔平面距离,即邻接距离,dj计算公式如下:latj+1表示第j+1个轨迹序列点的纬度,lonj+1表示第j+1个轨迹序列点的经度。
4.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1~3任一项所述方法的步骤。
5.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1~3任一项所述方法的步骤。