欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202411571090X
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种船舶过桥航迹预测方法,其特征在于包括以下步骤:

步骤1、基于目标桥区水域的船舶AIS数据,得到若干条船舶从进入目标桥区所处航道起至离开目标桥区所处航道止的航迹的时间序列,使用格拉姆角场(Gramian AngularField,GAF)分别将每条船舶的航迹的时间序列转化为RGB图像,将该RGB图像称为航迹RGB图像,此时转换得到若干幅航迹RGB图像,采用得到的若干幅航迹RGB图像构成训练样本集,其中每幅航迹RGB图像均作为训练样本集中的一个训练样本;

步骤2、在GAN模型的生成器和判别器中均引入卷积神经网络和注意力机制,得到改进后的GAN模型,将改进后的GAN模型作为船舶过桥航迹预测模型;

步骤3、使用训练样本集训练船舶过桥航迹预测模型,直至船舶过桥航迹预测模型的预测精度符合预设精度要求,得到训练后的船舶过桥航迹预测模型;

步骤4、当对某条船舶的过桥航迹进行预测时,将该条船舶从进入目标桥区所处航道开始至预测当前时刻止的历史航迹的时间序列转化为RGB图像,该RGB图像为该条船舶的航迹RGB图像,然后将该条船舶的航迹RGB图像作为训练后的船舶过桥航迹预测模型的输入数据,采用训练后的船舶过桥航迹预测模型对该条船舶的航迹RGB图像进行预测,得到该条船舶的预测航迹RGB图像输出;

步骤5、将该条船舶的预测航迹RGB图像逆转化为时间序列,该时间序列即为该条船舶的过桥航迹的预测结果,完成该条船舶过桥航迹预测。

2.根据权利要求1所述的一种船舶过桥航迹预测方法,其特征在于所述的步骤1中基于目标桥区水域的船舶AIS数据,得到若干条船舶从进入目标桥区所处航道起至离开目标桥区所处航道止的航迹的时间序列,使用GAF分别将每条船舶的航迹的时间序列转化为RGB图像的具体过程为:步骤A1、获取目标桥区水域的M条船舶的AIS数据,M根据实际预测需求确定,理论上取值越大越好,将M条船舶按照1至M随机编号,将编号为i的船舶称为第i条船舶,i=1,2,...,M;

分别使用每条船舶的AIS数据中的经度、纬度、航向、航速以及时间戳来描述每条船舶的每个航迹点的船舶航行特征,具体为:将每条船舶的AIS数据中每个航迹点分别称为原始航迹点,将第i条船舶在其第ji个原始航迹点的船舶航行特征记为Niji,其中,ji=1,2,...,ni,ni表示第i条船舶经过的原始航迹点的数量,如式(1)所示:其中,表示第i条船舶在其第ji个原始航迹点的经度,表示第i条船舶在其第ji个原始航迹点的纬度,表示第i条船舶在其第ji个原始航迹点的航向,表示第i条船舶在其第ji个原始航迹点的航速,表示第i条船舶在其第ji个原始航迹点的时间戳;

将第i条船舶的原始航行行为序列记为Si,

步骤A2、采用拉格朗日插值法对第i条船舶的原始航行行为序列Si进行插值,得到第i条船舶的插值航行行为序列,将其记为Ci其中,mi表示对第i条船舶的原始航行行为序列Si进行插值后第i条船舶经过的航迹点的数量,将对第i条船舶的原始航行行为序列Si进行插值后第i条船舶经过的航迹点称为插值航迹点,即第i条船舶经过mi个插值航迹点,表示第i条船舶在其第ki个插值航迹点的船舶航行特征,ki=1,2,...,mi,表示第i条船舶在其第ki个插值航迹点的经度,表示第i条船舶在其第ki个插值航迹点的纬度,表示第i条船舶在其第ki个插值航迹点的航向,表示第i条船舶在其第ki个插值航迹点的航速,表示第i条船舶在其第ki个插值航迹点的时间戳;

步骤A3、设置航迹点数量阈值为60,分别判断每条船舶经过的插值航迹点的数量是否小于60,如果小于60,则将该条船舶的插值航行行为序列删除,否则保留;

统计此时保留的所有船舶的插值航行行为序列数量,将其记为W,即此时保留了W条船舶的插值航行行为序列,将该W条船舶称为保留船舶,即W条保留船舶;

将第w条保留船舶的插值航行行为序列记为Dw,sw表示第w条保留船舶经过的插值航迹点的数量,w=1,2,...,W,表示第w条保留船舶在其第ew个插值航迹点的船舶航行特征,ew=1,2,...,sw,sw表示第w条保留船舶的插值航迹点的数量,表示第w条保留船舶在其第ew个插值航迹点的经度,表示第w条保留船舶在其第ew个插值航迹点的纬度,表示第w条保留船舶在其第ew个插值航迹点的航向,表示第w条保留船舶在其第ew个插值航迹点的航速,表示第w条保留船舶在其第ew个插值航迹点的时间戳;

步骤A4、基于第w条保留船舶的插值航行行为序列Dw为第w条保留船舶构建5个子序列,第1个子序列为经度子序列,第2个子序列为纬度子序列,第3个子序列为航向子序列,第4个子序列为航速子序列,第5个子序列为时间戳子序列,将第w条保留船舶的经度子序列记为纬度子序列记为航向子序列记为航速子序列记为时间戳子序列记为为的第ew个数据,记为为的第ew个数据,记为为的第ew个数据,记为为的第ew个数据,记为为的第ew个数据,记为步骤A5、采用公式(2)对第w条保留船舶的第α个子序列的第ew个数据进行缩放,其中,α=1,2,...,5,得到第w条保留船舶的第α个子序列的第ew个数据的缩放数据其中,表示中的最大数据,表示中的最小数据;

采用得到的至构成第w条保留船舶的第α个缩放子序列为第α个缩放子序列的第ew个数据:

步骤A6、采用公式(3)对第w条保留船舶的第α个缩放子序列的第ew个数据进行转换,得到第w条保留船舶的第α个缩放子序列的第ew个数据的极坐标的角度其中,arccos为反余弦符号;

采用得到的至构成第w条保留船舶的第α个缩放子序列的极坐标的角度序列为的第ew个数据,即为第w条保留船舶的航迹的第α个时间序列;

步骤A7、使用格拉姆角场(Gramian Angular Field,GAF)的格拉姆角和场(GramianAngular Summation Fields,GASF)或者格拉姆角差场(Gramian Angular DifferenceFields,GADF)将每条保留船舶的航迹的时间序列转化为RGB图像,即航迹RGB图像,此时得到W个航迹RGB图像。

3.根据权利要求2所述的一种船舶过桥航迹预测方法,其特征在于所述的步骤A7中,使用格拉姆角场(Gramian Angular Field,GAF)的格拉姆角和场(Gramian AngularSummation Fields,GASF)将第w条保留船舶的时间序列转化为航迹RGB图像的具体过程为:步骤B1、采用公式(4)计算得到第w条保留船舶的航迹的第α个时间序列的RGB图像像素矩阵:

步骤B2、将第w条保留船舶的航迹的5个时间序列的RGB图像像素矩阵采用式(5)进行拼接,得到第w条保留船舶的航迹的RGB图像像素矩阵:步骤B3、基于第w条保留船舶的航迹的RGB图像像素矩阵生成第w条保留船舶的航迹RGB图像。

4.根据权利要求2所述的一种船舶过桥航迹预测方法,其特征在于所述的步骤A7中,使用格拉姆角场(Gramian Angular Field,GAF)的格拉姆角差场(Gramian AngularDifference Fields,GADF)将第w条保留船舶的时间序列转化为航迹RGB图像的具体过程为:步骤C1、采用公式(6)计算得到第w条保留船舶的航迹的第α个时间序列的RGB图像像素矩阵:

步骤C2、将第w条保留船舶的航迹的5个时间序列的RGB图像像素矩阵采用式(7)进行拼接,得到第w条保留船舶的航迹的RGB图像像素矩阵:步骤C3、基于第w条保留船舶的航迹的RGB图像像素矩阵生成第w条保留船舶的航迹RGB图像。

5.根据权利要求1所述的一种船舶过桥航迹预测方法,其特征在于所述的船舶过桥航迹预测模型包括生成器和判别器,所述的生成器包括一维卷积神经网络层、注意力层以及全连接层,将其一维卷积神经网络层称为第一个一维卷积神经网络层,其注意力层称为第一个注意力层,其全连接层称为第一个全连接层;第一个一维卷积神经网络层用于接入预先构造好的满足正态分布的随机噪声向量,并对其进行初步的特征提取和维度扩展,构建包含生成图像所需信息的潜在特征,输出至第一个注意力层,第一个注意力层用于对第一个一维卷积神经网络层输出至其处的潜在特征进行筛选和加权,以聚焦关键特征和整合特征信息,得到特征加权后的图像特征输出至第一个全连接层,第一个全连接层用于对第一个注意力层输出至其处的特征加权后的图像特征进行整合和映射至图像空间,生成最终的RGB图像,即预测航迹RGB图像,并将其输出;所述的判别器包括一维卷积神经网络层、注意力层和全连接层,将其一维卷积神经网络层称为第二个一维卷积神经网络层,其注意力层称为第二个注意力层,其全连接层称为第二个全连接层;第二个一维卷积神经网络层用于接入第一个全连接层输出的预测RGB图像和真实RGB图像,其中真实RGB图像为使用格拉姆角场(Gramian Angular Field,GAF)将船舶的航迹的时间序列转化得到的航迹RGB图像,并对二者进行初步的图像特征提取和特征差异比较,得到初步图像特征输出至第二个注意力层,第二个注意力层用于进一步聚焦于第二个一维卷积神经网络输出至其处的初步图像特征中对真实性判断更有价值的特征,对第二个一维卷积神经网络输出至其处的初步图像特征进行筛选和加权,得到筛选加权图像特征输出至第二个全连接层,第二个全连接层用于对第二个注意力层输出至其处的筛选加权图像特征进行综合分析,得到判断结果,该判断结果为第二个一维卷积神经网络层接入的预测RGB图像和真实RGB图像这两类RGB图像是真实图像还是生成图像的概率估计值。

6.根据权利要求1所述的一种船舶过桥航迹预测方法,其特征在于所述的步骤4中对某条船舶的过桥航迹进行预测时,将该条船舶从进入目标桥区所处航道开始至预测当前时刻止的历史航迹的时间序列转化为RGB图像的具体过程为:先获取该条船舶从进入目标桥区所处航道开始至预测当前时刻止的AIS数据,按照步骤A1至步骤A2对该条船舶的AIS数据进行处理,得到该条船舶的插值航行行为序列,然后将该条船舶直接作为保留船舶,采用步骤A4至步骤A7进行处理,得到该条船舶的航迹RGB图像。

7.根据权利要求6所述的一种船舶过桥航迹预测方法,其特征在于所述的步骤5将该条船舶的预测航迹RGB图像逆转化为时间序列的具体过程为:步骤D1、将该条船舶的预测航迹RGB图像对应的RGB像素矩阵记为GAF,GAF由预测得到该条船舶的航迹的5个时间序列的RGB图像像素矩阵构成,将预测得到的该条船舶的航迹的第α个时间序列的RGB图像像素矩阵记为GAFα,将GAFα的行数和列数均记为d,即GAFα为d阶方阵,预测得到的该条船舶的航迹的插值航迹点的数量为d;将GAFα中的第b行第b列的像素值记为(GAFα)b,b,b=1,2,...,d;

步骤D2、使用公式(8)将预测得到的该条船舶的航迹的第α个时间序列的RGB图像像素矩阵GAFα中第b行第b列的像素值(GAFα)b,b进行逆转化,得到对应的时间数据步骤D3、将进行反归一化处理,得到||为取绝对值符号;

步骤D4、采用至构成预测得到的该条船舶的第α个时间子序列其中,为预测得到的该条船舶的第α个时间子序列的第d个时间数据;

步骤D5、按顺序将第1个时间子序列至第5个时间子序列拼接,形成时间序列,该时间序列即为该条船舶的过桥航迹的预测结果,完成该条船舶过桥航迹预测。