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: 2025116205669
申请人: 福建农林大学
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:

1.一种海漂轨迹预测模型训练方法,其特征在于,所述方法包括:获取目标海域的环境数据,并基于目标海域的环境数据及拉格朗日物理模型生成多条物理轨迹;

利用所述多条物理轨迹对基础海漂轨迹预测模型进行训练,生成第一海漂轨迹预测模型;

采集数据密集区域的多条真实观测轨迹,利用所述多条真实观测轨迹及方向和距离联合损失函数对所述第一海漂轨迹预测模型进行微调,生成第二海漂轨迹预测模型;

采集数据稀疏区域的环境数据,基于稀疏区域的环境数据及所述第二海漂轨迹预测模型生成与所述多条物理轨迹同分布的多条伪标签轨迹,计算并筛选置信度小于置信度阈值的多条高可信轨迹;

利用所述多条高可信轨迹对所述第二海漂轨迹预测模型进行训练,生成目标海漂轨迹预测模型;

其中,所述方向和距离联合损失函数基于欧氏距离约束项和余弦距离约束项构建得到;所述欧氏距离约束项用于约束预测位置与真实位置的空间偏差;所述余弦距离约束项用于约束预测轨迹与真实轨迹的方向向量夹角;

所述计算并筛选置信度小于置信度阈值的多条高可信轨迹,包括:采用所述拉格朗日物理模型生成与所述多个真实观测轨迹同分布的多条对比轨迹;

计算每条真实观测轨迹与其对应的对比轨迹的置信度;

取所有置信度的设定百分位数作为置信度阈值;

对于每条伪标签轨迹,计算其与对应的物理轨迹的置信度;

从多条伪标签轨迹中筛选出置信度小于置信度阈值的多条高可信轨迹。

2.根据权利要求1所述的方法,其特征在于,所述基于目标海域的环境数据及拉格朗日物理模型生成多条物理轨迹,包括:在目标海域内构建网格系统,并在网格系统中预设多个海漂模拟起点;

基于多个海漂模拟起点和环境数据,利用所述拉格朗日物理模型及轨迹生成规则生成多条物理轨迹;所述轨迹生成规则包括轨迹覆盖时段、预设生成起始时间、轨迹时长阈值及预设轨迹时间步长;

对于每条物理轨迹,绑定其对应的时间戳数据、坐标数据及环境数据。

3.根据权利要求2所述的方法,其特征在于,所述利用所述多条物理轨迹对基础海漂轨迹预测模型进行训练,包括:构建基础海漂轨迹预测模型;

以多条物理轨迹及物理轨迹对应的时间戳数据、坐标数据及环境数据为输入,训练基础海漂轨迹预测模型学习通用物理漂移运动规律。

4.根据权利要求1所述的方法,其特征在于,所述采集数据密集区域的多条真实观测轨迹,包括:采集数据密集区域的多个初始真实观测轨迹;

对多条初始真实观测轨迹进行预处理,得到多条真实观测轨迹;

对于每条真实观测轨迹,绑定其对应的时间戳数据、坐标数据及环境数据;

其中,对多条初始真实观测轨迹进行预处理,包括以下操作至少之一:剔除多条初始真实观测轨迹中轨迹时长小于设定时长阈值和/或缺失率大于设定缺失阈值的初始真实观测轨迹;

通过速度阈值和方向突变识别,剔除初始真实观测轨迹中速度异常及发生方向突变的轨迹点,并采用线性插值法对剔除的轨迹点进行补全;

采用三点滑动窗口法对初始真实观测轨迹进行平滑处理以消除噪声。

5.根据权利要求1所述的方法,其特征在于,所述利用所述多条真实观测轨迹及方向和距离联合损失函数对所述第一海漂轨迹预测模型进行微调,包括:冻结所述第一海漂轨迹预测模型中与通用物理漂移运动规律对应的核心参数,并对所述第一海漂轨迹预测模型的顶层参数进行解冻;

以多条真实观测轨迹及真实观测轨迹对应的时间戳数据、坐标数据及环境数据为输入,采用方向和距离联合损失函数对所述第一海漂轨迹预测模型进行微调,以使第一海漂轨迹预测模型学习真实漂移运动规律。

6.根据权利要求2所述的方法,其特征在于,所述基于稀疏区域的环境数据及所述第二海漂轨迹预测模型生成与所述多条物理轨迹同分布的多条伪标签轨迹,包括:基于稀疏区域的环境数据、所述多个海漂模拟起点及所述轨迹生成规则,利用所述第二海漂轨迹预测模型生成多条伪标签轨迹,以使所述多条伪标签轨迹与所述多条物理轨迹同分布。

7.根据权利要求1所述的方法,其特征在于,所述方法还包括:接收轨迹预测请求,所述轨迹预测请求包括历史轨迹数据、待预测时段及待预测时段对应的环境数据;

将所述历史轨迹数据、所述待预测时段及所述待预测时段对应的环境数据输入所述目标海漂轨迹预测模型,得到轨迹预测结果。

8.一种海漂轨迹预测模型训练装置,其特征在于,所述装置包括:第一生成模块,用于获取目标海域的环境数据,并基于目标海域的环境数据及拉格朗日物理模型生成多条物理轨迹;

第一训练模型,利用所述多条物理轨迹对基础海漂轨迹预测模型进行训练,生成第一海漂轨迹预测模型;

第二训练模块,用于采集数据密集区域的多条真实观测轨迹,利用所述多条真实观测轨迹及方向和距离联合损失函数对所述第一海漂轨迹预测模型进行微调,生成第二海漂轨迹预测模型;

筛选模块,用于采集数据稀疏区域的环境数据,基于稀疏区域的环境数据及所述第二海漂轨迹预测模型生成与所述多条物理轨迹同分布的多条伪标签轨迹,计算并筛选置信度小于置信度阈值的多条高可信轨迹;

第三训练模块,用于利用所述多条高可信轨迹对所述第二海漂轨迹预测模型进行训练,生成目标海漂轨迹预测模型;

其中,所述方向和距离联合损失函数基于欧氏距离约束项和余弦距离约束项构建得到;所述欧氏距离约束项用于约束预测位置与真实位置的空间偏差;所述余弦距离约束项用于约束预测轨迹与真实轨迹的方向向量夹角;

所述筛选模块用于:

采用所述拉格朗日物理模型生成与所述多个真实观测轨迹同分布的多条对比轨迹;

计算每条真实观测轨迹与其对应的对比轨迹的置信度;

取所有置信度的设定百分位数作为置信度阈值;

对于每条伪标签轨迹,计算其与对应的物理轨迹的置信度;

从多条伪标签轨迹中筛选出置信度小于置信度阈值的多条高可信轨迹。