详情

原文传递船舶自动识别系统航行轨迹预测方法

专利名称：	船舶自动识别系统航行轨迹预测方法
摘要：	本发明涉及一种船舶自动识别系统航行轨迹预测方法，首先采用SimCTSE时序训练方法对历史AIS数据集进行训练，增强了CLC‑Transformer模型中编码器提取时序特征的能力，从而增强预测效果，提升了船舶航行轨迹预测准确率。本发明提出的CLC‑Transformer模型中具有多层一维卷积层、自注意力机制层，并引入了残差连接、批归一化的结构，使得模型具有很高的非线性处理能力。本发明通过基于区域划分的训练策略，将模型的输出特征向量组与目标潜在的运动方向绑定在一起，对目标未来可能的运动区域进行划分，使得划分后模型搜索的空间减少，更容易通过梯度下降算法进行优化。本发明方法在简化了模型训练过程的同时，增强了模型的预测效果，从而提升了船舶航行轨迹的预测准确率。
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	中国船舶集团有限公司第七○八研究所
发明人：	卢威;李德海;温珍平;许浩东;吴永顺;杨素军;夏召丹;孙群
专利状态：	有效
申请日期：	2023-07-12T00:00:00+0800
发布日期：	2023-11-28T00:00:00+0800
申请号：	CN202310855949.9
公开号：	CN117131371A
代理机构：	上海申汇专利代理有限公司
代理人：	翁若莹;徐颖
分类号：	G06F18/214;G06F18/22;G06N3/0442;G06N3/0455;G06N3/08;G06N3/0464;G06F18/213;G06F17/16;G06F123/02;G;G06;G06F;G06N;G06F18;G06N3;G06F17;G06F123;G06F18/214;G06F18/22;G06N3/0442;G06N3/0455;G06N3/08;G06N3/0464;G06F18/213;G06F17/16;G06F123/02
申请人地址：	200001 上海市黄浦区西藏南路1688号
主权项：	1.一种船舶自动识别系统航行轨迹预测方法，其特征在于，具体包括如下步骤： S1、获取待预测目标船舶的相对当前的选定历史船舶自动识别系统AIS运行状态数据，将待预测目标船舶的历史AIS运行状态数据输入到训练后的CLC-Transformer模型中，获取包含时序信息的方向特征向量组；所述CLC-Transformer模型包括：编码器端、解码器端； S101、获取选定的待预测目标船舶的历史AIS运行状态数据，将其输入到编码器端中，获取目标的运动时序特征； S102、将预设的船舶所需方向特征向量组和编码器端输出的目标的运动时序特征输入到解码器端中获得包含时序信息的方向特征向量组； S2、在包含时序信息的方向特征向量组基础上，与预测目标潜在运动区域关联出一个包含时序信息的方向特征向量； S3、将S2获得的包含时序信息的方向特征向量和预设的目标船舶AIS航行数据中的航行最终点输入到轨迹解码器中，获得预测的船舶AIS航行轨迹。 2.根据权利要求1所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述CLC-Transformer模型中编码器端模型结构包括：分块长短时记忆网络C-LSTM和MixResNet； C-LSTM结构以参数共享长短时记忆网络为核心，首先按照数据长度与预设的切分块数对数据进行补0操作，确保填充后的时序数据长度能够整除切分块数；然后将输入的时序数据按照切分块数转换为多块时序数据块，分别送入长短时记忆网络，C-LSTM负责时序数据特征的预提取，并将变长的时序数据转换为固定块数、固定嵌入维度时序嵌入数据，使得后续的MixResNet处理变长时序数据；MixResNet由3个不同尺度的一维残差卷积分支组成，卷积尺度分别为3、5、7，该结构从不同的卷积尺度上对数据进行特征再提取，并通过后续的1x1卷积Mix层对三个分支提取的特征进行通道融合，再经过全连接层获取输出，MixResNet负责对时序数据进行多尺度特征提取，并进行融合以获取更好的时序特征嵌入。 3.根据权利要求2所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述CLC-Transformer模型中编码器端模型训练方法如下： 1)数据处理：获取待预测目标船舶的历史AIS运行状态时序数据用于模型训练，对时序数据进行划分，获得时序数据中锚点数据和邻域数据，具体为： 1.1)获取时序数据，按照预设固定窗口Wn大小对时序数据进行切分，获得切分后的时序数据； 1.2)在每个固定窗口Wn数据内部的中心按照预设的锚点数据长度生成锚点数据Wanc，然后在锚点数据中心至其左侧或右两侧的可选取值范围内，确定邻域数据的中心，按照预设的邻域数据长度生成邻域数据Wpos，，并确保邻域Wpos不会取到固定窗口数据Wn外，邻域数据长度与锚点数据长度相同，从而获得一组锚点数据和一组邻域数据；其中，同一窗口内的锚点数据和邻域数据为一对正样本，不同窗口的邻域数据和锚点数据为一对负样本； 2)编码器端训练：采用SimCTSE方法利用锚点数据和邻域数据对CLC-Transformer模型中编码器模型进行预训练，获得预训练后的时序模型即为CLC-Transformer模型中编码器端，具体为： 2.1)将生成的锚点数据和邻域数据输入到需要预训练的CLCE中，令编码器模型对锚点数据和邻域数据进行嵌入获取锚点嵌入和邻域嵌入数据，其中锚点嵌入第i’个位置上的数据与邻域嵌入第i’个位置的数据互为一对嵌入正样本； 2.2)对锚点嵌入数据和邻域嵌入数据进行连接与复制操作获得Query矩阵和Key矩阵：首先，将每对嵌入正样本中的一个锚点嵌入数据的尾部和一个邻域嵌入数据的首部进行连接，获得Query矩阵；然后，将Query矩阵复制，获得Key矩阵； 2.3)对Query矩阵中的每个向量与Key矩阵中的每个向量计算余弦相似度，并删除相同嵌入数据的余弦值，从而获取锚点嵌入数据与邻域嵌入数据间的余弦相似度矩阵Logits；余弦相似度的计算公式，如下式：其中，x1是Query矩阵中的任一值，x2是Key矩阵中的任一值； Logits矩阵中第i行中的每个值为Query矩阵中第i个嵌入数据与Key矩阵中每个嵌入数据的余弦相似度； 2.4)按照嵌入锚点数据和嵌入邻域数据间的嵌入正样本对关系为Logits矩阵中的每行向量生成标签：首先，对于Logits矩阵中的第i行向量组，该向量组中每列向量都是Query矩阵中第i行嵌入向量与Key矩阵中的每个嵌入向量的余弦相似度；然后，对于Logits矩阵中第i行向量组，根据正样本对关系，从该行向量组中选择出一列向量，这一列向量表示Query中的第i个嵌入向量与Key矩阵中能够与Query中第i个嵌入向量构成正样本对关系的向量的余弦相似度，将这一列向量的编号作为第i行向量组的标签；其中，Logits矩阵中(i，j)位置的值表示Query矩阵中第i个嵌入向量与Key矩阵中第j个嵌入向量的余弦相似度，而生成的标签用于模型训练过程中的参数优化，在优化过程通过标签告诉模型应该令Logits矩阵中每一行的哪个位置的余弦相似度最大，模型是在学习如何令标签位置的余弦相似度最大；采用交叉熵函数作为编辑器模型预训练的损失函数，最终得到预训练后的时序模型； 2.5)利用2.3获得的Logits矩阵及2.4获得的标签进行学习任务，使标签位置的余弦相似度最大，从而获得训练后编码器。 4.根据权利要求3所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述步骤S102具体实现方法：通过CLC-Transformer模型中训练后编码器端模型对目标过去的AIS运行数据进行特征提取，获取目标的运动时序特征并将该特征作为注意力机制的Key和Value传递给CLC-Transformer模型的解码器端；解码器端通过自注意力机制和注意力机制对编码器端的目标运动时序特征进行汇聚，将该特征汇聚至目标的潜在运动方向向量组中，作为CLC-Transformer模型的最终输出。 5.根据权利要求4所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述CLC-Transformer模型中解码器端结构，依次包括：词嵌入层、第一多头自注意力层、第一相加与归一化层、第二多头注意力层、第二相加与归一化层、全连接层、第三相加与归一化层；首先，利用词嵌入层对预设的船舶所需方向特征向量组进行初始化，获得初始化后的方向特征向量组；所述初始化后的方向特征向量组中的向量数与目标运动潜在方向数目相同；然后，将初始化后的方向特征向量组输入到第一多头自注意力层，每个注意力头下经过3次不同的线性变化获得注意力机制中的Key、Query、Value向量，Query与Key向量首先进行缩放点积操作，获取注意力分数，令注意力分数与Value向量相乘获取自注意力层的输出；然后，第一多头注意力层的输出经过第一相加与归一化层，自注意力层的输出与之前自注意力层的输入直接相加，并经过层归一化处理；然后，重复上述操作，但此时第二多头注意力层中的Key与Value的输入为编码器端的输出，Query的输入为之前第一相加与归一化层的输出，再次经过计算后获取输出，并经过第二相加与归一化层，但此时相加的值为第一相加与归一化层的输出；最后，经过3层全连接层对数据进行非线性变换，但不改变输入数据的维度，全连接层的输出给入第三相加与归一化层获取最终输出。 6.根据权利要求5所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述S2中的在包含时序信息的方向特征向量组基础上，与预测目标潜在运动区域关联出一个包含时序信息的方向特征向量，具体关联方法如下： S201、根据CLC-Transformer模型的输入时序数据中首个点与预设的AIS数据中最终点的位置关系，生成区域特征选择矩阵，该矩阵的行数为1，列数与CLC-Transformer模型的输出向量个数相同，矩阵由多个0和一个1组成； S202、将S201获得的区域特征选择矩阵和CLC-Transformer模型输出的特征向量组进行矩阵乘法，获得的矩阵即为关联出的一个包含时序信息的方向特征向量。 7.根据权利要求1至6中任意一项所述船舶自动识别系统航行轨迹预测方法，其特征在于，所述轨迹解码器包括：LSTM神经元、全连接层；将S2获得的包含时序信息的方向特征向量和预设的AIS数据中最终点轨迹输入到LSTM神经单元中，LSTM神经元输出的数据，输入到全连接层，全连接层输出n时刻的目标未来轨迹，将n时刻的目标未来轨迹，输入回LSTM神经元，LSTM神经元输出的数据，输入到全连接层，全连接层输出n+1时刻的目标未来轨迹，依次循环，获得目标未来一段时间的轨迹。 8.一种用于船舶自动识别系统航行轨迹预测的CLC-Transformer模型，其特征在于，包括编码器和解码器；所述编码器结构包括：分块长短时记忆网络C-LSTM和MixResNet；分块长短时记忆网络C-LSTM对时序数据特征的预提取，并将变长的时序数据转换为固定块数、固定嵌入维度时序嵌入数据送MixResNet，MixResNet处理变长时序数据对时序数据进行多尺度特征提取；所述编码器输入目标船舶的历史AIS运行状态数据，获取目标的运动时序特征；所述解码器端结构，依次包括：词嵌入层、第一多头自注意力层、第一相加与归一化层、第二多头注意力层、第二相加与归一化层、全连接层、第三相加与归一化层；接收编码器输出的目标的运动时序特征，将目标运动时序特征汇聚至目标的潜在运动方向向量组中，获得包含时序信息的方向特征向量组。 9.根据权利要求8所述用于船舶自动识别系统航行轨迹预测的CLC-Transformer模型，其特征在于，所述分块长短时记忆网络C-LSTM以参数共享长短时记忆网络为核心，负责时序数据特征的预提取，并将变长的时序数据转换为固定块数、固定嵌入维度时序嵌入数据，使得后续的MixResNet处理变长时序数据；所述MixResNet由3个不同尺度的一维残差卷积分支组成，从不同的卷积尺度上对数据进行特征再提取，并通过后续的1x1卷积Mix层对三个分支提取的特征进行通道融合，再经过全连接层获取输出，MixResNet负责对时序数据进行多尺度特征提取，并进行融合以获取更好的时序特征嵌入。 10.根据权利要求8所述用于船舶自动识别系统航行轨迹预测的CLC-Transformer模型，其特征在于，所述解码器端的词嵌入层对预设的船舶所需方向特征向量组进行初始化，获得初始化后的方向特征向量组；所述初始化后的方向特征向量组中的向量数与目标运动潜在方向数目相同。
所属类别：	发明专利