申请/专利权人：海华电子企业(中国)有限公司

申请日：2023-12-29

公开（公告）日：2024-04-09

公开（公告）号：CN117491987B

主分类号：G01S13/66

分类号：G01S13/66;G01C21/20;G01S7/02;G06N3/0442;G06N3/048;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明公开了基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，包括以下步骤：采集船舶连续轨迹数据，作为模型的训练和验证数据；采集船舶轨迹数据，作为待拼接数据；建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行模型的正向、反向模型的训练和验证；将雷达观测到的某个船舶的轨迹作为研究对象，输入到模型进行预测；预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。本发明采用了轨迹预测算法和时空距离算法相结合的方式，弥补了算法单一的不足，且提供了正序拼接和逆序拼接两种方式，两种方式可交叉验证，进一步验证了算法的准确性。

主权项：1.基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法，其特征在于，包括以下步骤：1）通过AIS接收设备采集船舶连续轨迹数据，作为LSTM轨迹预测模型的训练和验证数据；通过雷达设备采集船舶轨迹数据，作为待拼接数据；具体为：11）对AIS接收设备采集船舶连续轨迹数据进行过滤，形成包含船舶标识和采集时间和经度坐标和纬度坐标和对地航向和对地速度的向量；12）对于经步骤11）过滤后的轨迹数据，分别对经度坐标、纬度坐标、对地航向、对地速度进行归一化处理；13）对步骤12）形成的归一化后的每一条轨迹，按照时间正序排列，形成时间正序归一化轨迹；14）对步骤12）形成的归一化后的每一条轨迹，按照时间逆序排列，形成时间逆序归一化轨迹；15）对步骤13）、14）的每一条轨迹，采用每k个轨迹点作为样本，后续第k+1个轨迹点作为标签，依此类推，形成数据集；16）对步骤15）形成的数据集，取特征向量[longitude、latitude、cog、sog]，按照预设比例，分别形成正序和逆序的训练集和验证集；其中，longitude为经度坐标，latitude为纬度坐标，cog为对地航向，sog为对地速度；2）建立LSTM轨迹预测模型，使用AIS接收设备采集的船舶连续轨迹的历史数据，依据时间正序、逆序分别进行LSTM轨迹预测模型的正向、反向模型的训练和验证；具体为：21）构建LSTM轨迹预测模型框架，所述LSTM轨迹预测模型包括1个LSTM层、一个Dense层，其中：LSTM隐藏层尺寸为108，输入数据有3个维度，分别是[batch_size,window_size,feature_size]，其中：batch_size指批次大小；window_size指窗口大小；feature_size指特征向量的维度，即经度和纬度和航向和航速；22）调节超参数和损失函数和优化器来优化LSTM轨迹预测模型，在进行模型训练前，需要设置模型有关的超参数；模型优化器采用使用Adam优化器，损失函数采用MSE损失函数；使用准确率作为模型评价函数；设置训练epoch为20，batch_size为32；23）根据步骤22）搭建的LSTM轨迹预测模型，使用步骤1）处理好的训练数据集进行训练，使用步骤1）的验证数据集上进行验证，将预测效果最好的LSTM轨迹预测模型保存为最优化模型，即完成LSTM轨迹预测模型的构建；这里分别训练两个模型，分别为时间正序模型和时间逆序模型；3）将雷达观测到的某个船舶的轨迹作为研究对象，输入到LSTM轨迹预测模型进行预测；4）预测的结果再和雷达观测到的其它船舶轨迹通过轨迹拼接算法进行拼接，并返回拼接结果。

全文数据：

权利要求：

百度查询： 海华电子企业(中国)有限公司 基于LSTM神经网络和时空运动距离算法的船舶轨迹拼接方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD