船舶轨迹实时预测方法

文档序号:6640827阅读:745来源:国知局
船舶轨迹实时预测方法
【专利摘要】本发明涉及一种船舶轨迹实时预测方法,包括如下几个步骤,首先通过海面雷达获得船舶的实时和历史位置信息并做初步处理;然后在每一采样时刻对船舶轨迹数据预处理,然后在每一采样时刻对船舶轨迹数据聚类,再而在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,然后在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值所对应的隐状态q,最后在每一采样时刻通过设定预测时域W,基于船舶当前时刻的隐状态q,获取未来时段船舶的位置预测值O,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。本发明滚动实时对船舶轨迹进行预测,准确性较好,从而为后续船舶冲突解脱提供有力保障。
【专利说明】船舶轨迹实时预测方法

【技术领域】
[0001] 本发明涉及一种海域交通管制方法,尤其涉及一种基于滚动规划策略的船舶轨迹 实时预测方法。

【背景技术】
[0002] 随着全球航运业的快速发展,部分繁忙海域内的交通愈加拥挤。在船舶交通流密 集复杂海域,针对船舶间的冲突情形仍然采用航行计划结合人工间隔调配的管制方式已不 能适应航运业的快速发展。为保证船舶间的安全间隔,实施有效的冲突调配就成为海域交 通管制工作的重点。船舶冲突解脱是航海领域中的一项关键技术,安全高效的解脱方案对 于增加海域船舶流量以及确保海运安全具有重大意义。
[0003] 为了提高船舶的航行效率,船用雷达自动标绘仪目前已经被广泛应用到船舶监控 和避碰中,该设备通过提取船舶相关信息为船舶间冲突情形的判定提供参考依据。尽管此 类设备极大降低了人工监控的负荷,但它并不具备船舶自动冲突解脱功能。而船舶冲突解 脱是基于对船舶轨迹的预测的基础上,在船舶实际航行中,受气象条件、导航设备以及驾驶 员操作等各种因素的影响,它的运行状态往往不完全属于某一特定的运动状态,在船舶轨 迹预测过程中需要考虑各种随机因素的影响,通过获取各类随机因素的最新特性对其未来 轨迹实施滚动预测并增强其轨迹预测的鲁棒性。


【发明内容】

[0004] 本发明要解决的技术问题是提供一种鲁棒性较好的船舶轨迹实时预测方法,该方 法的船舶轨迹预测精度较高。
[0005] 实现本发明目的的技术方案是提供一种船舶轨迹实时预测方法,包括如下几个步 骤:
[0006] ①通过海面雷达获得船舶的实时和历史位置信息,各船舶的位置信息为离散二维 位置序列X' =[χ/,x2' ]和y' =[y/,y2',…,丫/ ],通过应用小波变 换理论对原始离散二维位置序列X' =[x/ ,X2',...,χη']和y' =[y/,y;/,...,yn']进行初步处理,从而获取船舶的去噪离散二维位置序列χ=[χρχ2, ...,χη]和y= Ly1,J2, ,yn];
[0007] ②在每一采样时刻对船舶轨迹数据预处理,依据所获取的船舶原始离散二维位置 序列X=[X1,x2, . . .,xn]和y=Iiy1,y2, . . .,yn],采用一阶差分方法对其进行处理获取新 的船舶离散位置序列ΔX= [ΔX1,Δχ2, · · ·,Δxn_J和Δy= [Δy17Δy2,…,Δyn_J,其 中Axi =Xi+1-Xi,Ayi =yi+1-yi(i= 1,2, · · ·,n-1);
[0008] ③在每一采样时刻对船舶轨迹数据聚类,对处理后新的船舶离散二维位置序列 Λχ和Ay,通过设定聚类个数M',采用遗传聚类算法分别对其进行聚类;
[0009] ④在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,通过将处 理后的船舶运行轨迹数据八1和Ay视为隐马尔科夫过程的显观测值,通过设定隐状态数 目N和参数更新时段τ',依据最近的Τ'个位置观测值并采用B-W算法滚动获取最新隐 马尔科夫模型参数λ';
[0010] ⑤在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观 测值所对应的隐状态q;
[0011] ⑥在每一采样时刻,通过设定预测时域w,基于船舶当前时刻的隐状态q,获取未 来时段船舶的位置预测值〇,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。
[0012] 进一步的,所述步骤①中,通过应用小波变换理论对原始离散二维位置序列X'= [χ/,χ2',…,乂/ ]和y' =[y/,y2',…,又/ ]进行初步处理,从而获取船舶的 去噪离散二维位置序列X=[χρχ2,...,χη]和y= [yi,y2,...,yn]:对于给定的原始二维 序列数据V=[χ/,χ,,...,χη'],利用如下形式的线性表达式分别对其进行近似:

【权利要求】
1. 一种船舶轨迹实时预测方法,其特征在于包括如下几个步骤: ① 通过海面雷达获得船舶的实时和历史位置信息,各船舶的位置信息为离散二维位置 序列x' =[x/,x2',...,xn']和y' =[y/,y2',...,yn'],通过应用小波变换理 论对原始离散二维位置序列X' =[x/,x2',...,义/ ]和y' =[y/,y2',...,丫/ ] 进行初步处理,从而获取船舶的去噪离散二维位置序列x=[Xpx2, . . .,xn]和y= [y^ y 2,? ? ?,yJ ; ② 在每一采样时刻对船舶轨迹数据预处理,依据所获取的船舶原始离散二维位置序列 x= [x^Xy. . .,xn]和y= [ypyy. . .,yn],采用一阶差分方法对其进行处理获取新的船舶 离散位置序列Ax= [Ax"Ax2, ? ? ?,Axn_J和Ay= [Ay"Ay2,…,Ayn],其中Axi =xi+1-Xi,Ayi=yi+「y"i= 1,2, ? ? ?,n_l); ③ 在每一采样时刻对船舶轨迹数据聚类,对处理后新的船舶离散二维位置序列△x和 Ay,通过设定聚类个数M',采用遗传聚类算法分别对其进行聚类; ④ 在每一采样时刻对船舶轨迹数据利用隐马尔科夫模型进行参数训练,通过将处理后 的船舶运行轨迹数据AX和Ay视为隐马尔科夫过程的显观测值,通过设定隐状态数目N 和参数更新时段t',依据最近的T'个位置观测值并采用B-W算法滚动获取最新隐马尔 科夫模型参数A'; ⑤ 在每一采样时刻依据隐马尔科夫模型参数,采用Viterbi算法获取当前时刻观测值 所对应的隐状态q; ⑥ 在每一采样时刻,通过设定预测时域W,基于船舶当前时刻的隐状态q,获取未来时 段船舶的位置预测值〇,从而在每一采样时刻滚动推测到未来时段内船舶的轨迹。
2. 根据权利要求1所述的船舶轨迹实时预测方法,其特征在于:所述步骤①中,通过应 用小波变换理论对原始离散二维位置序列x' =[x/,x2',...,xn']和y' =[y/, y2',...,y/ ]进行初步处理,从而获取船舶的去噪离散二维位置序列x=[xpx2,..., xn]和y= [y^y2, ...,yn]:对于给定的原始二维序列数据x' = [x/,x2',...,x/ ],
f' (x')表示对数据平滑处理后得到的函数表达式,)表示母波,S、J和K均 为小波变换常数,)表示母波的转换形式,c"表示由小波变换过程得到的函数系 数,它体现了子波U^,K(x')对整个函数近似的权重大小,若此系数很小,那么它意味着子 波VT,K(x')的权重也较小,因而可以在不影响函数主要特性的前提下,从函数近似过程 中将子波VT,K(x')除去;在实际数据处理过程中,通过设定阈值x来实施"阈值转换", 当c"<x时,设定c"=0;阈值函数的选取采用如下两种方式:

5. 5. 3)时刻更新:令g=g-1,若g彡1,返回步骤5. 5. 2),否则终止。
5. 根据权利要求1至4之一所述的船舶轨迹实时预测方法,其特征在于:所述步骤③ 中,聚类个数M'的值为4。
6. 根据权利要求1至5之一所述的船舶轨迹实时预测方法,其特征在于:所述步骤④ 中,状态数目N的值为3,参数更新时段t'为30秒,T'为10。
7. 根据权利要求1至6之一所述的船舶轨迹实时预测方法,其特征在于:所述步骤⑥ 中,预测时域W为300秒。
【文档编号】G06Q10/04GK104484726SQ201410849496
【公开日】2015年4月1日 申请日期:2014年12月30日 优先权日:2014年12月30日
【发明者】韩云祥, 赵景波, 李广军 申请人:江苏理工学院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1