基于行为特征图谱的船舶动向概率连续预测方法与装置与流程

本发明属于船舶动向预测，尤其涉及基于行为特征图谱的船舶动向概率连续预测方法与装置。

背景技术：

1、随着岸基/船基ais、卫星遥感、天基物联、电磁频谱，以及网络舆情等信息感知手段的广泛应用，海上船舶的观测数据愈加丰富，为船舶动向分析以及动向预测提供了海量数据支撑。通过从各类感知手段中获取船舶信息，分析船舶的行为特点得到船舶特征，建立船舶行为知识图谱，并基于此构建船舶动向的连续预测模型，能够应用于对海上重点目标的多手段接续引导和预测位置验证，维护海上应急事件与安全。

2、现阶段对于船舶动向预测的模型大都是对时空中离散的点位进行预测如非专利文献“基于滑动窗口lstm网络的船舶航迹预测”(王余宽等.上海海事大学学报.043-1(2022))，根据一个阶段t0的观测数据积累，预测目标下一阶段t1的轨迹点位，这种预测是阶段、离散式的(空间是离散的，预测结果为单点或多点；时间也是离散的，预测结果存在时间间隔)，导致预测结果不佳或者无法在高时效要求的场景下应用(比如利用ais、舆情、电磁频谱等手段的数据融合来引导天基遥感手段对目标的连续跟踪与位置验证)。

3、此外，现有方法分析与预测大都只使用单一来源的数据(以ais为主)，如非专利文献“基于ais的船舶轨迹分析的研究与应用”(杨博辰.diss.电子科技大学),缺少对多源数据的使用，而多源数据的使用在空间范围、时间范围、时效性、分辨率、被观测对象的表现形式等维度的尺度一致性要求较高，比如在数据融合之前，主流方法是从各数据源中将目标对象进行提取，明确目标对象的位置和观测时间，在此基础上再开展基于时间、空间重叠阈值的目标匹配和验证。导致时效性差、观测分辨率低的数据难以与时效性高、观测分辨率高的数据进行融合匹配。

4、此外，目前船舶动向预测方法中大都直接对船舶轨迹数据直接建模，如非专利文献“一种并行lstm-fcn模型在船舶航迹预测中的应用”(胡丹等.控制与决策.37.8(2022):7)，缺少船舶航行中各要素对航迹的影响，如航道、关键节点、航行目的地等要素都对船舶的航行起着重要作用，同时这些方法往往要做归一化、标准化等处理，进一步弱化了数据中的时间、空间等特征，导致模型往往构建的是船舶航行的“局部”特征，缺少“全局”要素的建模，因此预测结果也会快速失灵。

技术实现思路

1、有鉴于此，本发明设计了基于格网的船舶存在概率连续预测模型，将离散的预测点位变为连续的船舶存在概率分布，支持形成对目标的连续预测，随着持续的验证观测数据“灌入”模型，利用概率格网保证预测结果(位置，时间)的连续变化；设计了基于多源数据船舶行为特征提取，引入行为特征，通过将船舶信息投射到地图格网计算历史数据对当前预测的定量贡献度，有效解决由于多维度观测尺度不一致导致融合难的问题，和实时数据获取时延高导致难以及时应用，造成数据浪费的问题；设计了基于船舶行为知识图谱动向预测方法，其通过挖掘船舶航线中的敏感区域，以及船舶、区域之间的交互关系，构建船舶动向特征知识图谱的，基于知识图谱实现对船舶动向的预测，增强了航行中各要素对船舶轨迹预测的作用。

2、本发明第一方面公开的基于行为特征图谱的船舶动向概率连续预测方法，包括以下步骤：

3、从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；

4、将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；

5、构建船舶动向预测的基本数据包括船舶数据集u，以及敏感区域数据集v，船舶数据表示为u∈u，敏感区域表示为v∈v，船舶敏感区交互集合表示为y∈rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；预测船舶u与敏感区域v的交互概率当且趋近于1时，表示船舶u与敏感区域v的关系紧密，反之且趋近于0时表示船舶u与敏感区域v的关系稀疏。

6、进一步的，所述将所述船舶轨迹信息投影至网格地图，包括：

7、通过cnn或transformer算法从天基遥感、网络舆情、ais的各类数据中提取船舶轨迹信息，将船舶信息投影至地图格网，通过将船舶轨迹信息离散化为经纬度轨迹点再将轨迹点计入其经纬度所对应的地图网格，再统计每个网格中轨迹点数，得到船舶的常用航道；

8、使用经纬网将全球海陆地图分割为1°×1°的格网,并将所有陆地区域赋值为0，所有海上区域及同时含有陆地有海面的区域赋值为1，将实际地理坐标为西经180，北纬90度的网格定义为左上顶点设其格网坐标为(0，0)，其他网格向右、向下依次递加；进一步为每个格网编号，规则为若格网坐标为(a，b)，则编号为a×360+b；根据以上规则得到的结果，设1为连通，0为不联通，则将全球地图转化为包含360×180个节点的连通图。

9、进一步的，所述敏感区域的计算包括：对船舶出现的高频点位进行筛选，并利用k近邻算法将相邻的高频点位聚类，得到多个敏感区域。

10、进一步的，敏感区域重要系数的计算包括：不同的敏感区域船舶的访问频次是不同的，基于其进船与出船频次得到其重要系数。

11、进一步的，敏感区域间交互关系如下计算：计算敏感区域之间的船舶的交通流量，如果某船舶由敏感区a驶出进入敏感区b则增加a到b的交互权重，对所有船只的交通流量数据重复此操作，得到敏感区域之间的交互关系。

12、进一步的，船舶与敏感区域交互关系：根据敏感区域重要系数、敏感区域间交互关系计算特定船舶在各个敏感区域的访问情况，得到船舶与敏感区域的交互关系，补充单个船舶的局部特征。

13、进一步的，船舶间的伴随关系为：当n个船舶在半径为r的区域内，同时出现的时间超过t，则这n个船舶存在伴随关系，并计算船舶间累计的伴随时长确定伴随关系的强弱。

14、进一步的，使用三元组结构进行船舶行为知识图谱的表示，即g＝(e,r,s)，其中e代表了知识图谱的实体集合，包括船舶、敏感区域；r是知识图谱中的关系集合，包括频繁出入、长期伴随、交互密切；s代表知识图谱中的三元组集合，对于s的形式以(实体、关系、实体)即(h,r,t)表示，其中h为头部实体，r为关系，t为尾部实体；

15、船舶动向的预测函数表示为：

16、

17、其中，代表船舶u与敏感区域v的交互概率，θ表示函数的模型参数，y为船舶敏感区域的交互矩阵，g为船舶行为知识图谱。

18、进一步的，在构建好的格网的连通图中，根据船的大小、船速、吃水特征将各类情报与预测的离散信息投影到由当前位置、目的地、航速、航向组成的特征空间，根据这些特征以及基于知识图谱的预测结果得到船舶从t0时刻网格转移到其上、下、左、右，上左、上右、下左、下右相邻格网，以及停留在当前格网的概率即方向概率矩阵，通过将船舶当前位置的概率乘以方向概率矩阵，即得到t1时刻船舶在网格出现概率，再以此不断以九个方向扩散得到t2到tn时刻船舶的出现概率，即在连通图中得到概率最大的船舶航线，以及每一时刻船舶在网格中出现的概率。

19、本发明第二方面公开的基于行为特征图谱的船舶动向概率连续预测装置，包括：

20、数据提取模块：从数据中提取船舶轨迹信息，并将所述船舶轨迹信息投影至网格地图，再对地图网格数据进行空间分析，得到船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征；

21、知识图谱构建模块：将船舶的敏感区域、敏感区域重要系数、船舶与敏感区域的交互关系、敏感区域之间的交互关系、船舶之间的伴随关系特征关系连接，形成包含船、地之间多种关系的船舶行为知识图谱，由实体作为网络结构的节点，节点包含各个船舶、敏感区域，节点之间的边代表实体之间的语义关系，包含敏感区域间交互关系、船舶与敏感区域交互关系、船舶之间的伴随关系；

22、船舶动向预测模块：构建船舶动向预测的基本数据包括船舶数据集u，以及敏感区域数据集v，船舶数据表示为u∈u，敏感区域表示为v∈v，船舶敏感区交互集合表示为y∈rm×n，其物理意义为一个m×n的矩阵，为m个船舶与n个敏感区域交互关系或者相关系数；当yuv∈y且yuv趋近于1时，表示船舶u与敏感区域v的关系紧密，反之yuv∈y且yuv趋近于0时表示船舶u与敏感区域v的关系稀疏。

23、本发明的有益效果如下：

24、1)通过分析多源船舶感知数据挖掘隐含的敏感区域，以及船舶、区域之间的交互关系，实现以船舶动向特征知识图谱的构建。

25、2)基于船舶动向特征知识图谱构建船舶动向预测模型，实现对船舶动向的预测。

26、3)将船舶航行轨迹投影至格网图中，将方向预测转化为9方向转移概率，以此来预测船舶存在概率变化。