基于T-GRU的长距离船舶航迹预测方法及装置与流程

本发明涉及船舶航迹预测，尤其涉及一种基于t-gru的长距离船舶航迹预测方法及装置。

背景技术：

1、长距离船舶航迹预测用于解决在预测航线较长的情况下，航迹预测准确度的问题。

2、现有技术现有成果包含了许多不同的预测模型，但通常对于近距离的航迹预测有着较高的精确度，而对于长距离的航迹预测精确度会下降。长距离航迹预测可以解决短距离航行预测无法解决的一系列问题。长距离航迹预测在跨洋航行、贸易海运、国防军事、环境监控保护等方面有着突出优势。

3、船舶的航迹可以描述船舶的状态，用于船舶的导航定位、仿真演练避碰等，航迹预测可用于航运物流优化(包括路径规划、港口管理等)、海上搜救与应急响应、军事与国防安全、环境保护等方面。随着近年来深度学习技术的兴起，越来越多的技术手段被用于船舶轨迹的补偿与预测，试图基于历史船舶航迹数据补偿一段时间内的船舶航迹，从而提升船舶航迹预测的准确性。

4、国内外很多技术用于船舶航迹预测，建立了不同模型，例如使用cnn(convolutionalneuralnetwork，卷积神经网络)以及gru(gated recurrentunit，门控循环单元)模型进行航迹预测。

5、图1为使用cnn-gru进行船舶航迹预测的模型结构图。该技术采取3层带激活函数和池化层的2d卷积神经网络来提取数据特征，先将每组数据前4条整合4*5的矩阵输入第一层cnn，通过线性整流函数(relu)后输入第二层cnn，经过池化层maxpooling后传入dropout层(rate：0.3)来缓和过拟合程度，之后传入第三层cnn，通过线性整流函数与第二层池化层globalmaxpooling后，将卷积好的向量数据传入gru层，之后传入dropout层(rate：0.3)后，转入全连接层，进行经纬度预测，从而预测出整体航迹。

6、然而，目前的现有技术仍然使用传统卷积神经网络与gru网络进行融合，但对长时间依赖关系的建模能力有限。

技术实现思路

1、本发明要解决的技术问题是，如何提升模型的表达能力，实现长距离船舶航迹的准确预测；有鉴于此，本发明提供一种基于t-gru的长距离船舶航迹预测方法及装置。

2、本发明采用的技术方案是，一种基于t-gru的长距离船舶航迹预测方法，包括：

3、步骤s1，按照时间戳对航迹数据进行排序，对经度和纬度数据分别进行样条插值；

4、步骤s2，将船舶运动数据按照预设比例划分为训练集和测试集，利用训练集对初始神经网络进行训练；其中，所述神经网络的输入包括经纬度、航速、航向，输出为预测出的船舶位置，训练完成后，分别使用训练集和测试集进行预测，得到训练集预测值y’train以及测试集预测值y’pre；

5、步骤s3，确定训练集预测值与真实值的残差序列res＝ytrue-y’train；

6、步骤s4，利用emd算法对所述残差序列res进行分解，得到本征模态分量以及残差项，并基于所述分量和所述残差量分别建立gru网络进行训练并预测，得到对应的预测结果并求和，作为测试集残差的预测值yres；

7、步骤s5，当前船舶航迹的预测结果y被确定为y＝y’pre+yres。

8、在一个实施方式中，所述步骤s1中，样条插值具体为三次样条插值。

9、在一个实施方式中，所述步骤s2中，所述神经网络采用transformer-gru。

10、在一个实施方式中，所述步骤s2中，将船舶运动数据按照8:2比例划分为训练集和测试集。

11、本发明的另一方面还提供了一种基于t-gru的长距离船舶航迹预测装置，包括：

12、插值单元，配置为按照时间戳对航迹数据进行排序，对经度和纬度数据分别进行样条插值；

13、训练单元，配置为将船舶运动数据按照预设比例划分为训练集和测试集，利用训练集对初始神经网络进行训练；其中，所述神经网络的输入包括经纬度、航速、航向，输出为预测出的船舶位置，训练完成后，分别使用训练集和测试集进行预测，得到训练集预测值y’train以及测试集预测值y’pre；

14、残差单元，配置为确定训练集预测值与真实值的残差序列res＝ytrue-y’train；

15、分解单元，配置为利用emd算法对所述残差序列res进行分解，得到本征模态分量以及残差项，并基于所述分量和所述残差量分别建立gru网络进行训练并预测，得到对应的预测结果并求和，作为测试集残差的预测值yres；

16、预测单元，配置为当前船舶航迹的预测结果y被确定为y＝y’pre+yres。

17、本发明的另一方面还提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的基于t-gru的长距离船舶航迹预测方法的步骤。

18、本发明的另一方面还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于t-gru的长距离船舶航迹预测方法的步骤。

19、相较于现有技术，本发明至少具备以下优点：

20、本发明所提供的方法可用于捕捉长时间依赖关系，即有效捕捉序列中不同位置之间的依赖关系，尤其适合处理长时间跨度的数据；并且，在长距离航迹预测中，船舶的未来位置可能与其早期位置、路径选择、环境条件等都有复杂的关系，本技术能够更好地建模这些关系，提高预测准确性。

技术特征：

1.一种基于t-gru的长距离船舶航迹预测方法，其特征在于，包括：

2.根据权利要求1所述基于t-gru的长距离船舶航迹预测方法，其特征在于，所述步骤s1中，所述样条插值的次数为三次。

3.根据权利要求1所述基于t-gru的长距离船舶航迹预测方法，其特征在于，所述步骤s2中，所述神经网络采用transformer-gru。

4.根据权利要求3所述基于t-gru的长距离船舶航迹预测方法，其特征在于，所述步骤s2中，将船舶运动数据按照8:2比例划分为训练集和测试集。

5.一种基于t-gru的长距离船舶航迹预测装置，其特征在于，包括：

6.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述基于t-gru的长距离船舶航迹预测方法的步骤。

7.一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述基于t-gru的长距离船舶航迹预测方法的步骤。

技术总结
本发明提出了一种基于T‑GRU的长距离船舶航迹预测方法及装置，方法包括：按照时间戳对航迹数据进行排序，对经度和纬度数据分别进行样条插值；将船舶运动数据按照预设比例划分为训练集和测试集，利用训练集对神经网络进行训练；完成后，分别使用训练集和测试集进行预测，得到训练集预测值以及测试集预测值；确定训练集预测值与真实值的残差序列；对残差序列进行分解，得到本征模态分量以及残差项并分别进行训练并预测，得到对应的预测结果并求和，作为测试集残差的预测值；船舶航迹的预测结果确定为残差的预测值与测试集预测值的和。本发明可用于捕捉长时间依赖关系，在长距离航迹预测中对复杂关系实现准确建模，提高预测准确性。

技术研发人员：苏钰淏,曲凯,刘明哲,李宁,张东雪,李培宁,李艳,卫津逸,李飞翔,王丽婷
受保护的技术使用者：中国电子科技集团公司第十五研究所
技术研发日：
技术公布日：2024/12/2