一种基于动态决策树的海事行为意图预测方法与流程

本发明涉及海上交通工具，具体涉及一种基于动态决策树的海事行为意图预测方法。

背景技术：

1、目前,意图识别与预测已被应用到多个领域，包括人体和机器行为、道路交通、航空航天和军事协同对抗等。常用的机器学习和人工智能技术包括隐马尔科夫模型（hmm）、卷积神经网络（cnn）、长短期记忆网络模型（lstm）等。尽管机器学习在许多方面表现出色，但也存在一些问题和挑战。例如，基于cnn的意图识别与预测方法能有效识别和分类高维度的图像，但难以处理低维度的连续变量；基于lstm的方法在处理长序列数据时计算耗时长，容易产生梯度消失现象；基于强化学习的方法要求对象具有离散的动作和状态，无法对连续的动作和状态进行建模。

2、与现有研究相比，海事行为意图的情况更加复杂多样，涉及的影响因素更多，对模型中特征参数的要求更高，使得对船舶的行为意图预测、特别是实时预测更加困难。

技术实现思路

1、发明目的：本发明的目的是提供一种基于动态决策树的海事行为意图预测方法，通过融合船舶状态和环境因素的多模态海事数据，构建可自优化的动态决策树预测模型，以实时预测船舶的行为意图。

2、技术方案：本发明所述的一种基于动态决策树的海事行为意图预测方法，包括以下步骤：

3、（1）采集船舶数据和环境数据，并对多模态数据进行预处理；

4、（2）从采集到的数据中提取关键的船舶行为和环境信息特征，引入多模态交互特征；

5、（3）基于历史数据，构建决策树模型并进行训练；

6、（4）根据输入的实时数据预测行为意图，将预测结果反馈到平台；

7、（5）通过累积的数据不断修正和优化决策树结构。

8、进一步的，步骤（1）中，通过自动识别系统，获取船舶的实时位置、速度、航向；通过雷达和gps系统，采集附近船舶的距离、方位和速度；通过气象与海况数据，分析风速、风向、浪高、洋流方向影响船舶航行的环境因素；通过航海记录仪，获取海上航行的历史数据；预处理包括：对采集到的多模态数据进行时间同步和坐标对齐；使用插值法补全船舶位置或速度；使用历史数据均值或中位数填充环境因素；删除缺失值过多的数据以及数据中的异常值。

9、进一步的，步骤（2）中，提取船舶状态信息特征包括位置特征、速度特征、航向特征、加速度特征、航行状态；提取环境因素特征包括风速和风向、海浪高度、洋流方向、能见度、气象特征。

10、进一步的，步骤（2）中，引入多模态交互特征包括航行速度与风速的关系、船舶加速度和海浪之间的关联性；然后对特征进行标准化或归一化。

11、进一步的，航行速度与风速的关系公式如下：风速与航速比，用于以衡量风速对船舶航行速度的影响，计算公式为：

12、进一步的，船舶加速度和海浪之间的关联性具体如下：航行偏差与海流方向偏差，用于捕捉环境洋流对船舶航行方向的干扰程度，计算公式为：

13、。

14、进一步的，步骤（3）包括以下步骤：

15、（31）将数据整理成特定格式，包括：特征矩阵即每行代表一个样本，每列表示一个特征和标签向量即对应每个样本的行为意图；将数据集分为训练集和测试集；

16、（32）训练决策树模型的过程为：

17、（321）选择根节点特征；

18、（322）按特征分裂数据集；

19、（323）对每个子集重复上述分裂过程，直到满足停止条件；

20、（324）在训练完成后执行剪枝。

21、进一步的，步骤（322）具体如下：使用信息增益比选择最佳的分裂特征，公式如下：

22、；

23、其中，表示特征 a对数据集 d的信息增益；为数据集的熵，计算公式为：

24、；

25、其中，是标签的比例，是类别数量；

26、为条件熵，计算在特征的条件下数据集d的熵，计算公式为：

27、；

28、其中，是在特征取值为时的数据子集；

29、特征a的分裂信息的计算公式为：

30、；

31、信息增益比的计算公式为：

32、。

33、进一步的，步骤（323）具体如下：根据选择的特征对数据集进行分裂，从而形成新的子节点；对每个子集重复选择分裂特征的过程，直到满足以下任一停止条件：（a）节点样本数小于特定阈值；（b）达到最大树深度；（c）数据集完全纯净即所有样本属于同一类别。

34、进一步的，步骤（324）具体如下：在训练完成后对决策树模型进行后剪枝，从叶节点开始，逐步向上，通过评估每个节点的表现，剪去不必要的节点；其中，剪枝时考虑的因素包括：（d）节点的错误率，如果剪去该节点后模型在验证集上的错误率降低，则进行剪枝；（e）最小描述长度，评估模型复杂度与误差之间的权衡；（f）交叉验证剪枝，使用交叉验证方法评估剪枝的效果，剪去在验证集上表现不佳的节点。

35、有益效果：与现有技术相比，本发明具有如下显著优点：本发明收集多模态海事数据并提取相关特征，使得数据更适合于模型训练，更好地面向复杂的水域环境和特定的海事行为意图。基于决策树模型，使用历史数据进行训练，能够使得预测模型具有高精度，同时兼顾实时预测所需的高效性。此外，动态决策树可以根据不断累积的航行数据进行持续优化，以适应不同环境和海域条件。通过上述方法实现的海事行为意图预测，可以作为船舶驾驶的自动化辅助，能够极大提升环境感知和决策能力，确保海上航行的安全。

技术特征：

1.一种基于动态决策树的海事行为意图预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（1）中，通过自动识别系统，获取船舶的实时位置、速度、航向；通过雷达和gps系统，采集附近船舶的距离、方位和速度；通过气象与海况数据，分析风速、风向、浪高、洋流方向影响船舶航行的环境因素；通过航海记录仪，获取海上航行的历史数据；预处理包括：对采集到的多模态数据进行时间同步和坐标对齐；使用插值法补全船舶位置或速度；使用历史数据均值或中位数填充环境因素；删除缺失值过多的数据以及数据中的异常值。

3.根据权利要求1所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（2）中，提取船舶状态信息特征包括位置特征、速度特征、航向特征、加速度特征、航行状态；提取环境因素特征包括风速和风向、海浪高度、洋流方向、能见度、气象特征。

4.根据权利要求1所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（2）中，引入多模态交互特征包括航行速度与风速的关系、船舶加速度和海浪之间的关联性；然后对特征进行标准化或归一化。

5.根据权利要求4所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，航行速度与风速的关系公式如下：航行速度与风速的关系公式如下：风速与航速比，用于以衡量风速对船舶航行速度的影响，计算公式为：。

6.根据权利要求4所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，船舶加速度和海浪之间的关联性具体如下：航行偏差与海流方向偏差，用于捕捉环境洋流对船舶航行方向的干扰程度，计算公式为：

7.根据权利要求1所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（3）包括以下步骤：

8.根据权利要求7所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（322）具体如下：使用信息增益比选择最佳的分裂特征，公式如下：

9.根据权利要求7所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（323）具体如下：根据选择的特征对数据集进行分裂，从而形成新的子节点；对每个子集重复选择分裂特征的过程，直到满足以下任一停止条件：（a）节点样本数小于特定阈值；（b）达到最大树深度；（c）数据集完全纯净即所有样本属于同一类别。

10.根据权利要求7所述的一种基于动态决策树的海事行为意图预测方法，其特征在于，步骤（324）具体如下：在训练完成后对决策树模型进行后剪枝，从叶节点开始，逐步向上，通过评估每个节点的表现，剪去不必要的节点；其中，剪枝时考虑的因素包括：（d）节点的错误率，如果剪去该节点后模型在验证集上的错误率降低，则进行剪枝；（e）最小描述长度，评估模型复杂度与误差之间的权衡；（f）交叉验证剪枝，使用交叉验证方法评估剪枝的效果，剪去在验证集上表现不佳的节点。

技术总结
本发明公开了一种基于动态决策树的海事行为意图预测方法，包括以下步骤：（1）采集船舶数据和环境数据，并对多模态数据进行预处理；（2）从采集到的数据中提取关键的船舶行为和环境信息特征，引入多模态交互特征；（3）基于历史数据，构建决策树模型并进行；（4）根据输入的实时数据预测行为意图，将预测结果反馈到平台；（5）通过累积的数据不断修正和优化决策树结构；本发明能够极大提升环境感知和决策能力，确保海上航行的安全。

技术研发人员：宋筱轩,王鹏,孙文俊,柳登丰,叶建军,汤学达,张媛
受保护的技术使用者：中国电子科技集团公司第二十八研究所
技术研发日：
技术公布日：2025/3/27