(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111092420.3 (22)申请日 2021.09.17 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 许洋　任永坚　张纪林　袁俊峰　 欧东阳　曾艳　刘震　王雷　 徐传奇　于晓康　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱亚冠 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2006.01) G06F 30/27(2020.01)G06F 16/29(2019.01) G06F 16/22(2019.01) (54)发明名称 一种基于循环神经网络的改进船舶轨迹预 测方法及其装置 (57)摘要 本发明公开了一种基于循环神经网络的改 进船舶轨迹预测方法及其装置。 近海船舶密集、 交通环境复杂， 舰船自动识别系统(AIS)数据存 在以下特征： ( 1)海域内存在大量的锚定轨迹； (2)部分非锚定轨迹存在异常锐角弯； (3)船只 在 不同航段的行为差异较大。 这些特征会降低轨迹 预测的精度， 本发明提出了基于循环神经网络的 改进船舶轨迹预测模型： (1)提出锚轨迹消除算 法消除锚轨迹； (2)提出基于概率的轨迹修复算 法修复锐角 弯； (3)设计二阶段船舶轨迹流聚类 算法区分船只行为； (4)搭建深层双向门循环单 元(GRU)模型。 本发明提出的改进船舶轨迹预测 模型具有更高的预测精度， 在近海区域的船舶轨 迹预测中具有一定的参 考价值。 权利要求书3页 说明书6页 附图4页 CN 113887789 A 2022.01.04 CN 113887789 A 1.一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于该方法包括以下步 骤： 步骤1： 抽取AIS数据中的船舶运动学信息， 并将其存入大规模并行分析MPP数据库； 建 立空间索引， 对MP P数据库使用空间包 含搜索方式获得近海区域船舶轨 迹数据； 所述船舶运动学信息包括海上移动服务标识MMSI、 时间戳t、 经度 Ion、 纬度 lat、 对地速 度Sog； 步骤2： 对近海区域船舶轨 迹数据进行锚轨 迹消除； 步骤3： 通过基于概 率的轨迹修复方法对 锚轨迹消除后的船舶轨 迹进行异常点 修复 将锚轨迹消除后的每一条船舶轨迹均拆分成经度和纬度序列， 记为Sβ＝{β1， β2， ...， βn}， 然后对经度和纬度序列均进行异常点修复； 其中β ＝经度lon或纬度lat， 即Slon表示某 轨迹的所有经度构成的序列， Slat表示某轨 迹的所有纬度构成的序列； 具体如下： (3.1)对Sβ序列获取两 轨迹点间β 变化的最大值∈max， β； ∈max， β＝max( βγ+1‑βγ|γ＝1， 2， 3 …n‑1)           (1) (3.2)对Sβ序列进行窗口化处理， 得到每个窗 口下的子序列 窗 口大小为3， 步长为1； 初始化 i＝1， 第一个窗口内子序列 的概率W3＝0； (3.3)判断当前i是否等于n ‑2， 若是则结束， 跳转至步骤(4)， 若否则更新i＝i+1， 然后 进行步骤(3.4)； (3.4)第i个窗口下每 个轨迹点βi， βi+1， βi+2进行修复 步骤4： 对异常点修复后的船舶轨迹进行二阶段轨迹流聚类， 构 成三类船舶行为的数据 集； 步骤5： 构建改进船舶轨 迹预测模型， 利用步骤(4)数据集对其进行训练 所述的船舶轨迹预测模型包括依次级联的输入层， 第一双 向门循环单元， 第一舍弃层 Dropout， 第二双向门循环单元， 第三双向门循环单元， 第二舍弃层Dropout， 全连接层 Dense； 第一双向门循环单元、 第二双向门循环单元、 第三双向门循环单元采用相同结构的 双向门循环单 元； 所述的双向门循环单元包括输入层、 用于处理正向船舶轨迹的第 一GRU网络、 用于处理 反向船舶轨 迹的第二GRU网络、 全连接层Dense； 步骤6： 利用训练好的改进船舶轨 迹预测模型， 实现船舶轨 迹预测。 2.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于 步骤2具体是： (2.1)对船舶Sog进行统计分析， 确定锚定 速度阈值V0和时间步长Ts； (2.2)根据船舶MMSI划分得到不同船舶的轨迹集， 对每一条船舶的轨迹Trackj进行锚轨 迹消除， 其 中Trackj＝{ponitsi(MMSI， t， lon， l at， Sog)|i＝1， 2， ...， N}， Trackj表示第j条 船舶的轨 迹， ponitsi表示Trackj上的第i时刻轨 迹点。 3.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于 步骤(2.2)具体是： (2.2.1)船舶的抛锚点检测 遍历轨迹中所有轨迹点， 对每个轨迹点ponitsi的Sog判断是否小于V0； 若否则对下一个权　利　要　求　书 1/3 页 2 CN 113887789 A 2轨迹点ponitsi+1进行阈值判断， 重 复步骤2.2.1； 若是则连续判断其后Ts1个轨迹点的Sog是 否全部小于阈值V0， 若是则认为该轨迹点ponitsi为抛锚点， 跳转至步骤2.2.2， 若否则对下 一个轨迹点ponitsi+1进行阈值判断， 重复步骤2.2.1， 直到 本条轨迹遍历结束； (2.2.2)船舶的起锚点检测 判断轨迹点 的Sog是否大于V0， 若否则对下一个轨迹点 进行 阈值判断， 重复步骤2.2.2； 若是则 连续判断其后Ts2个点的速度是否全部大于阈值V0， 若是 则认为该轨迹点 为起锚点， 删除抛锚点和起锚点间的轨迹点， 返回(2.2.1)若 否则对下一个轨 迹点 进行阈值判断， 重复步骤2.2.2， 直到 本条轨迹遍历结束。 4.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于 步骤(3‑4)具体是： 3‑4‑1初始化b＝ i， Wi+2＝Wi+1； 3‑4‑2对轨迹点βb构建候选 修复值队列{βb‑∈max， β， βb‑∈max， β+u， ...， βb+∈max， β}； 候选修 复值队列内元素按照 从小到大依 次排序， u表示粒度步长； 遍历候选修复值队列， 每个候选 修复值对 轨迹点βb进行尝试性修复， 若满足公式(2)则利用当前的候选 修复值对 轨迹点βb进 行修复， 得到修复后的子序列 同时根据公式(3)计算子序列 下的概率Wi+2； Wi+2＜Wi+1+P(ai+1)            (2) 其中P(ai+1)是ai+1的经验概率， 可以通过计算整个Sβ序列的加速度结果统计获取； Wi+2表 示由第1至i+2个修复后轨 迹点组成的子序列的概 率； 3‑4‑3判断当前b是否等于i+2， 若是则跳转至步骤(3.3)， 若否则更新b＝b+1， 返回至步 骤3‑4‑2。 5.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于 步骤(4)具体是： (4.1)对步骤3对异常点 修复后的船舶轨 迹， 计算空间距离矩阵； (4.2)利用DBSCAN算法处理空间距离矩阵， 对异常点修复后的船舶轨迹中各轨迹点进 行聚类， 得到初始聚类结果； (4.3)对初始聚类结果计算每一类中所有轨 迹点的对地速度平均值； (4.4)采用KMEANS算法对初始聚类结果中每一类的对地速度平均值进行二步聚类， 得 到三类聚类结果， 分别代 表船舶的三种行为： 起 航、 出入水道、 进行作业。 6.如权利要求1所述的一种基于循环神经网络的改进船舶轨迹预测方法， 其特征在于 步骤(5)中GRU网络的计算 步骤如下： (1)计算更新门zk， 确定当前时间步输入和上一时间步输出中 需要继承的数据；权　利　要　求　书 2/3 页 3 CN 113887789 A 3