[发明专利]一种固定航线任务下的移动对象动态轨迹预测方法

说明书

本发明涉及动态轨迹的精密预测领域，具体涉及一种固定航线任务下的移动对象动态轨迹预测方法。离线状态下，定义带有位置标签的轨迹偏差序列，构建基于轨迹偏差序列的二维容器序列，将相同航线任务下的移动对象历史轨迹偏差数据存储在二维容器序列中；在线状态下，在二维容器序列中检索预测对象的前向已知轨迹偏差序列，得到样本集；采用在线ISO算法利用样本集，基于RBF神经网络结构在线建立得到移动对象的轨迹偏差预测模型；利用移动对象的轨迹偏差预测模型预测移动对象未来的轨迹；重复步骤二、三，直至完成任务。本发明能够解决现有离线获得的移动对象轨迹预测模型在环境发生动态变化时失效的问题，同时提高轨迹预测精度。

技术领域

本发明涉及动态轨迹的精密预测领域，具体涉及一种固定航线任务下的移动对象动态轨迹预测方法。

背景技术

移动对象的轨迹位置预测在智能导航、智能交通管理等领域中有着广泛的应用，随着无线通信和定位技术的高速发展，移动对象的轨迹预测技术逐渐成熟。但在飞机起飞和降落、船舶避障和停靠等有规划的固定航线任务中，出于安全保障和管理的需求，往往要求精密地预测移动对象的动态轨迹，现有轨迹预测方法难于满足固定航线任务的精密轨迹预测要求，尤其在对象受动态环境影响的情况下现有轨迹预测方法的精度更难以达到要求。

由于现有轨迹预测方法大多数采用离线学习算法，这些算法在预测对象未知的情况下从历史数据中离线提取模型或模式，然后舍弃历史数据，用离线提取的模型预测对象的未来运动。离线获得的轨迹对象轨迹预测模型属于概率模型，当环境发生动态变化时，对象的运动可能进入离线模型没有覆盖的范围，此时离线模型将失效，导致轨迹预测精度低。

发明内容

本发明的目的在于提供一种固定航线任务下的移动对象动态轨迹预测方法，以解决现有离线获得的移动对象轨迹预测模型在环境发生动态变化时，对象的运动可能进入离线模型没有覆盖的范围导致离线模型将失效的问题，并且解决轨迹预测精度低的问题。

本发明实施例提供一种固定航线任务下的移动对象动态轨迹预测方法，包括：

步骤一：离线状态下，根据固定航线任务的特点，首先定义带有位置标签的轨迹偏差序列，之后构建基于轨迹偏差序列的二维容器序列，同时将相同航线任务下的移动对象历史轨迹偏差数据存储在二维容器序列中；

步骤二：在线状态下，根据检索匹配法，在上述步骤一的二维容器序列中检索预测对象的前向已知轨迹偏差序列，根据与前向已知轨迹偏差序列经过相同二维容器单元的历史轨迹偏差序列即为匹配的历史轨迹偏差序列的原则，得到由所述匹配的历史轨迹偏差序列组成样本集；采用在线ISO算法，利用所述样本集，基于RBF神经网络结构在线建立得到移动对象的轨迹偏差预测模型；

步骤三：利用上述步骤二的移动对象的轨迹偏差预测模型，通过预测，得到移动对象未来的轨迹；

步骤四：重复上述步骤二与步骤三，直至完成预测任务；

本发明还包括这样一些结构特征：

所述步骤一，包括：

其中，所述构建二维容器序列的具体方法为：

定义三维轨迹偏差空间中的坐标系Oxyz，其中Ox轴方向为固定航线任务的位置标签所在的方向，Oz轴方向上的坐标为移动对象轨迹与期望轨迹在Oz方向上的偏差值，Oy轴方向上的坐标为移动对象轨迹与期望轨迹在Oy方向上的偏差值，则固定航线任务下的移动对象轨迹由位置标签序列按顺序标识；

上式中，x_j为固定航线任务的第j个位置标签，j为位置标签在位置标签序列中的序号，为位置标签序列中位置标签的数目；