[发明专利]一种基于多因素联合学习的航位概率分布预测方法及系统

权利要求书

1.一种基于多因素联合学习的航位概率分布预测方法，所述方法包括：

将待预测的海图区域进行网格化表示，将海图区域映射到网格中；

基于硬边界约束建立待预测海图区域的硬边界特征图，基于软边界约束建立待预测海图区域的软边界特征图，基于航行状态建立待预测海图区域的航行状态特征图；

将上述三类特征图输入预先建立的预测网络模型，输出海上目标在待预测海域的航位概率分布预测图；

所述硬边界约束由运动学约束和地理约束确定；所述运动学约束为在特定时间内存在的运动边界，即最大活动范围；所述地理约束为目标只能在海上航行，不能上岸，且海上存在岛屿、暗礁不可航行区域；所述硬边界特征图的尺寸为目标的潜在航行区域；在硬边界特征图中，将可航行位置的数值设置为1，其他区域设置为0；

所述软边界约束由海图及气象因素确定；

海图具有地物地标、水深和洋流属性，将不同的属性进行量化表示，标注在软边界特征图上；

气象包括可见度、风力、风向和降雨属性，将这些属性进行量化表示，映射到软边界特征图中。

2.根据权利要求1所述的方法，其特征在于，所述预测网络模型包括：依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第一压平层、第一全连接层、第二全连接层、第二压平层、softmax激活函数和尺寸变换层；各卷积层用于局部关联特征的提取，各池化层用于实现特征降维，各卷积层和全连接层采用线性整流函数作为激活函数；第一压平层和第二压平层均用于将特征图进行一维化表示；softmax激活函数用于将结果转化为概率分布；尺寸变换层用于将一维特征转化为二维特征图；

所述预测网络模型的第一卷积层的输入包括：包括硬边界特征图、软边界特征图和航行状态特征图；所述硬边界特征图还输入第二压平层；所述尺寸变换层的输出为概率分布预测图。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对预测网络模型进行训练的步骤，具体包括：

获取训练数据，所述训练数据是基于观测设备获取的以经纬度表示的目标位置数据，根据观测设备的定位精度，将经纬度信息转化为概率分布，作为概率分布标签值；

将训练数据的海图区域进行网格化表示，将海图区域映射到网格中；

建立训练数据的海图区域的硬边界特征图、软边界特征图及航行状态特征图；作为预测网络模型的输入；

基于交叉熵计算预测的概率分布和真实位置的概率分布之间的距离，作为预测网络模型训练的损失函数；训练目标为使损失函数最小；

反复迭代，当满足迭代终止条件时，所述预测网络模型训练结束。

4.根据权利要求1所述的方法，其特征在于，所述目标的潜在航行区域由预测时间内的最大速率变化及最大偏向角决定；当预测时间间隔较长且先验信息不足时，将潜在航行区域设置为以当前位置为圆心，最大航距为半径的圆形，其中最大航距等于最大航速乘以预测时长。

5.根据权利要求1所述的方法，其特征在于，所述航行状态特征图的生成步骤包括：

提取目标前若干时刻的航行位置信息；

根据目标前若干时刻的航行位置信息提取特征图，按时序堆叠，得到航行状态特征图。

6.根据权利要求1所述的方法，其特征在于，所述网格化为等面积网格化。