[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

说明书

本发明公开了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，所述方法包括：将待预测海域进行网格化表示，将海图区域映射到网格中；建立待预测海域的硬边界特征图、软边界特征图及航行状态特征图；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。本发明的方法可以将影响航行的各类因素都作为输入特征兼容到模型中，采用特征图堆叠的方式实现因素特征表达，对因素扩展兼容性更强；采用卷积神经网络构建预测模型，提取特征图的深层特征信息，进行航位概率分布图预测；此外，本发明的方法将概率图预测结果与硬边界特征图相乘，确保预测位置在目标可航行区域之内，保证预测结果的合理性。

技术领域

本发明涉及航位预测技术领域，具体涉及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。

背景技术

海上移动目标的优化搜索在海洋搜索营救、海岸缉私等方面有极大的应用需求和发展前景。移动目标位置预测是实现目标优化搜索的重要技术途径，通过目标位置预测降低目标位置的不确定性，提高目标的搜索效率。

很多学者在航迹预测方面开展了大量研究。慈元卓等针对运动规律未知的移动目标搜索问题，在采用贝叶斯规则对目标概率分布更新的基础上，提出一种基于高斯分布的目标转移概率密度函数，进行目标的分布概率预测。航位推测法在已知目标运动速度和航向的情况下，考虑速度和航向误差，建立了目标下一时刻的扇环形区域。徐一帆等分析海洋移动目标的运动特性，针对观测数据的采样时间间隔不一致的问题，提出了预测前插值的灰色预测方法，改进了航迹变更预测和潜在区域预测模型。李新其等针对目标在特定时间段运动的规律性，用插值外推法、灰色模型与自回归时序AR组合建模方法构建目标运动预测模型。洪俊等将灰色系统理论与目标运动特点相结合，预测在未来较长时期内的位置范围。Ashraf Elnagar等根据前面已知时刻目标的位置和运动方向信息，采用自回归模型(ARM)进行预测。徐婷婷等提出以预测船位差实现航迹预测的思想，并设计基于三层BP神经网络的航迹预测模型。

以上方法大多基于前几个时刻的航行位置数据，采用非线性拟合的方法实现未来时刻的预测，并未考虑影响船只航行的其他影响因素。如海图地理数据、气象水文、航行运动学约束等。此外，从应用场景上，以上方法针对特定领域展开研究，并做了部分假设，对特定问题具有适用性。

目前深度学习方法在以计算机视觉为代表的领域取得了巨大的成功和广泛的应用，显示了强大的特征学习能力，许多专家开始尝试利用深度学习解决本领域的一些问题。但是在很多非视觉领域的实际问题中，尚有较大的研究空间。将深度学习方法强大的特征表达和数据预测能力与具体问题结合，解决实际问题，具有重要价值。航迹预测可视作一个规律学习及泛化的问题，应用深度学习技术具备可行性。

发明内容

本发明的目的在于克服目前航位预测方法存在的考虑因素不足、应用场景受限的问题，综合考虑多类影响因素对航行的作用，通过空间特征图的方法进行特征描述，并开展联合预测，最终实现目标的航位概率分布图预测。

为实现上述目的，本发明提出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；

建立待预测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；

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。

作为上述方法的一种改进，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；