[发明专利]一种基于船舶类型的船舶航行轨迹预测方法

权利要求书

1.一种基于船舶类型的船舶航行轨迹预测方法，其特征在于，包括：

获取待预测船舶的AIS数据，所述AIS数据包括航行轨迹点序列以及所述待预测船舶的船舶类型；

根据预先划分的海域网格，将所述航行轨迹点序列转化为海域网格编号序列；

根据所述待预测船舶的船舶类型以及预先建立的船舶类型字典矩阵，确定所述待预测船舶的船舶类型特征向量；

将所述海域网格编号序列以及所述船舶类型特征矩阵输入预先训练得到的序列到序列模型，以获取预测结果序列；

确定所述预测结果序列中的各个海域网格的中心点的经纬度坐标，以得到所述待预测船舶的预测轨迹点序列。

2.根据权利要求1所述的方法，其特征在于，预先通过以下方法得到所述海域网格，包括：

获取历史AIS数据，所述历史AIS数据包含多个船舶的历史航行轨迹点序列；

根据所述历史航行轨迹点序列，确定船舶的航行范围；

根据预测精度需求，将所述航行范围内的海域划分为多个海域网格；

根据各个海域网格所在的行号和列号，对划分后的海域网格进行编号。

3.根据权利要求1所述的方法，其特征在于，所述船舶类型字典矩阵由各个船舶类型特征向量构成，每种船舶类型的船舶类型特征向量根据每种船舶类型对应的编码值生成，所述编码值用于确定所述船舶类型特征向量在所述船舶类型字典矩阵中的行编号。

4.根据权利要求3所述的方法，其特征在于，所述待预测船舶的船舶类型特征向量通过以下步骤确定：

确定所述待预测船舶的船舶类型对应的编码值；

根据所述编码值，确定所述待预测船舶的船舶类型特征向量在所述船舶类型字典矩阵中的行编号；

根据所述行编号，对所述船舶类型字典矩阵进行寻址，以获取所述待预测船舶的船舶类型特征向量。

5.根据权利要求1所述的方法，其特征在于，所述序列到序列模型预先通过以下步骤训练得到：

将船舶的历史航行轨迹点序列转化为海域网格编号序列，并将所述海域网格编号序列划分为输入网格序列与输出网格序列；

确定船舶的船舶类型特征向量；

将所述输入网格序列输入序列到序列模型的编码器，以获取编码器在各个时间步骤的隐层状态；

根据所述编码器在各个时间步骤的隐层状态以及解码器在当前时间步骤的隐层状态，获取与解码器的下一个时间步骤对应的编码向量；

基于所述船舶类型特征向量以及所述解码器的下一个时间步骤对应的编码向量，确定解码器在下一个时间步骤的输出结果；

重复上述步骤，以得到解码器在多个时间步骤的输出结果，并生成输出结果序列；

根据所述输出网格序列与所述输出结果序列，确定序列到序列模型的误差，以对序列到序列模型的参数进行调优，得到训练后的序列到序列模型。

6.根据权利要求5所述的方法，其特征在于，所述序列到序列模型的编码器与解码器为LSTM单元。

7.根据权利要求5所述的方法，其特征在于，通过滑动窗算法确定每个船舶的输入网格序列以及输出网格序列，其中，所述输入网格序列依次包括滑动窗所覆盖的网格编号序列、轨迹结束标记以及序列结束标记；所述输出网格序列依次包括序列开始标记、在所述滑动窗所覆盖的网格编号序列之后的网格编号序列、到达港口标记、轨迹结束标记以及序列结束标记。

8.根据权利要求5所述的方法，其特征在于，所述根据所述编码器在各个时间步骤的隐层状态以及解码器在当前时间步骤的隐层状态，获取与解码器的下一个时间步骤对应的编码向量，包括以下步骤：

根据所述编码器在各个时间步骤的隐层状态以及解码器在当前时间步骤的隐层状态，计算关联度；

对所述关联度进行软最大化操作，再进行标准化，得到与所述编码器在各个时间步骤的隐层状态相对应的注意力权重；

将编码器在各个时间步骤的隐层状态与相对应的注意力权重相乘，得到与解码器的下一个时间步骤对应的编码向量。