[发明专利]一种基于图神经网络的航迹预测方法

说明书

本发明公开了一种基于图神经网络的航迹预测方法，包括：S1：构建图神经网络模型。S2：获取待检测航迹序列数据集。S3：将待检测航迹序列数据集输入图神经网络模型，得到航迹预测轨迹。本发明结合图神经网络GNN(GraphNeuralNetworks，GNN)在空间特征提取方面强大的性能优势，将时空图神经网络模型应用于预测任务中，并倡导实验进行了可行性验证及同其他预测模型的对比分析，结果表明图神经网络在所有预测模型中，性能表现最好，相比于LSTM模型，在预测任务的准确性和稳定性方面均有提升。

技术领域

本发明属于航迹预测领域，具体涉及一种基于图神经网络的航迹预测方法。

背景技术

随着海洋事业的迅速发展及海洋贸易量的急速上升，运输船舶频繁地在海上往来，导致海上交通安全和航行监管成为相关部门及学者关注的焦点，而得益于AIS关键技术的发展和普及，依托于海量AIS数据的科学研究在实现海上交通安全和辅助监管等方面发挥着越来越多的作用。挖掘潜藏在AIS数据中的巨大价值，探究依托AIS数据的算法和系统设计引领着海事方面相关研究的前沿趋势，尤其近年以来，人工智能、机器学习以及数据挖掘领域相关理论与技术的夯实和发展，国内外有关AIS数据的研究在异常检测、航迹预测、碰撞规避等热点研究领域都取得了不错的成就。作为其他海事科学领域研究的基础，基于AIS数据的航迹预测，引起了更多海内外学者的重点关注，也取得了更先进的技术研究成果。

对于多变量的时间序列的预测方法，通常都会提前假设变量之间具有相互依赖性关系。换句话说，每个变量的值不仅取决于其历史值，而且还取决于其他变量。在本文第三章所提及的模型方法，通过一定的改动，比如多个输入向量拼接等，也能完成所需的预测任务。但是，上述的模型或多或少忽视了变量之间潜在的相互依赖关系，即使LSTM 模型这样的循环神经网络，关注到了航迹序列之间时间维度的相互依赖关系，却没能显式地构建出单独一个航迹点内变量之间空间依赖关系，这对模型的可解释行造成了一定的影响。

图形作为一种特殊的数据结构，其在描述不同节点之间的关系方面具有天然优势。随着图形神经网络GNN的发展，网络模型具有的排列不变性，局部连通性和组成性等方面的优势，使其在处理图形数据方面获得了巨大的成功。图神经网络通过结构传播信息，使图数据中的每个节点都能知晓其相邻节点的信息。

发明内容

本发明目的在于提供一种基于图神经网络的航迹预测方法，包括：

S1：构建图神经网络模型。

S2：获取待检测航迹序列数据集。

S3：将待检测航迹序列数据集输入图神经网络模型，得到航迹预测轨迹。

进一步的，所述S1具体方法为：

S1-1：调取船舶AIS原始数据库中的AIS原始轨迹数据。

S1-2：对所述AIS原始轨迹数据进行处理，得到航迹序列数据集。

S1-3：新增图学习模块，建立图神经网络模型。

进一步的，所述步骤S1中构建的图神经网络模型包括图学习模块、m个图卷积模块和m个时间卷积模块和输出模块，所述图学习模块，根据数据计算输入图数据的邻接矩阵，该邻接矩阵随后将用于所有图卷积模块上，作为此模块的输入，所述图卷积模块与时间卷积模块交替分布，一个时间卷积模块后面接一个图卷积模块，分别捕获输入信息在时间和空间上的相关性。

进一步的，所述图卷积模块包括两个Mix-Hop传播层，Mix-Hop传播层会结合邻接矩阵来处理信息流中节点的空间相关信息。

其中，关键结构Mix-Hop传播层会结合邻接矩阵来处理信息流中节点的空间相关信息。而Mix-Hop传播层通常包含两个步骤：传播过程和选择过程。Mix-Hop传播层的传播过程可以定义为(4-6)：