[發(fā)明專利]一種基于線段聚類的多維度高精度航跡智能預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010523201.5
• 申請日: 2020-06-10
• 公開（公告）號: CN111858565A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 胡慶雷;楊懿琳;鄭建英;郭雷
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06K9/62;G06N3/04;G06N3/08;G01C21/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于線段聚類的多維度高精度航跡智能預(yù)測方法，將連續(xù)的航跡數(shù)據(jù)離散化，經(jīng)過突變的經(jīng)度數(shù)據(jù)處理、數(shù)據(jù)清洗和歸一化處理后，使用Douglas?Peucker算法對航跡數(shù)據(jù)進(jìn)行壓縮，使用DBSCAN聚類算法對航跡進(jìn)行聚類，根據(jù)多維度因素下不同的突發(fā)情況，選取與突發(fā)情況對應(yīng)的航跡簇，通過航跡預(yù)測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行航跡預(yù)測，完成多維度高精度航跡預(yù)測任務(wù)。本發(fā)明將原始航跡數(shù)據(jù)壓縮，在保留航跡特征的情況下極大減輕了計(jì)算壓力，縮短了運(yùn)算時(shí)間，提高了運(yùn)算效率；采用卷積加LSTM神經(jīng)網(wǎng)絡(luò)模型，使用卷積進(jìn)行特征提取，有利于提高LSTM神經(jīng)網(wǎng)絡(luò)模型對航跡預(yù)測的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)跟蹤技術(shù)領(lǐng)域，尤其涉及一種基于線段聚類的多維度高精度航跡智能預(yù)測方法。

背景技術(shù)

針對掌握可疑移動目標(biāo)航跡的具體任務(wù)，一方面要學(xué)習(xí)可疑移動目標(biāo)航跡的規(guī)律，高精確度地預(yù)測出移動目標(biāo)未來的航跡，另一方面還要考慮現(xiàn)實(shí)條件下的多維度因素，例如突發(fā)事件、國際熱點(diǎn)、天氣狀況等情況，高精度預(yù)測出移動目標(biāo)的航跡信息。

海洋中移動目標(biāo)(例如船舶)航跡數(shù)據(jù)的采集方式，通常是間歇性地獲取船舶當(dāng)前位置的數(shù)據(jù)信息，根據(jù)船舶所處的不同狀態(tài)以2s一次到數(shù)分鐘一次不等的頻率，向外播發(fā)位置信息。由于船舶航跡較長，因此，以2小時(shí)為單位進(jìn)行數(shù)據(jù)采集。考慮在同一片區(qū)域內(nèi)，每天可能有數(shù)百條船舶通行，由此產(chǎn)生的數(shù)據(jù)量會非常巨大，將它們?nèi)坑涗浵聛頃戆嘿F的存儲開銷，并且，還需要將如此龐大的數(shù)據(jù)加載到內(nèi)存中進(jìn)行分析處理，這對可視化平臺系統(tǒng)的信息處理能力是一個(gè)巨大考驗(yàn)。船舶航跡數(shù)據(jù)是典型的時(shí)空大數(shù)據(jù)，其在多個(gè)領(lǐng)域都有著極其突出且重要的研究和應(yīng)用價(jià)值。作為時(shí)序數(shù)據(jù)的特例，航跡數(shù)據(jù)具有鮮明的時(shí)序特征和突出的空間特征。因此，航跡數(shù)據(jù)的處理和挖掘方法不能完全照搬時(shí)序數(shù)據(jù)的經(jīng)驗(yàn)，而應(yīng)當(dāng)考慮其特殊性。

當(dāng)前限制航跡數(shù)據(jù)處理和挖掘的重要因素之一是移動目標(biāo)航跡數(shù)據(jù)海量的數(shù)據(jù)規(guī)模。航跡數(shù)據(jù)的海量數(shù)據(jù)規(guī)模帶來的問題是多方面的，主要表現(xiàn)在：1)數(shù)據(jù)儲存壓力大，海量的數(shù)據(jù)規(guī)模和非結(jié)構(gòu)化的數(shù)據(jù)組織為航跡數(shù)據(jù)的實(shí)時(shí)數(shù)據(jù)存儲和快速索引帶來了巨大的挑戰(zhàn)；2)數(shù)據(jù)的分析壓力大，典型的數(shù)據(jù)挖掘方法在面對航跡數(shù)據(jù)時(shí)通常無法直接使用，為航跡數(shù)據(jù)的分析和挖掘帶來了挑戰(zhàn)。

傳統(tǒng)的海上移動目標(biāo)航跡預(yù)測方法不能針對以上缺點(diǎn)靈活地對航跡數(shù)據(jù)進(jìn)行處理，在已有的預(yù)測方法中也較少考慮到國際熱點(diǎn)、天氣狀況等多維度因素的影響。因此，不能滿足日益復(fù)雜的航跡預(yù)測需求。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種基于線段聚類的多維度高精度航跡智能預(yù)測方法，用于針對海上移動目標(biāo)航跡數(shù)據(jù)及現(xiàn)實(shí)條件下多維度因素的處理，提供一種計(jì)算簡單、約束及需求靈活、效率優(yōu)良的海上移動目標(biāo)航跡預(yù)測方法，解決多維度條件下的航跡預(yù)測問題。

因此，本發(fā)明提供了一種基于線段聚類的多維度高精度航跡智能預(yù)測方法，包括如下步驟：

S1：采用等距離散方法將原始連續(xù)的待預(yù)測航跡數(shù)據(jù)轉(zhuǎn)化為離散的航跡數(shù)據(jù)，對離散的航跡數(shù)據(jù)進(jìn)行突變的經(jīng)度數(shù)據(jù)處理后，剔除異常數(shù)據(jù)，并進(jìn)行歸一化處理；

S2：利用Douglas-Peucker算法對歸一化處理后的航跡數(shù)據(jù)進(jìn)行壓縮，提取特征點(diǎn)；

S3：將提取的各所述特征點(diǎn)依次連接，得到航跡片段集，利用DBSCAN聚類算法對所述航跡片段集進(jìn)行聚類，得到多個(gè)航跡簇；

S4：根據(jù)多維度因素下不同的突發(fā)情況，選取與突發(fā)情況對應(yīng)的航跡簇，作為預(yù)先訓(xùn)練好的航跡預(yù)測神經(jīng)網(wǎng)絡(luò)模型的輸入，進(jìn)行航跡預(yù)測；

S5：采用inv_MinMaxScaler方法對航跡預(yù)測結(jié)果中的經(jīng)度時(shí)間序列和緯度時(shí)間序列進(jìn)行反歸一化處理。

在一種可能的實(shí)現(xiàn)方式中，在本發(fā)明提供的上述基于線段聚類的多維度高精度航跡智能預(yù)測方法中，所述航跡預(yù)測神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，包括如下步驟：