[發明專利]基于LSTM編解碼模型的海洋浮標軌跡預測方法

有效

• 申請號: 202011392272.2
• 申請日: 2020-12-01
• 公開（公告）號: CN112364119B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 梁建峰;宋曉;韓璐遙;岳心陽;陳萱;陳若冰;李雨森;韋廣昊;韓春花;寧鵬飛;劉志杰
• 申請（專利權）人: 國家海洋信息中心
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06Q10/04;G06N3/0442;G06N3/0464;G06N3/084
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種基于LSTM編解碼模型的海洋浮標軌跡預測方法，包括：獲取海洋浮標的軌跡序列，包括海洋浮標的經度坐標和緯度坐標，所有海洋浮標的軌跡序列構成數據集，將數據集分成訓練集和測試集；編碼器每一個時間步讀取訓練集中一個軌跡點周期性編碼標準化后的數據，并結合上一時間步的隱層輸出生成該步的輸出，延時間軸方向不斷讀取最終轉換成固定長度的全局向量表示；解碼器基于全局向量表示初始化內部狀態，直至模型收斂；將測試集輸入至訓練好的模型中，得到海洋浮標預測軌跡。本發明能夠對海洋浮標的軌跡進行準確預測，對于指導浮標投放具有很大的參考價值。

技術領域

本發明涉及海洋浮標軌跡預測技術領域，更具體的說是涉及一種基于LSTM的Encoder-Decoder海洋浮標軌跡預測方法。

背景技術

物體軌跡預測方面已經有很多研究成果。早期研究主要集中在對移動對象軌跡的模擬，此類方法依賴于手工特征，很難在復雜的真實環境下對用戶的行為模式進行充分挖掘。Qiao提出使用隱馬爾科夫模型(HMM)結合用戶的個性化行為習慣進行軌跡預測。其他傳統的機器學習算法如線性回歸、決策樹模型也被應用于軌跡預測。上述算法取得了不錯的預測效果但均局限于對離散的位置點進行預測，并不適用于經緯度坐標此類連續的位置信息。隨著深度學習的快速發展，長短期記憶網絡(Long?short-term?Memory,LSTM)也被大量應用于軌跡序列預測任務。如斯坦福大學研究員Alahi等在2016年提出的social?LSTM模型將軌跡預測看成序列生成任務，通過對人類的一般運動進行學習來預測未來軌跡，但其應用場景局限于特定的小范圍區域如十字路口等。Wong等提出的LSTM-PPM模型，使用LSTM網絡結合周期模式挖掘，即在模型的輸入特征中引入歷史軌跡中的周期性模式特征以提高預測精度，該方法建立在移動對象具有規律的移動模式的假設之上，而海洋浮標的漂流軌跡受到多種自然氣候因素的影響，且不同區域內的浮標軌跡差異較大，難以對軌跡的周期模式進行挖掘。

根據預測步長的不同，可以將軌跡預測任務分成單步預測和多步預測。單步預測僅對未來的第一個時間步的位置進行預測，應用場景十分有限。若使用單步預測的方法對未來第K個時間步進行預測(K1)，即實現多步預測的目標，由于無法獲得真實的位置信息，需要將上一步的預測輸出追加到輸入序列的末端作為已知的歷史信息，微小的誤差在循環單步預測過程中不斷累積，嚴重影響了最終軌跡預測的精度。

因此，如何提供一種預測精度高且適用于海洋浮標的軌跡預測方法是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于LSTM編解碼模型的海洋浮標軌跡預測方法，能夠對海洋浮標的軌跡進行準確預測。

為了實現上述目的，本發明采用如下技術方案：

一種基于LSTM編解碼模型的海洋浮標軌跡預測方法，包括：

獲取海洋浮標的軌跡序列，所述軌跡序列中的每個軌跡點包括海洋浮標的經度坐標和緯度坐標，所有海洋浮標的軌跡序列構成數據集，將并將所述數據集分成訓練集和測試集；

編碼器每一個時間步讀取所述訓練集中一個軌跡點周期性編碼標準化后的數據，并結合上一時間步的隱層輸出生成該步的輸出，延時間軸方向不斷讀取最終轉換成固定長度的全局向量表示；

解碼器基于所述全局向量表示輸出預測經度和緯度；

計算輸出的上述經度和緯度分別與預測值之間的誤差，更新權重直至LSTM模型收斂；

將所述測試集輸入至訓練好的所述LSTM模型中，得到海洋浮標預測軌跡。

進一步，所述周期性編碼具體包括：

將海洋浮標的所述經度坐標和所述緯度坐標進行周期性編碼：