[發明專利]一種基于圖神經網絡的航跡預測方法

有效

• 申請號: 202110779945.8
• 申請日: 2021-07-09
• 公開（公告）號: CN113505878B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 蘇偉;成方林;張久文;李建睿;劉映杰;蔡川
• 申請（專利權）人: 蘭州大學;天津云帆海洋科技有限公司
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06N3/04;G06K9/62
• 代理公司: 北京金宏來專利代理事務所(特殊普通合伙) 11641
• 代理人: 陸華

本發明公開了一種基于圖神經網絡的航跡預測方法，包括：S1：構建圖神經網絡模型。S2：獲取待檢測航跡序列數據集。S3：將待檢測航跡序列數據集輸入圖神經網絡模型，得到航跡預測軌跡。本發明結合圖神經網絡GNN(GraphNeuralNetworks，GNN)在空間特征提取方面強大的性能優勢，將時空圖神經網絡模型應用于預測任務中，并倡導實驗進行了可行性驗證及同其他預測模型的對比分析，結果表明圖神經網絡在所有預測模型中，性能表現最好，相比于LSTM模型，在預測任務的準確性和穩定性方面均有提升。

技術領域

本發明屬于航跡預測領域，具體涉及一種基于圖神經網絡的航跡預測方法。

背景技術

隨著海洋事業的迅速發展及海洋貿易量的急速上升，運輸船舶頻繁地在海上往來，導致海上交通安全和航行監管成為相關部門及學者關注的焦點，而得益于AIS關鍵技術的發展和普及，依托于海量AIS數據的科學研究在實現海上交通安全和輔助監管等方面發揮著越來越多的作用。挖掘潛藏在AIS數據中的巨大價值，探究依托AIS數據的算法和系統設計引領著海事方面相關研究的前沿趨勢，尤其近年以來，人工智能、機器學習以及數據挖掘領域相關理論與技術的夯實和發展，國內外有關AIS數據的研究在異常檢測、航跡預測、碰撞規避等熱點研究領域都取得了不錯的成就。作為其他海事科學領域研究的基礎，基于AIS數據的航跡預測，引起了更多海內外學者的重點關注，也取得了更先進的技術研究成果。

對于多變量的時間序列的預測方法，通常都會提前假設變量之間具有相互依賴性關系。換句話說，每個變量的值不僅取決于其歷史值，而且還取決于其他變量。在本文第三章所提及的模型方法，通過一定的改動，比如多個輸入向量拼接等，也能完成所需的預測任務。但是，上述的模型或多或少忽視了變量之間潛在的相互依賴關系，即使LSTM 模型這樣的循環神經網絡，關注到了航跡序列之間時間維度的相互依賴關系，卻沒能顯式地構建出單獨一個航跡點內變量之間空間依賴關系，這對模型的可解釋行造成了一定的影響。

圖形作為一種特殊的數據結構，其在描述不同節點之間的關系方面具有天然優勢。隨著圖形神經網絡GNN的發展，網絡模型具有的排列不變性，局部連通性和組成性等方面的優勢，使其在處理圖形數據方面獲得了巨大的成功。圖神經網絡通過結構傳播信息，使圖數據中的每個節點都能知曉其相鄰節點的信息。

發明內容

本發明目的在于提供一種基于圖神經網絡的航跡預測方法，包括：

S1：構建圖神經網絡模型。

S2：獲取待檢測航跡序列數據集。

S3：將待檢測航跡序列數據集輸入圖神經網絡模型，得到航跡預測軌跡。

進一步的，所述S1具體方法為：

S1-1：調取船舶AIS原始數據庫中的AIS原始軌跡數據。

S1-2：對所述AIS原始軌跡數據進行處理，得到航跡序列數據集。

S1-3：新增圖學習模塊，建立圖神經網絡模型。

進一步的，所述步驟S1中構建的圖神經網絡模型包括圖學習模塊、m個圖卷積模塊和m個時間卷積模塊和輸出模塊，所述圖學習模塊，根據數據計算輸入圖數據的鄰接矩陣，該鄰接矩陣隨后將用于所有圖卷積模塊上，作為此模塊的輸入，所述圖卷積模塊與時間卷積模塊交替分布，一個時間卷積模塊后面接一個圖卷積模塊，分別捕獲輸入信息在時間和空間上的相關性。

進一步的，所述圖卷積模塊包括兩個Mix-Hop傳播層，Mix-Hop傳播層會結合鄰接矩陣來處理信息流中節點的空間相關信息。

其中，關鍵結構Mix-Hop傳播層會結合鄰接矩陣來處理信息流中節點的空間相關信息。而Mix-Hop傳播層通常包含兩個步驟：傳播過程和選擇過程。Mix-Hop傳播層的傳播過程可以定義為(4-6)：