一种用于船舶轨迹预测的动态时空图注意力方法

技术领域

本发明涉及船舶轨迹预测领域，尤其涉及到一种用于船舶轨迹预测的动态时空图注意力方法。

背景技术

船舶轨迹预测，是通过分析船舶数据和环境因素，使用算法模型来预测船舶在未来一段时间内的行驶轨迹，其对潜在碰撞的早期预警和智能航运的运输管理具有重要意义。然而，进行准确的船舶轨迹预测是一个具有挑战性的难题，其原因在于：

1)来自外部环境的扰动和相邻航行船舶之间的相互作用，如船吸效应、波浪载荷、结构应力和风等，会导致实际航线与预定方向发生巨大的偏差。

2)可观察到的轨迹分布中的微小波动会在未来的航行中被放大。

其原因在于，相较于自动驾驶汽车和行人，同类型行为的完成时间更久，尤其是大型海船的转弯、加减速、靠离泊等。这意味着一艘船舶执行动作所产生的反应可能会在未来一段时间内持续影响周围其他船舶的航行，而其他船舶由此采取的行为措施也会影响其临近船舶的轨迹。

基于以上所述的海上交通状况的动态性和复杂性，导致了预测船舶未来位置的困难。

为了解决解决上述问题，现有常见的船舶轨迹预测方法如下：

基于历史数据的统计模型：通过分析历史船舶轨迹数据，提取特征，并使用统计方法建立模型,常用的方法包括线性回归、ARIMA模型等。

机器学习方法：利用机器学习算法，如决策树、支持向量机、随机森林等，根据历史轨迹数据和环境因素构建模型，并预测未来轨迹。

深度学习方法：使用深度神经网络模型，如循环神经网络(RNN)或图神经网络(GNN),来学习历史数据的时间序列特征，并进行轨迹预测。

基于物理模型的数值模拟：根据物理原理和环境因素，建立船舶运动的动力学模型，通过数值模拟方法，结合历史数据进行预测。

虽然上述船舶轨迹预测方法在不断进步，但仍存在如下缺陷：

1.数据稀疏性：船舶轨迹数据通常是基于船舶的历史记录获取的，而船舶活动范围广泛且多样化，导致数据的稀疏性。这会对模型的准确性和泛化能力产生负面影响。

2.缺乏完整的历史数据：船舶轨迹数据的历史记录通常有限，可能只包含一小段时间内的轨迹信息。这限制了模型对船舶行为的全面理解和预测能力。

3.复杂的环境动态性：船舶的行为受到多种环境因素的影响，如海流、风速、潮汐等。这些因素的变化不确定且动态，对轨迹预测的准确性提出了挑战。

4.缺乏船舶特征信息：现有的船舶轨迹数据通常只包含位置和时间信息，而缺乏对船舶的详细特征描述。例如，船舶的类别、尺寸、航速等特征对轨迹的预测可能具有重要影响，但常常难以得到。

5.模型泛化能力有限：由于船舶轨迹数据的特殊性，一些预测模型在应用到其他航行环境或不同类型的船舶时，可能会表现出有限的泛化能力。

从以上可知，在进行船舶轨迹预测时，需要考虑的因素包括船舶类型、船速、风速、海流等环境因素，以及船舶特性和航行目的等。这些因素对于预测模型的选择和建立都具有重要影响。同时，数据质量和数量也对预测结果的准确性产生影响。

因此，有必要对现有的船舶轨迹预测方法进行改进，以克服上述缺陷。

发明内容

本发明的目的是提供一种动态时空图注意力方法，通过面向船舶航行态势场景的动态建模，并应用于船舶航迹预测任务，以提高轨迹预测的精度。

本发明的上述技术目的是通过以下技术方案实现的：

一种用于船舶轨迹预测的动态时空图注意力方法，包括如下步骤：

步骤1，空间图学习，利用图神经网络中的信息传播技术来学习态势感知图中的目标船舶的局部表征，得到目标实体编码；

步骤2，时间图融合，采用掩码的注意力层来从具有空间依赖性的航迹向量中学习长期时间依赖以及使用基于GRU的序列编码-解码器来捕捉局部时间依赖；

步骤3，特征解码，将带有时空属性的轨迹向量进行解码，生成船舶未来的相对位置坐标，实现高精度的轨迹预测任务。

进一步的，所述步骤1中，设所述态势感知图G

其中，ε是态势感知图G

R是态势感知图G

所述步骤1中的目标船舶的局部表征指的是处在目标船舶周围航行的邻居船舶实体，其采用邻接矩阵

其中，

进一步的，所述步骤1中的空间图学习，利用知识感知的图注意力机制计算邻居实体和协同关系对目标实体的影响，然后通过信息聚合操作融合来自不同邻居的语义和属性，以细化目标实体的嵌入。

进一步的，所述步骤2中基于GRU的序列编码-解码器是多个GRU神经网络模块的叠加。

进一步的，所述步骤2中掩码的注意力层是一种用于特征向量间进行自注意力计算的操作。

进一步的，所述步骤3中带有时空属性的轨迹向量指的是经过空间图学习与时间图融合操作后所产生的目标船舶轨迹向量。

进一步的，所述步骤3中的解码操作，利用残差控制和全连接层的维度调整，将编码的轨迹向量进行解码，生成目标船舶的未来位置坐标。

一种用于船舶态势感知的轨迹预测装置，包括

空间图学习编码器，其用于整合图神经网络和注意力，以捕捉船只之间的动态相互作用；

时间图融合模块，其采用掩蔽的时间意识注意层，在全局范围内学习船只轨迹的时间依赖性；

特征解码模块，其用于将带有时空属性的轨迹向量进行解码，生成船舶未来的相对位置坐标，实现高精度的轨迹预测任务。

一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求所述的方法。

一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求所述的方法。

综上所述，本发明具有以下有益效果：

1.本发明针对船舶航行态势场景的动态建模问题，通过设计的一种空间图学习编码器(S-GLE)，利用图神经网络捕捉船只之间的动态相互作用，并在空间图学习中，提出了一种知识感知的图注意力机制来计算邻居实体和协同关系对目标实体的影响；最后通过一种信息聚合操作融合来自不同邻居的语义和属性，以细化目标实体的嵌入，解决了目前的大量研究工作中单纯的使用静态空间图模拟船舶的互动的诟病。

2.本发明还设计了一种时间图融合模块(TGF)，采用了掩蔽的时间意识注意层，在全局范围内学习船只轨迹的时间依赖性。特别是，利用基于GRU的序列编码器-解码器来取代传统注意结构中的位置编码，允许在局部范围内关注更多的时间依赖性，提高了模型的预测性能。

3.本发明重构了特征解码操作，设计了一种残差控制块对带有时空特征的船舶轨迹向量进行解码，有效的解决了航迹预测任务中存在的噪声干扰，为船舶提供更合理、更准确的安全航行路线。

附图说明

图1为本发明所述的动态图注意力方法的步骤图。

图2为本发明所述的动态图注意力装置的配置程序图。

图3本发明提供的动态图注意力方法的GRU编码-解码器示意图。

图4为本发明提供的动态图注意力方法的流程图。

图5为本发明提供的的动态图注意力方法的空间图学习编码器示意图。

图6为本发明提供的动态图注意力方法的残差控制块示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。

如图1至图6所示，本发明提出的一种用于船舶轨迹预测的动态时空图注意力方法，包括如下步骤：

步骤1，空间图学习，利用图神经网络聚合目标实体的邻居嵌入来学习其局部结构表示；然后通过一种知识感知的图注意力机制计算邻居实体和协同关系对目标实体的影响；最后通过一种信息聚合操作融合来自不同邻居的语义和属性，以细化目标实体的嵌入。

步骤2，时间图融合，采用时间图注意力层来学习船舶轨迹数据的全局时间依赖关系，并为模型提供可解释性；其次，利用基于GRU的序列编码器替代传统Transformer架构中的位置编码，为输入的序列提供更合理的归纳偏置的同时还能捕获更多的局部时间依赖关系。

步骤3，特征解码，

将带有时空属性的轨迹向量进行解码，生成船舶未来的相对位置坐标，实现高精度的船舶轨迹预测。

本发明还还提供了一种用于船舶态势感知的轨迹预测装置，其包括空间图学习编码器101，时间图融合模块102和特征解码模块103。

其中，空间图学习编码器101，用于整合图神经网络和注意力，以捕捉船舶之间的动态相互作用。

在空间图学习编码器101中，具体包括利用图神经网络聚合态势感知图中的目标实体的邻居嵌入来学习其局部表征(信息传播过程)，并通过一种知识感知的图注意力机制计算邻居实体和协同关系对目标实体的影响，最后通过一种信息聚合操作融合来自不同邻居的语义和属性，以细化目标实体的嵌入；

所述态势感知图G

其中，ε是态势感知图G

R是态势感知图G

所述步骤1中的目标船舶的局部表征指的是处在目标船舶周围航行的邻居船舶实体，其采用邻接矩阵

其中，

所述的信息传播过程指的是船舶实体在l＝0层的表征

其中，a

在单个实体向内传播信息的过程中，一些相邻的实体和协同关系对目标实体有不同的影响。更具体地说，如果两艘具有不同属性(如COG、SOG、大小等)的船只位于近处，它们的海上航行情况意识和轨迹更有可能相互影响。因此，本实施例设计了一个知识感知的图注意力机制，以揭示目标实体在协同其相邻主体和关系时的不同含义。

所述知识感知的图注意力机制，具体包括如下：

首先对船舶实体进行自我注意力计算，这是一种共享的注意机制，然后通过执行掩码式注意力计算，将图结构注入该机制中。

通过以下公式反映：

a

值得注意的是，实例中只计算实体e

所述的图注意力运算通过以下公式定义为：

其中，e

在空间图学习编码器101中，所述信息聚合操作具体包括：

信息聚合操作聚合了来自不同邻居和协同关系的语义和属性，以细化目标实体的嵌入。

具体来说，给定

其中，σ是Sigmoid的激活函数；

本实施例采用层聚合机制，将每一步的表征串联成一个向量，e

其中，

时间图融合模块102，采用了掩蔽的时间意识注意层，在全局范围内学习船只轨迹的时间依赖性。特别是利用基于GRU的序列编码器-解码器来取代传统注意结构中的位置编码，允许在局部范围内关注更多的时间依赖性。

在时间图融合模块102中，输入为带有空间依赖关系的船舶实体向量

具体来说，本实施例将

进一步的，本实施例利用船舶节点在每个时间步长的空间表征e

其中σ可以作为一个门控信号，即σ(z)＝1/(1+e

进一步的，信息在GRU中的传播过程如下：

h′包含当前时间步长的输入数据

值得注意的是，编码器-解码器在当前时间步长学到的船舶的局部状态不仅与未来时刻密切相关，而且还将通过非线性变换继续传递到上层。

在时间图融合模块102中，还涉及一种掩码的时间感知注意力，指的是采用一种并行的方式来引导目标船只的未来位置特征，具体包括：

被遮蔽的时间意识注意层将底部GRU编码器-解码器在不同时刻捕获的目标船舶的局部时间特征向量转移到全局空间，并堆叠成序列。然后，注意力机制使模型能够考虑序列中不同时刻的节点之间的相互作用，并自动学习序列中与当前任务有关的特征之间的关系。这些交互模式给每个输入特征的重要性加权，使模型能够学习输入序列中相距甚远的特征之间的依赖关系。

也就是说，注意力机制根据密钥

其中，T是进入注意层的时间步数。

进一步的，本实施例引入了一个多头注意机制以允许模型学习输入特征之间关系的多个不同方面。假设利用K组投影矩阵将投影到不同的查询、键和值中，从而形成一个由K个独立的注意力模块串联而成的多头注意力机制。

Q

其中，

更重要的是，在船舶轨迹预测任务中，本实施例将其扩展为屏蔽式多头注意，以确保每个时间维度只能注意到它之前的特征。我们使用序列中未被掩盖的节点的信息来对被掩盖的目标特征进行预测，使模型能够考虑完整的输入序列，而不仅仅是前面的帧。

特征解码模块103，用于将带有时空属性的轨迹向量进行解码，生成船舶未来的相对位置坐标，实现高精度的轨迹预测任务。

进一步的，在特征解码模块103中，设计了一种残差控制块对带有时空特征的船舶轨迹向量进行解码，有效的解决了航迹预测任务中存在的噪声干扰，为船舶提供更合理、更准确的安全航行路线。

进一步的，所述特征解码又分为训练过程中的特征解码和测试过程中的特征解码，具体包括：

在训练过程中，首先融合目标船舶的空间和时间信息，得出全局观察特征

在测试阶段，目标船舶的未来基础真值被设置为零，只有观察到的特征

使用Kullback-Leibler DistributionKL分布来优化

上述描述通过以下公式反映：

其中，

本发明还提供一种电子装置，其中，该装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行本发明所述装置的配置程序系统，所述配置程序被所述处理器执行时可以实现本发明所述船舶态势感知的航迹预测方法。

本发明还提供一种计算机可读存储介质，其中，所述计算机可读的存储介质上存储有本发明所述装置的配置程序，所述配置程序可以被一个或多个处理器执行，以实现如本发明所述船舶态势感知的航迹预测方法。

在本文中，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了表达技术方案的清楚及描述方便，因此不能理解为对本发明的限制。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。