一种基于AIS数据的船舶目标分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115063676A(43)申请公布日2022.09.16(21)申请号202210594360.3G06V10/82(2022.01)(22)申请日2022.05.27G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人中国人民解放军战略支援部队信息工程大学地址450001河南省郑州市高新区科学大道62号(72)发明人王宇君郭健李可欣李宗明缪坤陈辉徐立(74)专利代理机构郑州睿信知识产权代理有限公司41119专利代理师吴敏(51)Int.Cl.G06V20/10(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)权利要求书1页说明书12页附图4页(54)发明名称一种基于AIS数据的船舶目标分类方法(57)摘要本发明涉及一种基于AIS数据的船舶目标分类方法，属于轨迹分类方法技术领域。本发明首先构建用于船舶目标分类的第一输入特征向量和第二输入特征向量，第一输入特征向量和第二输入特征向量简单，可直接从AIS数据中得到，且能兼顾到时空特征，避免了人为干预且复杂的特征工程；然后采用CNN‑BiGRU组合模型船舶目标分类模型，将得到的第一输入特征向量和第二输入特征向量分别输入到CNN模型和BiGRU模型中，由CNN‑BiGRU组合模型结合时空特征对船舶目标分类识别，相比于传统的机器学习算法和单一的深度学习模型，本发明能够有效提升船舶目标分类的精度。CN115063676ACN115063676A权利要求书1/1页1.一种基于AIS数据的船舶目标分类方法，其特征在于，该方法包括以下步骤：1)获取AIS数据，对AIS数据进行预处理，从中提取出航速、航向、船首向和加速度构建第一输入特征向量，用于学习各轨迹段局部之间的联系和整体特征；提取出航速、航向、船首向和时间间隔作为第二输入特征向量；2)构建船舶目标分类模型，所述船舶目标分类模型包括CNN模型、BiGRU模型、融合层和全连接层；所述的CNN模型用于对第一输入特征向量进行处理，以得到表征空间信息的高层特征；所述BiGRU模型用于对第二输入特征向量进行处理，以得到表征时序信息的高层特征；所述的融合层用于对得到的表征空间信息的高层特征和表征时序信息的高层特征进行融合汇总；所述的全连接层根据融合汇总后的特征计算各类型船舶目标的分布概率，以实现对船舶目标的分类。2.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的步骤1)中第一输入特征向量的提取过程为：对获取的AIS数据进行分段，得到每艘船对应的轨迹段；按照设定的轨迹段长度，获取轨迹段中各轨迹点的航速、航向和船首向，并根据相邻轨迹点的速度和时间间隔计算对应轨迹点的加速度。3.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的步骤1)中第二输入特征向量的提取过程为：对获取的AIS数据进行分段，得到每艘船对应的轨迹段；按照设定的轨迹段长度，获取轨迹段中各轨迹点的航速、航向和船首向，并获取相邻轨迹点的时间间隔。4.根据权利要求2或3所述的基于AIS数据的船舶目标分类方法，其特征在于，在对AIS数据进行预处理时，还包括对AIS数据进行清洗，所述的清洗包括删除关键字段缺失、时间重复以及超出设定范围的轨迹点记录。5.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的BiGRU模型包括两个方向相反的门控循环单元。6.根据权利要求5所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的门控循环单元包括输入层、隐藏层和输出层，隐藏层包括更新门和重置门，更新门和重置门用于共同决定历史信息是否能被保留及传递。7.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的CNN模型包括输入层、卷积层和池化层，输入层用于获取第一输入特征向量；所述卷积层有若干个，池化层设置在每个卷积层之后。8.根据权利要求7所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的CNN模型还包括有Dropout层，该Dropout层设置在最后一个池化层之后。9.根据权利要求1所述的基于AIS数据的船舶目标分类方法，其特征在于，所述的船舶目标分类模型在进行训练时，先对CNN模型进行训练，在CNN模型训练结束时，再对CNN模型和BiGRU模型进行整体训练。2CN115063676A说明书1/12页一种基于AIS数据的船舶目标分类方法技术领域[0001]本发明涉及一种基于AIS数据的船舶目标分类方法，属于轨迹分类方法技术领域。背景技术[0002]轨迹分类一直是交通运输工程、交通地理学的重要研究。移动互联网、卫星定位等技术的快速更新以及“21世纪海上丝绸之路”倡议的广泛普及，加速了全