CN119415846A 一种基于深度交叉lstm网络的船舶轨迹预测与异常检测方法、装置、设备及存储介质 （中国科学院空天信息创新研究院）

号一种基于深度交叉LSTM网络的船舶轨迹预本发明提出一种基于深度交叉LSTM网络的制与编码解码器的深度交叉LSTM网络模型，包为高维向量表示，同时结合多头注意力机制和进行训练并利用训练好的深度交叉LSTM网络模2步骤S3、对深度交叉LSTM网络模型进行训练并利用训练好的q,aq,…,aq,=PE(x,x,…,x,)（1）3关系与LayerNorm层标准化；包括采用注意力机制学习序列数据中各个时刻信息键的相互其中分别表示通过线性变MuliHeaddun(QU-,kn-,ps.)=com意力机制通过并行多个注意力头来学习输入序遗忘门的输出f：40,,0,e,…,e,=PE(o,…0,xg,…,x,)（13）其中分别表示通过线性变换得到的,的查询向量与编码器的键向量之间的关联性，然后将得到的权重应用于编码器的值向量，(dn,hiddean,)=LSTM(d,crossAttention(QXW.,knw.:pax,))（15）其中，dn是解码器在时间步t+l的输出向量，hiddd是解码器在时间步t的输出向量，而则表示5船舶航行特征预测模块，对深度交叉LSTM网络模型进行训练并利用训6[0002]海上交通监控和海上管理对船舶安全具有重要意义。利用船舶自动识别系统措施有效引导船舶航行行为，可实现船舶的自动跟踪和碰撞预警，对提高水上交通监管效率和降低交通风险具有重要意义。但船舶在航行过程中受到诸多因素影响，且海上存在信度学习的方法。据是有前后联系的变量。传统的数学建模和机器学习方法不适用于轨迹变化复杂的情况。[0006]本发明提出一种基于深度交叉LSTM网络的船舶轨迹预测与异常检测方法、装置、设备及存储介质，进一步提出一个LSTM深度学习预测网络框架——深度交叉LSTM网络7后续的计算提供更有价值的信息输入。而先使用注意力机制计算编码后的数据相关性，则能够突出重要的数据特征，让模型更加聚焦于对轨迹预测有重要影响的因素。相比直接输入数据或先进行LSTM网络的方式，本发明更加科学合理，能够更好地捕捉船舶轨迹的动应用场景。编码器部分，将输入的多元时序数据转换为高维向量表示，同时结合多头注意力机制和8[0020]2.采用编码器_解码器结构与多头注意9t表示时间步，pos表示时间步t的位置，d表示学习序列数据中各个时刻信息键的相互依赖关系，增强模型对输入序列的理解与表征能[0051]其中分别表示通过,[0053]Muibeaddtn(Qa,头注意力机制通过并行多个注意力头来学习输入序[0056]步骤2.3LSTM网络处理与linear变换：采用LSTM网络对编码器的输出进行处c,是记忆细胞状态。[0077]如图1右侧所示，解码器的任务是根据编码器生成的表示向量来逐步生成目标序[0082]0,,0,e,…,e,=PE(o,…0,xg,…,x,)（13）PE表示对输入序列x进行位置编码与时间编码，p为输入序列起n为输入序列结束序号，eg,…,e,是输入序列经过位置时间编码环节后的状态向[0086]其中分别表示通过线性变换得,,[0088](dn,hiddean,)=LSTM(d,crossAttention(QXW.,knw.:pax,))（15）[0098]数据集①来源于三艘船舶的AIS数据，分别是2022年7月12日20:44_22:44的一艘[0102]AIS设备更新轨迹数据的时间间隔为几秒至几分钟，一般航速较快处轨迹点较密名和身表示预测轨迹点的x和y坐标，和表示真实轨迹点的x和y坐[0120]a)选定数据集初始时刻。以10s为时间粒度，选取1艘船舶的数据作为LSTM_DCross神经网络模型输入，此时tan=(0,1,2,3…)，而x表示经纬度、航速航向的输入值内的连云港船舶（MMSI=413631000预测时刻为：2023年2月25日21:02:36_21:16:48时间段。[0122]采用BP神经网络、LSTM_ATT与本发明提出的LSTM_DCross网络对输入序列进行预以及热红外数据，对船舶轨迹点进行验证。基于LSTM_DCross的历史预测法对该数据集在[0130]图12所示为某港口2023年2月25日热红外数据，其中灰色轨迹表示MMSI=