买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明公开了一种CNN和LSTM神经网络组合的船舶轨迹分类方法及系统。首先，对原始轨迹数据进行清洗和预处理。其次，采用固定大小的滑动窗口沿轨迹序列依次计算船舶在每个轨迹点位置的运动属性，构建船舶的运动属性序列。最后，将船舶运动属性序列作为输入，利用CNN‑LSTM模型进行高层次运动行为特征提取与轨迹类型识别。本发明围绕船舶轨迹数据分类这一难点问题，针对CNN和LSTM两种不同类型神经网络分别在提取局部轨迹点高层次运动特征和不同时间段轨迹信息关联关系分析方面具有的优势，提出一种CNN‑LSTM组合的分类方法，从而挖掘时空轨迹数据中的船舶运动特征，实现提高船舶轨迹分类精度的目标。

主权项：1.一种CNN和LSTM神经网络组合的船舶轨迹分类方法，其特征在于，包括：S1：对待分类原始轨迹数据进行数据清洗与预处理；S2：将进行数据清洗与预处理后的轨迹数据用轨迹序列表示，并采用固定大小的滑动窗口沿轨迹序列依次计算每一轨迹点处船舶的运动属性，得到船舶沿轨迹线的运动属性序列，其中，设置阈值Len作为运动属性序列的固定长度，如果实际得到的运动属性序列的长度大于Len，则对实际得到的运动属性序列进行分割处理；否则，在实际得到的运动属性序列尾部增加零值直至长度为Len，运动属性包括运动速度、加速度和航向变化率；S3：将得到的船舶沿轨迹线的运动属性子序列输入预先构建好的CNN-LSTM模型，CNN-LSTM模型包括运动特征提取模块、时序特征提取模块和轨迹类型预测模块，其中，船舶沿轨迹线的运动属性子序列通过将S2中的运动属性序列按时间顺序进行等长划分后得到，将划分后的等长运动属性子序列分别输入不同卷积核的CNN模块，通过卷积和池化操作获得高层次特征，时序特征提取模块采用LSTM模型，提取后的运动特征按时序输入LSTM模型，提取对应的时序特征，最后通过轨迹类型预测模块组合LSTM模型每一时刻的输出，得到轨迹预测类别结果；步骤S1包括：S1.1：剔除待分类原始轨迹数据中缺失船舶经纬度坐标、时间信息的轨迹点；S1.2：设定阈值Tseg，若相邻轨迹点时间间隔大于Tseg，则将轨迹序列在对应的轨迹点处进行分段处理；S1.3：采用启发式的离群轨迹点的探测与剔除方法删除几何位置异常的轨迹点，具体包括：以当前轨迹点pa为圆心，作半径为Max_sp×Δt的圆形区域，其中，Max_sp表示船舶移动速度最大值，Δt表示pa和下一轨迹点pa+1的时间间隔，若轨迹点pa+1处于圆形区域外，则将pa+1识别为离群轨迹点并作剔除处理；S1.4：采用分布密度和范围双重约束的停留点探测算法识别船舶停留轨迹点，具体包括：利用密度聚类算法将存在聚集现象的序列轨迹点聚类成簇，每一簇轨迹点作为停留点的潜在对象，然后计算每一簇轨迹点的几何中心与该簇时序起始轨迹点和终止轨迹点的距离，通过设置距离约束阈值R，排除由于低速行驶或者采样间隔过小而产生的点簇，最后，将保留的轨迹点簇标注为停留点，并在停留点区域对轨迹点序列进行分段处理；运动特征提取模块的处理过程包括：将运动属性子序列组织为多通道表达，每个通道表示一种运动属性，通道大小为1×Lenp，采用cout个大小为cinput×1×h的卷积核对输入特征进行卷积计算，使用零值填充和步幅为1来保持卷积运算后特征尺寸不变，并利用激活函数输出为新的特征，每个卷积核所产生的新特征yi的表达式为： cout为卷积运算后输出的通道数，cinput为卷积输入的通道数，w1、w2、分别为第一个、第二个、第个通道，h为卷积核的宽度，0≤i≤Lenp，xi表示输入向量x第i位置上的值，f·表示非线性激活函数；b表示偏置向量；n表示当前通道数，通过一个卷积核计算后产生新的特征向量为Y＝{y1,y2,…,yLenp}；利用池化运算获取粗粒度的主体特征，池化窗口内的特征Yk×s:k×s+l-1的最大值作为输出，表达式为： 其中，k表示池化窗口移动的次数，floor·为向下取整函数；l和s分别表示窗口长度和移动步幅；将池化运算提取的主体特征对应的向量展平为一维向量，并输入全连接层进行特征降维，降维后的特征向量作为后续时序特征提取模块的输入。

全文数据：

权利要求：

百度查询： 武汉大学 一种CNN和LSTM神经网络组合的船舶轨迹分类方法及系统