一种海上人员漂移轨迹预测方法

专利主权项内容

1.一种海上人员漂移轨迹预测方法，其特征在于，包括以下步骤：S1、获取海上人员漂移轨迹数据作为数据集，并对漂移轨迹数据进行预处理；所述漂移轨迹数据包括海风数据、海流数据以及历史轨迹数据，其中，海风数据分为海风经纬度坐标以及速度的东分量与北分量，海流数据分为海流经纬度坐标以及速度的东分量与北分量，历史轨迹数据包括经纬度坐标；S2、基于预处理后的数据集构建关于时间序列的训练集和测试集；S3、构建基于双重自注意力机制的空洞卷积-GRU网络模型，其包括特征多头自注意力模块、空洞卷积网络模块、两层GRU网络模块和时序自注意力模块，使用训练集训练该模型，使用测试集对训练好的双重自注意力机制的空洞卷积-GRU网络模型进行验证；所述S3中，训练过程包括以下子步骤：S3.1、确定输入层的数据，输入数据为海流经纬度坐标、海流速度东分量、海流速度北分量、海风经纬度坐标、海风速度东分量、海风速度北分量、历史轨迹经纬度坐标以及时序特征变量，构建大小为k×n的输入特征矩阵X，共有k个特征，1≤k≤10，n个时刻，X表示为：S3.2、将X输入到特征多头自注意力模块中，得到特征多头自注意力模块的权重a，其中1≤m≤k，计算过程为：mQ＝WX；mQK＝WX；mKV＝WX；mVhead＝Attention(QW，KW，VW)；jmjQmjKmjVMultiHead(Q，K，V)＝Concat(head，…，head)W<mmm1<<<＝MultiHead(Q，K，V)＝[a，a，…，a]<<<<<<<<其中，Q为查询矩阵；K为键矩阵；V为值矩阵；Attention(·)为缩放点积注意力函数；d为K的维度；head为第j组自注意力输出，j∈(1，u)；W为查询矩阵的训练参数矩阵；W为键矩阵待学习的参数矩阵、W为值矩阵待学习的参数矩阵、W为转换矩阵，将拼接的矩阵转换为指定长度的输出向量；<<<<<<<<<<对输入特征矩阵X赋权a，可得到输入特征加权矩阵X′；<S3.3、将X′输入到空洞卷积网络模块中，空洞卷积网络模块由三层扩张率不同的空洞卷积层构成，确定该模块的多个超参数，超参数包括卷积核大小、卷积核移动步长、填充大小、卷积核个数、三层空洞卷积层的扩张率大小；输出维度为[batch_size，channel，H，W]，其中，batch_size为批次，channel为通道数，H为特征矩阵高度，W为特征矩阵宽度；outoutoutout该空洞卷积网络模型输出矩阵X″；S3.4、将矩阵X″经过维度变换为X，输入到两层GRU网络模块中，确定两层GRU网络模块的多个超参数，超参数包括隐藏层层数、隐藏层单元数、输出层层数、输出层单元数；具体步骤为：<<＝sigmoid(W[X，h]+b)；<<<t-1<<＝sigmoid(W[X，h]+b)；<<<t-1<其中，r代表重置门的值，z代表更新门的值，X表示输入序列当前时间步的输入，h代表上一个时间步的隐藏状态，表示当前时间步的候选隐藏状态，h表示当前时间步的隐藏状态，W表示重置门中的训练参数矩阵，W表示更新门中的训练参数矩阵，W表示当前时间步候选隐藏状态中的训练参数矩阵，b表示重置门中的偏置项，b表示更新门中的偏置项，b表示当前时间步候选隐藏状态中的偏置项，⊙为哈达码积运算符；tttt-1trzhrzhS3.5、将各个时刻的隐藏层状态输入到时序自注意力模块中，具体步骤为：e＝tanh(wh+b)；tt其中，w是训练参数矩阵，b是偏置项，e是t时刻评分函数的输出值，a是经过归一化之后的注意力概率得分，c是t时刻的注意力层的输出，将c输入到全连接层得到预测结果；ttttS3.6、采用Relu函数作为激活函数，使用MSE作为损失函数，采用Adam优化器对学习率进行优化，学习率为0.0001，隐藏层神经元数为64，训练网络直到模型收敛，获取最优超参数，从而获得训练好的双重自注意力的空洞卷积-GRU网络模型；S4、使用S3中训练好的基于双重自注意力机制的空洞卷积-GRU网络模型预测海上人员未来时刻的漂移轨迹。