(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211100665.0 (22)申请日 2022.09.08 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 杨敏　张鹏鑫　李连营　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 罗飞 (51)Int.Cl. G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种CNN和LS TM神经网络组合的船舶轨迹分 类方法及系统 (57)摘要 本发明公开了一种CNN和LS TM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。 权利要求书3页 说明书10页 附图3页 CN 115512152 A 2022.12.23 CN 115512152 A 1.一种CN N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子 序列， 其中， 设置运动属 性子序列为一个固定长度， 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， 运动特征 提取模块通过多个不同的CNN分别对各个运动属性子序列进行运动特征的提取， 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。 2.如权利要求1所述的CNN和LSTM神经网络组合的船舶轨迹分类方法， 其特征在于， 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。 3.如权利要求1所述的CNN和LSTM神经网络组合的船舶轨迹分类方法， 其特征在于， 步 骤S2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， 包括： 计算每一轨 迹点的速度和 加速度： 其中， 滑动窗口包含的轨迹点为pi+1,…,pi+m， m表示窗口大小， 即包含的轨迹点数量， Dist(pi+1,pi+m)表示轨迹点pi+1和pi+m间的球面距离， Δti表示轨迹点pi+1和pi+m间的时间间 隔， Δtu表示当前滑动窗口中心点pu和下一滑动窗口中心点pu+1间的时间 间隔； 计算每一轨 迹点的航向变化 率：权　利　要　求　书 1/3 页 2 CN 115512152 A 2其中， 和 分别为轨迹点pi+1和pi+m的经度和纬度坐标， Bearing(pu) 为当前滑动窗口中心点pu的航向， 即真北方向与向量 方向间的顺时针夹角， Bearing(pu+1)为pu+1的航向， tu为pu的时刻， tu+1为pu+1的时刻。 4.如权利要求1所述的CNN和LSTM神经网络组合的船舶轨迹分类方法， 其特征在于， 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 × Len/p， 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≤(Len/p)， 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,…,yLen/p}； 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。 5.如权利要求1所述的CNN和LSTM神经网络组合的船舶轨迹分类方法， 其特征在于， 时 序特征提取模块的处 理过程包括： ft＝σ(Wfggt+Wfhht‑1+)    (6) it＝σ(Wiggt+Wihht‑1+bi)    (7) jt＝tanh(Wjggt+Wjhht‑1+bj)    (8) ct＝ft⊙ct‑1+it⊙jt    (9) ot＝σ(Woggt+Wohht‑1+bo)    (10) ht＝ot⊙tanh(ct)    (11) 其中， ft、 it、 jt、 ot分别为t时刻遗忘门、 输入门、 更新门、 输出门的输出值； gt为运动特征权　利　要　求　书 2/3 页 3 CN 115512152 A 3