本發(fā)明涉及一種海上航跡自動(dòng)識(shí)別方法、系統(tǒng)及介質(zhì)，具體說是一種基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別方法、系統(tǒng)及介質(zhì)，屬于航跡識(shí)別。

背景技術(shù)：

1、海上航跡識(shí)別技術(shù)在海洋科學(xué)研究、海上交通管理、環(huán)境監(jiān)測(cè)以及國防安全等多個(gè)領(lǐng)域扮演著至關(guān)重要的角色。隨著全球海上活動(dòng)的不斷增加，對(duì)海上目標(biāo)進(jìn)行實(shí)時(shí)監(jiān)控和精確識(shí)別的需求日益迫切。

2、傳統(tǒng)的航跡識(shí)別方法主要依賴人工觀測(cè)和經(jīng)驗(yàn)判斷，這種方法效率較低，且易受主觀因素和環(huán)境條件的影響，難以確保識(shí)別結(jié)果的準(zhǔn)確性和可靠性。同時(shí)，海上目標(biāo)種類的多樣化和活動(dòng)范圍的擴(kuò)大也對(duì)現(xiàn)有的識(shí)別方法提出了新的挑戰(zhàn)。

3、近年來，人工智能和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展為航跡識(shí)別技術(shù)帶來了新的希望。機(jī)器學(xué)習(xí)模型能夠從大量數(shù)據(jù)中自動(dòng)提取特征，處理高維數(shù)據(jù)和復(fù)雜的非線性關(guān)系，這為提升航跡識(shí)別的準(zhǔn)確性和自動(dòng)化水平提供了新的可能性。盡管如此，海上航跡數(shù)據(jù)的高維度、噪聲干擾以及動(dòng)態(tài)變化等特點(diǎn)，為機(jī)器學(xué)習(xí)模型的設(shè)計(jì)和訓(xùn)練帶來了不小的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)中機(jī)器學(xué)習(xí)模型的設(shè)計(jì)和訓(xùn)練無法克服海上航跡數(shù)據(jù)的高維度、噪聲干擾以及動(dòng)態(tài)變化的問題，提供一種基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別方法、系統(tǒng)及介質(zhì)，該方法能夠有效地對(duì)海上目標(biāo)進(jìn)行分類，區(qū)分軍用和民用船舶；系統(tǒng)利用機(jī)器學(xué)習(xí)算法，對(duì)海上目標(biāo)進(jìn)行自動(dòng)分類，包括民用船舶和軍用船舶等。

2、為了解決上述問題，本技術(shù)是通過以下技術(shù)方案實(shí)現(xiàn)的：

3、一種基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別方法，其特殊之處在于：包括以下步驟：

4、步驟1、數(shù)據(jù)輸入：獲取原始航跡數(shù)據(jù)；

5、步驟2、數(shù)據(jù)處理：將步驟s1的原始航跡數(shù)據(jù)進(jìn)行處理，構(gòu)建一個(gè)包含時(shí)間序列和空間信息的多維數(shù)據(jù)集；

6、步驟3、模型訓(xùn)練：設(shè)置二分類、軍用船只細(xì)分類、民用船只細(xì)分類三類模型，每類模型均采用樹模型，對(duì)樹模型進(jìn)行超參數(shù)優(yōu)化，優(yōu)化后進(jìn)行模型訓(xùn)練與驗(yàn)證，獲得一個(gè)評(píng)分最高的模型；

7、步驟4、航跡分類與評(píng)估：采用步驟s3中評(píng)分最高的模型，對(duì)步驟s2中得到的數(shù)據(jù)進(jìn)行航跡分類，并對(duì)分類結(jié)果進(jìn)行評(píng)估；

8、步驟5、數(shù)據(jù)輸出：對(duì)步驟s4中航跡分類的類別進(jìn)行權(quán)重更新，將使用概率最大的類別作為結(jié)果輸出。

9、進(jìn)一步地，所述步驟1中獲取原始航跡數(shù)據(jù)具體如下：在時(shí)刻t，原始航跡數(shù)據(jù)，其中，，，表示在t時(shí)刻第i條航跡的部分航跡點(diǎn)，小于或等于50個(gè)；

10、其中為一個(gè)航跡點(diǎn)，即<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>x</mi><mi>j</mi></msub><mi>=</mi><mrow><mo>[</mo><mrow><mi>time</mi><mi>，</mi><mi>lat</mi><mi>，</mi><mi>ln</mi><mi>g</mi><mi>，</mi><mi>h</mi><mi>，</mi><mi>v</mi><mi>，</mi><mi>c</mi></mrow><mo>]</mo></mrow></mstyle>，分別為時(shí)間、緯度、經(jīng)度、高度、航速、航向。

11、進(jìn)一步地，所述步驟2具體包括以下步驟：

12、步驟2.1、數(shù)據(jù)清洗與預(yù)處理：所述數(shù)據(jù)清洗與預(yù)處理包括時(shí)間戳標(biāo)準(zhǔn)化和異常值檢測(cè)與剔除；

13、步驟2.2、特征工程：所述特征工程包括特征選擇、特征增強(qiáng)和特征轉(zhuǎn)換；

14、步驟2.3、數(shù)據(jù)增強(qiáng)：所述數(shù)據(jù)增強(qiáng)具體是指通過對(duì)原始數(shù)據(jù)進(jìn)行變換，生成新的訓(xùn)練樣本，從而增加數(shù)據(jù)集的多樣性，具體采用時(shí)間序列差值法和特征擾動(dòng)法。

15、進(jìn)一步地，所述步驟2.1中所述時(shí)間戳標(biāo)準(zhǔn)化具體如下：

16、首先將所有時(shí)間戳轉(zhuǎn)換為統(tǒng)一的格式，對(duì)于無效的時(shí)間戳，采用三次條樣插值法，根據(jù)前后有效時(shí)間戳的差值進(jìn)行估計(jì)；

17、所述異常值檢測(cè)與剔除具體如下：

18、采用箱線圖分析、標(biāo)準(zhǔn)分?jǐn)?shù)分析或四分位距iqr來檢測(cè)異常值，對(duì)于檢測(cè)到的異常值，對(duì)于標(biāo)準(zhǔn)分?jǐn)?shù)的絕對(duì)值在1.5到3之間或者箱線圖分析中的點(diǎn)在q1-1.5×iqr到q1-3×iqr或q3+1.5×iqr到q3+3×iqr之間的輕微異常值通過移動(dòng)平均法進(jìn)行平滑處理，對(duì)于標(biāo)準(zhǔn)分?jǐn)?shù)的絕對(duì)值大于3或者箱線圖分析中的點(diǎn)小于q1-3×iqr或大于q3+3×iqr的嚴(yán)重異常值剔除。

19、進(jìn)一步地，所述步驟2.2中所述特征選擇具體如下：對(duì)原始特征進(jìn)行探索性數(shù)據(jù)分析，計(jì)算特征的條件熵，確定與目標(biāo)類別相關(guān)性最強(qiáng)的4個(gè)特征，并在訓(xùn)練階段不使用其它特征；

20、所述特征增強(qiáng)具體如下：通過計(jì)算新特征增強(qiáng)數(shù)據(jù)集，所述新特征包括：航跡曲率：通過計(jì)算航跡點(diǎn)之間的夾角變化，估計(jì)航跡的曲率；速度變化率：計(jì)算速度隨時(shí)間的變化率，以捕捉船只加速或減速的行為；

21、高度變化率：對(duì)于包含高度信息的航跡數(shù)據(jù)，計(jì)算高度隨時(shí)間的變化率；

22、所述特征轉(zhuǎn)化具體如下：使用每個(gè)特征的百分位數(shù)代替原始的航跡數(shù)據(jù)，能夠保證每個(gè)航跡點(diǎn)包含整條航跡的航跡信息。

23、進(jìn)一步地，所述步驟2.3中所述時(shí)間序列差值法具體如下：在時(shí)間序列數(shù)據(jù)中，通過線性插值或樣條插值方法，生成新的航跡點(diǎn)，以模擬船只在不同速度下的行為；

24、所述特征擾動(dòng)法具體如下：對(duì)選定的特征進(jìn)行隨機(jī)擾動(dòng)，有助于模型學(xué)習(xí)到更加魯棒的特征表示。

25、進(jìn)一步地，所述步驟3包括以下具體步驟：

26、步驟3.1、初始化樹模型：選擇lightgbm或xgboost模型作為機(jī)器學(xué)習(xí)算法，分別設(shè)置基本參數(shù)，具體如下：

27、設(shè)置lightgbm和xgboost模型的基本參數(shù)，具體如下：

28、其中，所述lightgbm模型的基本參數(shù)搜索空間：決策樹數(shù)量：50至1000；最大深度：3至15；葉子節(jié)點(diǎn)最大數(shù)量：5至80；學(xué)習(xí)率：0.001至0.1；

29、所述xgboost模型的基本參數(shù)搜索空間：決策樹數(shù)量：100至1000；最大深度：3至25；l2正則項(xiàng)系數(shù)：0.8至10；樣本抽樣比例：0.5至1.0；特征抽樣比例：0.5至1.0；學(xué)習(xí)率：0.001至0.05；

30、步驟3.2、超參數(shù)優(yōu)化：采用optuna進(jìn)行超參數(shù)優(yōu)化，具體包括以下步驟：

31、步驟3.2.1、確定超參數(shù)的評(píng)估指標(biāo)：設(shè)計(jì)一組超參數(shù)，將二分類和細(xì)分類的準(zhǔn)確率、f1分?jǐn)?shù)作為該組超參數(shù)的評(píng)估指標(biāo)；

32、對(duì)于原始航跡數(shù)據(jù)中的每條航跡，需要進(jìn)行二分類和細(xì)分類,?數(shù)據(jù)集共包括細(xì)分類14個(gè)類別，其中10個(gè)類別為民用，4個(gè)類別為軍用；

33、其中所述二分類和細(xì)分類的準(zhǔn)確率具體如下：以每條航跡的最后的判別結(jié)果中的二分類結(jié)果以及細(xì)分類結(jié)果分別進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，包含以下子指標(biāo)：

34、tp：若一個(gè)樣本為正類，且被判斷為正類，則該樣本記為tp（true?positive）；fn：若一個(gè)樣本為正類，但被判斷為負(fù)類，該樣本記為fn（false?negative）；fp：若一個(gè)樣本為負(fù)類，但被判斷為正類，該樣本記為fp（false?positive）；

35、tn：若一個(gè)樣本為負(fù)類，且被判斷為負(fù)類，則該樣本記為tn（true?negative）；

36、對(duì)于其中第k類別的識(shí)別準(zhǔn)確率表示為：，

37、因此若總共有k類樣本，全部類別的識(shí)別準(zhǔn)確率計(jì)算為：，

38、其中，n表示全部樣本的數(shù)目，nk表示第k類別的樣本總數(shù)目；

39、精確度precision表示分類器中被判定為正類的正樣本比重：，

40、召回率recall表示被預(yù)測(cè)為正例的占總的正例的比重：，

41、f1分?jǐn)?shù)可以看作precision以及recall的調(diào)和平均，其中第k類別的f1?分?jǐn)?shù)計(jì)算為：，

42、k類別總體的平均f1?f分?jǐn)?shù)計(jì)算公式為：；

43、步驟3.2.2、為optuna設(shè)置超參數(shù)的搜索空間，并進(jìn)行搜索：選擇tpe搜索器，?tpe搜索器通過構(gòu)建一個(gè)概率模型來預(yù)測(cè)超參數(shù)組合的性能，從而指導(dǎo)搜索過程；當(dāng)optuna完成超參數(shù)搜索后，它會(huì)返回最佳的超參數(shù)組合；

44、步驟3.3、模型訓(xùn)練與驗(yàn)證：確定超參數(shù)后，使用訓(xùn)練集數(shù)據(jù)來訓(xùn)練模型，同時(shí)使用驗(yàn)證集數(shù)據(jù)來監(jiān)控模型的泛化能力；

45、在訓(xùn)練過程中，為了防止使用全部訓(xùn)練數(shù)據(jù)導(dǎo)致的過擬合，采用早停策略，即在驗(yàn)證集上的性能不再提升時(shí)停止訓(xùn)練，以防止過擬合；而為了防止驗(yàn)證集包含重要的學(xué)習(xí)樣本導(dǎo)致的性能下降，使用十折交叉驗(yàn)證訓(xùn)練十個(gè)模型，并選出在驗(yàn)證集評(píng)分最高的模型；使用學(xué)習(xí)率衰減策略，隨著訓(xùn)練的進(jìn)行逐漸減小學(xué)習(xí)率，以幫助模型在最優(yōu)解附近穩(wěn)定下來；為了保證模型對(duì)不同長度航跡的識(shí)別準(zhǔn)確度，每類模型分別針對(duì)長度為50、200、500、1000、2000長度的航跡進(jìn)行訓(xùn)練。

46、進(jìn)一步地，所述步驟4具體包括以下步驟：

47、步驟4.1、航跡分類：

48、步驟4.2、對(duì)步驟4.1的分類結(jié)果進(jìn)行評(píng)估。

49、進(jìn)一步地，所述步驟4.1具體過程如下：將步驟2中的每一條航跡切分為每段50個(gè)點(diǎn)的若干段，每次按順序發(fā)送其中一段和對(duì)應(yīng)航跡的序號(hào)；

50、在航跡識(shí)別系統(tǒng)內(nèi)部，根據(jù)序號(hào)將航跡存入數(shù)據(jù)池，使航跡隨數(shù)據(jù)接收變長，每次接收到一段航跡，則取相應(yīng)序號(hào)航跡的已接受數(shù)據(jù)輸入二分類模型進(jìn)行分類，得到二分類結(jié)果，根據(jù)二分類結(jié)果再將數(shù)據(jù)輸入軍用細(xì)分類模型或民用細(xì)分類模型進(jìn)行細(xì)分類；

51、分類時(shí)根據(jù)輸入航跡的長度對(duì)所有模型推理結(jié)果加權(quán)，得到最終結(jié)果；

52、對(duì)于不同模型分別分配不同的權(quán)重，各模型權(quán)重計(jì)算公式如下：，，其中，為當(dāng)前預(yù)測(cè)航跡長度，表示第i個(gè)模型在訓(xùn)練時(shí)使用的航跡長度。

53、進(jìn)一步的，所述步驟4.2具體如下：采用評(píng)估指標(biāo)二分類和細(xì)分類的準(zhǔn)確率、f1?分?jǐn)?shù)及類別一致性對(duì)步驟4.1的分類結(jié)果進(jìn)行評(píng)估；其中，所述二分類和細(xì)分類的準(zhǔn)確率和f1分?jǐn)?shù)采用步驟3.2.1的計(jì)算方法，

54、所述類別一致性是指二分類結(jié)果以及細(xì)分類結(jié)果一致，當(dāng)二分類結(jié)果與細(xì)分類結(jié)果之間不匹配時(shí)，該分類結(jié)果存在錯(cuò)誤，進(jìn)行懲罰評(píng)分，具體如下：懲罰的全體對(duì)象err分為兩類：二分類錯(cuò)誤、細(xì)分類正確以及二分類正確、細(xì)分類錯(cuò)誤；

55、若用與表示樣本的二分類結(jié)果以及細(xì)分類結(jié)果；與表示樣本的二分類標(biāo)簽以及細(xì)分類標(biāo)簽，則兩種錯(cuò)誤的情況分別統(tǒng)計(jì)為：，

56、，若使用與分別表示兩類情況的懲罰參數(shù)，則懲罰項(xiàng)評(píng)分為：

57、懲罰參數(shù)設(shè)置為；

58、根據(jù)上述表示，整體的評(píng)估分?jǐn)?shù)為：。

59、進(jìn)一步地，所述步驟s5具體如下：對(duì)于s4的分類結(jié)果，細(xì)分類預(yù)測(cè)結(jié)果為14個(gè)概率值，二分類為2個(gè)概率值；

60、按照航跡id保存上一次細(xì)分類和二分類結(jié)果，然后更新對(duì)應(yīng)航跡id的概率預(yù)測(cè)值，具體如下：在二分類中，歷史結(jié)果權(quán)重占比0.1，當(dāng)前結(jié)果權(quán)重占比0.9；細(xì)分類中，歷史結(jié)果權(quán)重占比0.4，當(dāng)前結(jié)果權(quán)重占比0.6，最后使用概率最大的類別作為結(jié)果進(jìn)行輸出。

61、一種基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別系統(tǒng)，其特殊之處在于：包括控制模塊，其被配置為接收數(shù)據(jù)輸入模塊輸入的數(shù)據(jù)和協(xié)調(diào)其余模塊的工作進(jìn)程；

62、數(shù)據(jù)輸入模塊，其被配置為將航跡原始數(shù)據(jù)輸入；

63、數(shù)據(jù)處理模塊，其被配置為對(duì)航跡原始數(shù)據(jù)進(jìn)行處理，具體為數(shù)據(jù)清洗與預(yù)處理、特征工程以及數(shù)據(jù)增強(qiáng)，得到一個(gè)多樣性、無超聲和異常值且適用于模型的數(shù)據(jù)集；

64、分類模型模型，其被配置為將數(shù)據(jù)處理模塊得到的數(shù)據(jù)集中的航跡數(shù)據(jù)進(jìn)行處理，完成航跡的分類；

65、數(shù)據(jù)輸出模塊，其被配置為將樹模型分類出的航跡數(shù)據(jù)進(jìn)行權(quán)重更新，輸出使用概率最大的類別。

66、進(jìn)一步的，所述分類模型包括二分類、軍用船只細(xì)分類、民用船只細(xì)分類三類模型，每類模型均采用樹模型。

67、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)運(yùn)行所述基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別方法中的至少一個(gè)步驟。

68、本技術(shù)提出的基于機(jī)器學(xué)習(xí)的海上航跡自動(dòng)識(shí)別方法及系統(tǒng)，在二分類和細(xì)分類任務(wù)上均實(shí)現(xiàn)了顯著的性能提升；系統(tǒng)能夠迅速完成對(duì)新航跡的識(shí)別，滿足了實(shí)時(shí)性的要求。提升了海上航跡識(shí)別的自動(dòng)化水平，而且對(duì)于提高海上安全管理的效率和準(zhǔn)確性具有重要的實(shí)際意義。