本发明涉及时间序列预测技术领领域，尤其涉及一种基于改进p-b-t的船舶轨迹预测方法。
背景技术：
1、深度学习方法利用深度神经网络模型对轨迹数据进行端到端的学习和预测，无需手工提取特征。深度学习方法通常具有更强的表达能力，能够捕捉到数据中的复杂非线性关系，已成为轨迹预测领域的主流研究热点。
2、其中，lstm方法(长短期记忆网络)因为其强大的时间序列建模能力、捕捉复杂模式的能力、对噪声和不规则数据的鲁棒性、灵活的模型结构被广泛应用于轨迹预测。其改进模型bilstm可以同时使用前向和后向两个方向的信息，生成的特征表示比单向lstm更丰富和全面。这种综合的特征表示能够更好地表征轨迹数据的复杂性，从而提高预测性能。同时，transformer模型在轨迹预测中的也被广泛应用，主要得益于其强大的自注意力机制和并行处理能力。bilstm缺陷是对时间序列非局部的、复杂的依赖关系捕捉不够敏感；在处理非常长的序列时可能会遇到梯度消失或梯度爆炸的问题，在处理训练数据以外的未知数据时可能会有一定的局限性。transformer缺陷是处理局部时间序列模式时可能不够高效。对于轨迹预测方面两种模型各有其缺陷，预测精度均有待提升。同时，大部分深度学习进行轨迹预测，均应用人为设定的超参数，取得的预测结果精度仍有提升空间。
3、当下的轨迹预测模型大都采用人为定义的模型超参数，且只用均方误差或其它单个指标作为模型损失函数，而不是针对于船舶轨迹预测这一具体问题而设计的，没有考虑到船舶的航向和速度因素，因此通常得到的预测结果精度较低。
技术实现思路
1、本发明公开了一种基于改进p-b-t的船舶轨迹预测方法，以克服上述技术问题。
2、为了实现上述目的，本发明的技术方案是：
3、一种基于改进p-b-t的船舶轨迹预测方法，包括如下步骤：
4、s1：获取船舶轨迹的时间序列数据，并进行清洗，并依次通过线性插值、归一化方法，对清洗完成时间序列数据进行预处理，获取预处理后的船舶轨迹的时间序列数据；
5、s2：建立基于双向长短期记忆网络和transformer模型的船舶轨迹预测模型的损失函数；所述损失函数包括均方误差、船舶预测轨迹点到上一时刻轨迹点的距离与船舶真实轨迹点到上一时刻轨迹点的距离差和真实轨迹点与预测轨迹点的航向差；
6、s3：根据所述预处理后的船舶轨迹的时间序列数据，采用基于双向长短期记忆网络和transformer模型的船舶轨迹预测模型，并基于所述损失函数，对船舶轨迹预测模型进行训练，获取训练后的船舶轨迹预测模型；
7、s4：根据所述训练后的船舶轨迹预测模型，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量，以获取船舶的预测轨迹，实现对船舶轨迹的预测。
8、进一步的，所述s3中，损失函数建立如下：
9、loss＝mse+△distance+△course
10、△y＝yt-yt-1
11、△x＝xt-xt-1
12、
13、
14、△distance＝|distance1-distance2
15、
16、△course＝min(course-course'|,2π-|course-course')
17、式中：loss表示损失函数；mse表示均方误差，即真实值和预测值之间差值的平方和；△distance表示距离差；△course表示航向差；表示t时刻的预测点的横坐标；表示t时刻的预测点的纵坐标；xt表示t时刻的真实点的横坐标；yt表示t时刻的真实点的纵坐标；△y表示真实的纵坐标差；△x表示真实的横坐标差；△y′表示预测纵坐标差；△x′表示预测横坐标差；distance1表示预测轨迹点到上一时刻真实轨迹点的距离；distance2表示真实轨迹点到上一时刻真实轨迹点的距离；course表示真实轨迹点航向；course'表示预测轨迹点航向；△course表示真实轨迹点与预测轨迹点的航向差；|·|表示绝对值运算；
18、
19、式中：mse表示均方误差，即真实值和预测值之间差值的平方和；t表示时刻；t表示时刻的总数；ut表示t时刻的真实值，表示t时刻的预测值。
20、进一步的，所述s4中，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量所采用方法如下：
21、s41：根据预处理后的船舶轨迹的时间序列数据，获取时间步的隐藏状态序列，即拼接后的新的隐向量ht；
22、s42：根据时间步的隐藏状态序列ht，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量。
23、进一步的，所述s41中，获取时间步的隐藏状态序列，即拼接后的新的隐向量ht的方法如下：
24、
25、式中：表示t时刻的新的隐向量；表示t-1时刻的正时间方向隐向量；表示t-1时刻的相反的时间方向隐向量；pt表示t时刻的输入的特征向量即船舶轨迹点在t时刻的数据；ht表示拼接后的新的隐向量；lstm(·)表示lstm层的输入函数。
26、进一步的，所述s42中，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量所采用公式如下：
27、
28、式中：et表示ht与拼接后的向量，是对船舶轨迹的时间序列数据进行编码后的轨迹向量；ht表示拼接后的新的隐向量；表示transformer提供的位置向量。
29、有益效果：本发明的一种基于改进p-b-t的船舶轨迹预测方法，通过建立包括均方误差、船舶预测轨迹点到上一时刻轨迹点的距离与船舶真实轨迹点到上一时刻轨迹点的距离和真实轨迹点与预测轨迹点的航向差的损失函数，来对基于双向长短期记忆网络和transformer模型的船舶轨迹预测模型进行训练，以此来获取对船舶轨迹的时间序列数据进行编码后的轨迹向量，以获取船舶的预测轨迹，实现对船舶轨迹的预测；通过本发明所建立的损失函数，由于损失函数中不仅考虑了轨迹点位置因素还考虑了船舶航向和船舶的速度因素，使预测出来的船舶轨迹更贴合船舶实际运动的运动状态，并使得到的预测结果更有利于提高船舶整条预测轨迹与实际轨迹的相似程度，大大提高了预测的精度。
1.一种基于改进p-b-t的船舶轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进p-b-t的船舶轨迹预测方法，其特征在于，所述s3中，损失函数建立如下：
3.根据权利要求1所述的一种基于改进p-b-t的船舶轨迹预测方法，其特征在于，所述s4中，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量所采用方法如下：
4.根据权利要求3所述的一种基于改进p-b-t的船舶轨迹预测方法，其特征在于，所述s41中，获取时间步的隐藏状态序列，即拼接后的新的隐向量ht的方法如下：
5.根据权利要求3所述的一种基于改进p-b-t的船舶轨迹预测方法，其特征在于，所述s42中，获取对船舶轨迹的时间序列数据进行编码后的轨迹向量所采用公式如下：
