一种基于LSTM神经网络的群目标行进趋势预测方法

发明专利有效专利

申请号：
CN202010542008.6
IPC分类号：G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
申请日期：
2020-06-15
申请人：
中国电子科技集团公司第二十八研究所

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于LSTM神经网络的群目标行进趋势预测方法
申请号	CN202010542008.6	申请日期	2020-06-15
法律状态	实质审查	申报国家	中国
公开/公告日	2020-09-22	公开/公告号	CN111695737A
优先权	暂无	优先权号	暂无
主分类号	G06Q10/04 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法〔8〕 G06Q10/00 行政；管理〔8，2012.01〕 G06Q10/04 预测或优化，例如线性规划、“旅行商问题”或“下料问题”〔2012.01〕	IPC分类号	G;0;6;Q;1;0;/;0;4;;;G;0;6;Q;5;0;/;3;0;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	中国电子科技集团公司第二十八研究所	申请人地址	江苏省南京市栖霞区灵山南路1号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	中国电子科技集团公司第二十八研究所	当前权利人	中国电子科技集团公司第二十八研究所
发明人	郭婉;李亚钊;冯燕来;李彭伟;陈娜;欧阳慈;吴诗婳;阚凌志
代理机构	江苏圣典律师事务所	代理人	于瀚文;胡建华

摘要

本发明提供了一种基于LSTM神经网络的群目标行进趋势预测方法，利用群目标间的相对空间关系对实际场景中的交互性群目标进行建模，建立LSTM长短时记忆神经网络进行轨迹位置预测计算。依据群组中单目标间联络通信、协同合作关系、单目标型号特征以及群目标活动性质进行依赖预测，排除不合理因素，得出群目标行进轨迹趋势的最小预测空间，对最终预测结果进行可视化表达。与传统对单一目标轨迹预测相比，本发明解决了对具有一定相关性、交互性的复杂群目标行进趋势预测的相关问题，能够充分利用目标历史航迹、目标关联关系、目标型号类别、目标体量特征、目标活动性质等信息综合全面地进行推算、预测，尽准地提供了群目标行进趋势的预测结果。

1.一种基于LSTM神经网络的群目标行进趋势预测方法，其特征在于，包括如下步骤：
步骤1、对群组中各单目标的轨迹点进行预处理操作；
步骤2、建立LSTM长短时记忆神经网络预测模型，以群组中各单目标轨迹序列为输入，预测计算群组中各单目标轨迹趋势；
步骤3、计算得到关于群目标整体行进趋势的最小预测空间；
步骤4、依据群组中各单目标轨迹预测结果及最小预测空间，计算群组整体行进趋势的置信区间；
步骤5、基于二维地理信息背景，对群目标行进趋势预测结果进行可视化设计和展示。
2.根据权利要求1所述的方法，其特征在于，步骤1中包括：对于给定的群组集合G＝{g1,g2,g4,g5,…gn}，其中n代表群组中单目标总数，且n∈N*，N*为正整数，gn代表群组中第n个目标的轨迹点序列，首先，抽取集合G中各单目标在给定时间段[t1,t2]内的历史轨迹信息形成按时间进行排序的序列型结构数据，其中t1代表起始时间点，t2代表终止时间点，且t1其次，根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，最后，根据预测输入数据序列步长要求，对历史轨迹点序列进行插值补全以得到满足预测输入数据序列的密度要求。
3.根据权利要求2所述的方法，其特征在于，步骤1中，所述根据轨迹点来源方式、轨迹点相似关系进行相关疑似点的融合、印证，得到历史轨迹点序列，包括：在来源方式方面，建立轨迹点来源方式的采信优先级规则，对于给定单目标的一个轨迹点，采信优先级最高的来源方式上报的轨迹点位；如果存在来源方式优先级相等的情况，则计算优先级相等的所有来源方式上报点位的平均经纬度，作为最终采信的轨迹点位。
4.根据权利要求3所述的方法，其特征在于，步骤1中，对历史轨迹点序列进行三阶贝赛尔曲线补全以得到满足预测输入数据序列的密度要求，对于一组历史轨迹点序列R＝{p1(x1,y1),p2(x2,y2),p3(x3,y3),…pn(xn,yn)}，其中n∈N*，pn表示第n个历史轨迹点，(xn,yn)为pn的坐标，设定根据预测输入数据序列要求，需要在pn与pn+1之间进行插值补全，针对原始点pn和pn+1确定两个控制点cn和dn,，且cn位于pn之前，dn位于pn之后，则cn坐标为(xn+α(xn+1–xn-1),yn+α(yn+1-yn-1))，dn坐标为(xn+1-β(xn+2–xn),yn+1-β(yn+2-yn))，其中α、β为常量，则位于pn与pn+1间的三阶贝赛尔曲线的参数方程为：
其中s为求pn与pn+1之间插值轨迹点时所指定的长度比例，根据指定的轨迹预测步长要求进行各单目标历史轨迹插值补点计算。
5.根据权利要求4所述的方法，其特征在于，步骤2具体包括如下步骤：
步骤2-1，群组中各单目标历史航迹按LSTM长短时记忆神经网络输入需求进行预处理：
对于群组中的一个给定单目标，将其在时间段[t1,t2]内的历史轨迹点集合标记为H[t1,t2]＝{h1(x1,y1),h2(x2,y2),h3(x3,y3),…hn(xn,yn)}，其中n∈N*，hn表示给定单目标历史轨迹点集合H[t1,t2]中的第n个轨迹点，(xn,yn)为hn的坐标；
对集合H[t1,t2]中的元素进行降维处理，最终形成两个序列化数据集合Hlon＝{x1,x2,x3,…xn}和Hlat＝{y1,y2,y3,…yn}；
对输入序列Hlon和Hlat做等量子集划分，即做mini-batch操作，在历史轨迹进行三阶贝赛尔插值补全操作中保证在时间段[t1,t2]内轨迹点保证一定的密度，等量子集划分参数即规定每次向LSTM长短时记忆神经网络中输入个样本进行训练调
整参数；
设定序列长度steps＝3；
最终确定batch_size*steps的二维数组长度作为一组训练数据量；
步骤2-2，构建LSTM循环神经网络，包括输入层、LSTM长短时记忆神经网络层以及输出层；
输入层中输入数据量的长度由batch_size和steps共同确定，输入层有三个输入要素
Ct-1、Ht-1和Xt，Ct-1位于主记忆线上，是LSTM循环中对前期状态的记忆，Ht-1是训练序列中上一个时间点上输入特征向量的预测结果，Xt是训练序列上t时刻的输入特征向量；
在构建LSTM长短时记忆神经网络层的过程中，将LSTM长短时记忆神经网络层处理过程
划分为忘记阶段、选择性记忆阶段和输出阶段，各阶段分别设计相应的门限控制器，即遗忘门、输入门和输出门，各门限均以sigmoid函数来实现，并且选用tanh作为激励补长函数；其中，遗忘门用来决定要保留和遗忘上一个单元模块输出的哪个部分，由t-1时的长期记忆输入Ct-1与指定的遗忘因子确定；输入门针对遗忘门中丢弃的信息在该单元中找到对应的新的属性信息进行补充；输出门根据遗忘门和输入门先后确定的单元状态进行最终结果输出；
输出层中通过维度映射，使用softmax函数将多个神经元的输出映射到到(0，1)区间
内，得到预测结果的概率分布作为最终选择的依据；
输出层输出预测序列中t时刻的神经元状态Ct的同时输出预测结果Ht，Ht为一个
维的向量，记向量维度为输出向量Ht＝(h1,h2,h3,…hm)，其中hm代表
*
第m个点的预测值，且m∈N ，则输出向量Ht中每个值的概率分布表示为：其中
S(hi)代表向量Ht中第i个值的概率分布，i为正整数，i＝1,2,…m；最终在softmax函数计算结果集合S(hi)中选取概率值最大的作为最终的预测结果。
6.根据权利要求5所述的方法，其特征在于，步骤3包括：对于给定的目标群G，挖掘目标群G中单目标之间的联络通信关系、识别各单目标的活动性质，并结合各单目标独立轨迹预测结果进行相关联动分析、依赖预测，得到关于群目标整体行进趋势的最小预测空间，其中，通过FPTree算法进行单目标关联关系挖掘和频繁项集的计算，对小于2的频繁项集进行裁剪，再根据各单目标的活动性质进行活动区域裁剪。
7.根据权利要求6所述的方法，其特征在于，步骤4包括：选择t分布来计算预测结
果置信区间，设定群组中有m个单目标，抽取n个单目标中经度预测结果在最小预测空间范围内的点作为抽样样本，标记为{x1,x2,..xn}，其中n∈N*，将抽样样本均值记为
对于t分布来说，采用置信水平95％并以自由度为n-1查表得t值标记为θ，则计算得
目标群行进趋势点位中经度置信水平为95％的置信区间为
将抽取的n个单目标的经度预测结果对应的纬度样本集合标记为{y1,
y2,..yn}，其中n∈N*，将该样本{y1,y2,..yn}的均值记为对于t分布来说，采用置信水平95％并以自由度为n-1查表得t值标记为θ，则计算得目标群行进趋势点位中纬度置信水平为95％的置信区间为
8.依据权利要求6所述的方法，其特征在于，步骤5包括：基于二维地理信息背景，对群目标行进趋势预测结进行以圆与扇形结合的方式进行可视化展示。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供