特許 7629247 ミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-02-04

(45)【発行日】2025-02-13

(54)【発明の名称】ミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法

(51)【国際特許分類】

   G06N 3/0895 20230101AFI20250205BHJP

   G06N 3/0442 20230101ALI20250205BHJP

   G08G 3/00 20060101ALI20250205BHJP

【ＦＩ】

G06N3/0895

G06N3/0442

G08G3/00 A

【請求項の数】 1

(21)【出願番号】P 2024158898

(22)【出願日】2024-09-13

【審査請求日】2024-09-13

(31)【優先権主張番号】202410170188.8

(32)【優先日】2024-02-06

(33)【優先権主張国・地域又は機関】CN

【早期審査対象出願】

(73)【特許権者】

【識別番号】515352847

【氏名又は名称】大連海事大学

(74)【代理人】

【識別番号】100095407

【弁理士】

【氏名又は名称】木村 満

(74)【代理人】

【識別番号】100132883

【弁理士】

【氏名又は名称】森川 泰司

(74)【代理人】

【識別番号】100148633

【弁理士】

【氏名又は名称】桜田 圭

(74)【代理人】

【識別番号】100147924

【弁理士】

【氏名又は名称】美恵 英樹

(72)【発明者】

【氏名】左 毅

(72)【発明者】

【氏名】江 俊豪

(72)【発明者】

【氏名】▲トン▼ 紹成

(72)【発明者】

【氏名】李 鉄山

(72)【発明者】

【氏名】章 文俊

(72)【発明者】

【氏名】肖 楊

【審査官】大倉 崚吾

(56)【参考文献】

【文献】米国特許出願公開第２０２３／００９３６３０（ＵＳ，Ａ１）

【文献】中国特許出願公開第１１７０９３８８９（ＣＮ，Ａ）

【文献】中国特許出願公開第１１６６２９１１６（ＣＮ，Ａ）

【文献】JIANG, Junhao et al.，"Prediction of Ship Trajectory in Nearby Port Waters Based on Attention Mechanism Model"，Sustainability，MDPI，2023年，Vol. 15，Issue 9，p. 1-31，［2024年10月07日検索］，インターネット＜ＵＲＬ：https://www.mdpi.com/2071-1050/15/9/7435＞，DOI: 10.3390/su15097435

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｆ １８／００－１８／４０

Ｇ０８Ｇ ３／００

(57)【特許請求の範囲】

【請求項1】

ミラーゲートネットワークを構築する工程Ｓ１と、
等時間間隔の航跡特徴点を抽出する工程Ｓ２と、
入力航跡データを構築する工程Ｓ３と、及び、
可変長時間間隔の自己適応航跡予測モデルを構築する工程Ｓ４と、を含み、
Ｓ１において、前記ミラーゲートネットワークは順方向ゲートユニットと逆方向ゲートユニットとを備え、
Ｓ１は、以下のＳ１１～Ｓ１４のステップを含み、
Ｓ１１、前記ミラーゲートネットワークの前記順方向ゲートユニットを設定し、
Ｓ１１において、前記順方向ゲートユニットが順方向合流ゲートと順方向分流ゲートと順方向再生ゲートとを備え、前記順方向ゲートユニットは、航跡情報の入力と出力の制御に用いられ、
Ｓ１１は、以下のＳ１１１～Ｓ１１３のステップを含み、
Ｓ１１１、前記順方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと前のゲートユニットのユニット状態

【数1】

と前のゲートユニットの隠れ層状態

【数2】

とを備え、前記順方向合流ゲートがすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数3】

ここで、

【数4】

は、それぞれ

【数5】

の重みを表し、ｓｉｇｍｏｉｄは、起動関数を表し、
Ｓ１１２、前記順方向分流ゲートが、前記順方向合流ゲートを通した情報を、それぞれ前のゲートユニットのユニット状態

【数6】

と前のゲートユニットの隠れ層状態

【数7】

とともに分流を形成して新しいユニット状態

【数8】

と隠れ層状態

【数9】

を得て、計算式は、以下の通りであり、

【数10】

ここで、

【数11】

は、それぞれ

【数12】

を計算する過程に対応する重みを表し、ｔａｎｈは起動関数を表し、
Ｓ１１３、前記順方向再生ゲートが、前記順方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数13】

及び隠れ層状態

【数14】

とともに新しい状態

【数15】

を生成し、計算式は、以下の通りであり、

【数16】

ここで、

【数17】

は、それぞれ

【数18】

を生成する過程において

【数19】

に対応する重みを表し、
Ｓ１２、前記ミラーゲートネットワークの前記逆方向ゲートユニットを設定し、
Ｓ１２において、前記逆方向ゲートユニットは逆方向合流ゲートと逆方向分流ゲートと逆方向再生ゲートとを備え、前記逆方向ゲートユニットは入力情報に対して逆方向操作を行い、
Ｓ１２は、以下のＳ１２１～Ｓ１２３のステップを含み、
Ｓ１２１、前記逆方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと次のゲートユニットのユニット状態

【数20】

と次のゲートユニットの隠れ層状態

【数21】

とを備え、前記逆方向合流ゲートはすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数22】

ここで、

【数23】

は、それぞれ

【数24】

の重みを表し、
Ｓ１２２、前記逆方向分流ゲートが、次の式に従って、前記逆方向合流ゲートを通した情報を、それぞれ次のゲートユニットのユニット状態

【数25】

と次のゲートユニットの隠れ層状態

【数26】

とともに分流を形成して新しいユニット状態

【数27】

と隠れ層状態

【数28】

を得、計算式は、以下の通りであり、

【数29】

ここで、

【数30】

は、それぞれ逆方向分流ゲートを計算する過程において

【数31】

に対応する重みを表し、
Ｓ１２３、前記逆方向再生ゲートが、前記逆方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数32】

及び隠れ層状態

【数33】

とともに新しい状態

【数34】

を生成し、計算式は、以下の通りであり、

【数35】

ここで、

【数36】

は、それぞれ

【数37】

を生成する過程において

【数38】

に対応する重みを表し、
Ｓ１３、前記順方向ゲートユニットを順方向に逐次接続し、前記逆方向ゲートユニットを逆方向に逐次接続し、同じ時間距離での前記順方向ゲートユニットと前記逆方向ゲートユニットの状態を合併して、前記ミラーゲートネットワークを構築し、計算式は以下の通りであり、

【数39】

ここで、

【数40】

は、合併操作を表し、
Ｓ１４、前記ミラーゲートネットワークで計算を行って、次のような予測出力情報を得、

【数41】

ここで、ｗ_ｇｙは、

【数42】

の重みを表し、
Ｓ２は、以下のＳ２１～Ｓ２４のステップを含み、
Ｓ２１、自己適応時間間隔の特徴点を抽出する方式により、同じ海域で収集されたＡＩＳデータ中の航跡Ｐ^ｋを定義して、航跡特徴ベクトルで表し、計算式は、以下の通りであり、
Ｐ^ｋ＝｛ｐ_１ ^ｋ，ｐ_２ ^ｋ，．．．，ｐ_ｉ ^ｋ，．．．，ｐ_ｌ ^ｋ｝
ここで、ｐ_ｉ ^ｋは、タイムスタンプがｉとなる時の海域内のｋ番目の船の航跡Ｐ^ｋの航跡点を表し、ｐ_ｉ ^ｋの特徴は以下の式で表し、
ｐ_ｉ ^ｋ＝（ｌｏｎ_ｉ ^ｋ，ｌａｔ_ｉ ^ｋ，ｃｏｇ_ｉ ^ｋ，ｓｏｇ_ｉ ^ｋ）
ここで、ｌｏｎ_ｉ ^ｋは船の経度値を表し、ｌａｔ_ｉ ^ｋは船の緯度値を表し、ｃｏｇ_ｉ ^ｋは船の対地針路を表し、ｓｏｇ_ｉ ^ｋは船の対地速度を表し、
自己適応時間間隔とｔとして定義し、次の式で表し、
ｔ＝（ｔ_１，ｔ_２，．．．，ｔ_ｉ，．．．，ｔ_ｎ）
ここで、ｔ_ｉは、Ｐ^ｋ中のｉ番目の航跡点の時間距離を表し、
Ｓ２２、区間［ｔ_ｉ，ｔ_ｉ＋１］において、次の式で表される補間関数を定義し、
Ｘ_ｉ（ｔ_ｉ）＝ａ_ｉｔ_ｉ ^３＋ｂ_ｉｔ_ｉ ^２＋ｃ_ｉｔ_ｉ＋ｄ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）＝ａ_ｉｔ_ｉ＋１ ^３＋ｂ_ｉｔ_ｉ＋１ ^２＋ｃ_ｉｔ_ｉ＋１＋ｄ_ｉ
上記関数に対して一次導関数を求めて、次の式を得、
Ｘ_ｉ（ｔ_ｉ）′＝３ａ_ｉｔ_ｉ ^２＋２ｂ_ｉｔ_ｉ＋ｃ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）′＝３ａ_ｉｔ_ｉ＋１ ^２＋２ｂ_ｉｔ_ｉ＋１＋ｃ_ｉ
前記補間関数と前記補間関数の導関数を結合し、方程式を解くことでａ_ｉ、ｂ_ｉ、ｃ_ｉ及びｄ_ｉの値を求め、
Ｓ２３、Ｘ_ｉ（ｔ_ｉ）′及びＸ_ｉ＋１（ｔ_ｉ＋１）′の値を計算し、ここで、補間関数のすべての中間点をＭ_ｊ（ｔ_ｊ，ｘ_ｊ）として定義し、次の式に従ってＭ_ｊの左右座標点の１階差分商をそれぞれｋ_ｊとｋ_ｊ＋１で表し、

【数43】

次の式に従って、中間点Ｍ_ｊの左と右にある２つの隣接する期間の重みをそれぞれω_ｊ及びω_ｊ＋１と定義し、

【数44】

次の式に従って、中間点Ｍ_ｊにおける１次導関数Ｘ_ｊ（ｔ）′を近似に求め、

【数45】

Ｓ２４、航跡記録期間を均等に分割してから得られた時系列を、各期間における経度と緯度の補間関数に代入して、当該航跡の等時間間隔で抽出された特徴点を求め、
Ｓ３は、以下のＳ３１～Ｓ３２のステップを含み、
Ｓ３１、航跡データの時系列特性、動的パターン及び相関情報を保持し、モデルに航跡データの変化／進化プロセスをよりよく学習させるために、移動時間ウィンドウを確立する移動時間ウィンドウ処理を行い、前記移動時間ウィンドウの長さをＬ、移動距離をＬ／ｑと設定し、ここで、ｑが柔軟に選択された整数であり、ｑが小さいほど、データの前後相関性が強くなることを表し、
Ｓ３２、自己適応時間間隔の特徴抽出と移動時間ウィンドウ処理を行ったＡＩＳデータを、前記ミラーゲートネットワークに入力して、前記順方向ゲートユニットと前記逆方向ゲートユニットをそれぞれ訓練し、前記ミラーゲートネットワークにより１つ又は複数の軌跡を訓練及び予測し、時刻ｔにおける入力データＩ_ｔと出力データO_ｔを次の式で表し、

【数46】

ここで、ｒは予測された航跡の数を表し、Ｓ_ｔ ^ｋは、時刻ｔにおいて処理されたｋ番目の船舶の航跡データを表し、ｌｏｎ_ｔ ^ｋは時刻ｔにおける補間後の経度を表し、ｌａｔ_ｔ ^ｋは時刻ｔにおける補間後の緯度を表し、ｃｏｇ_ｔ ^ｋは、時刻ｔにおける補間後の緯度と経度に対応する針路を表し、ｓｏｇ_ｔ ^ｋは時刻ｔにおける補間後の緯度と経度に対応する航行速度を表し，Ｌは時刻ｔにおける移動時間ウィンドウの長さを示し、ｕはモデルの予測された軌跡の長さを表し、
Ｓ４において、各入力データをＮ個の順方向ゲートユニットとＮ個の逆方向ゲートユニットを介して訓練し、ミラーゲートネットワークの最終結果に基づいて自己適応可変長Ｎを決めて、そして最適な航跡予測結果を取得する、
ことを特徴とするミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、船舶航跡予測の技術分野に関し、特にミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法に関する。

【背景技術】

【0002】

近年、人工知能技術の継続的な発展に伴い、深層学習は船舶航跡予測の分野で飛躍的進歩を成し遂げた。代表的な軌跡予測法は、人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＡＮＮ）や再帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）や長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ、 ＬＳＴＭ）やゲート再帰型ユニット（Ｇａｔｅ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ、ＧＲＵ）等を含む。その上、時間畳み込みネットワーク（Ｔｅｍｐｏｒａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ、ＴＣＮ）は、時系列モデル化及び特徴捕捉における利点から、ますます注目を集めている。その後、提案された注意力機制は新たな潮流となり、この最先端の方法が軌跡予測の分野に徐々に応用されてから多くの変異型を導き出した。注意力機制の導入は、モデルがデータ内の重要な情報の抽出に役立つようにする。

【0003】

特許文献１及び特許文献２には、航跡予測における誤差を最小限に抑えるために損失関数を用いてモデル学習を行う予測モデルを開示しているが、航跡前後の依存関係や動的パターンを捉えることが困難であり、予測モデルの優劣を評価するための損失関数が必要であり、汎化学習や適応力不足などの問題がある。

【先行技術文献】

【特許文献】

【0004】

【文献】中国特許出願公開第１１７０９３８８９号明細書

【文献】中国特許出願公開第１１６６２９１１６号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、従来技術に存在する上記課題に鑑みてなされたものであって、時系列データにおける依存関係や動的パターンを理解・捕捉できる、ミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法を提案することを目的とする。本発明は、ミラー学習に基づくニューラルネットワーク技術を初めて提案し、モデルの自己学習と結果の自己照合の方式を採用して、それぞれ両端からミラーが重なるまで双方向に移動することで、損失関数の評価なしに予測モデルの訓練を完了することができる。

【課題を解決するための手段】

【0006】

上記目的を達成するために、本発明の解決手段は以下のとおりである。

【0007】

本発明の一形態であるミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法は、以下のＳ１～Ｓ４の工程を含み、
Ｓ１、ミラーゲートネットワークを構築する工程、
Ｓ２、等時間間隔の航跡特徴点を抽出する工程、
Ｓ３、入力航跡データを構築する工程、及び
Ｓ４、可変長時間間隔の自己適応航跡予測モデルを構築する工程、
Ｓ１において、前記ミラーゲートネットワークは順方向ゲートユニットと逆方向ゲートユニットとを備え、
Ｓ１は、以下のＳ１１～Ｓ１４のステップを含み、
Ｓ１１、前記ミラーゲートネットワークの前記順方向ゲートユニットを設定し、
Ｓ１１において、前記順方向ゲートユニットが順方向合流ゲートと順方向分流ゲートと順方向再生ゲートとを備え、前記順方向ゲートユニットは、航跡情報の入力と出力の制御に用いられ、
Ｓ１１は、以下のＳ１１１～Ｓ１１３のステップを含み、
Ｓ１１１、前記順方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと前のゲートユニットのユニット状態

【数1】

と前のゲートユニットの隠れ層状態

【数2】

とを備え、前記順方向合流ゲートがすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数3】

ここで、

【数4】

は、それぞれ

【数5】

の重みを表し、ｓｉｇｍｏｉｄは、起動関数を表す。

【0008】

Ｓ１１２、前記順方向分流ゲートが、前記順方向合流ゲートを通した情報を、それぞれ前のゲートユニットのユニット状態

【数6】

と前のゲートユニットの隠れ層状態

【数7】

とともに分流を形成して新しいユニット状態

【数8】

と隠れ層状態

【数9】

を得て、計算式は、以下の通りであり、

【数10】

ここで、

【数11】

は、それぞれ

【数12】

を計算する過程に対応する重みを表し、ｔａｎｈは起動関数を表す。

【0009】

Ｓ１１３、前記順方向再生ゲートが、前記順方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数13】

及び隠れ層状態

【数14】

とともに新しい状態

【数15】

を生成し、計算式は、以下の通りであり、

【数16】

ここで、

【数17】

は、それぞれ

【数18】

を生成する過程において

【数19】

に対応する重みを表す。

【0010】

Ｓ１２、前記ミラーゲートネットワークの前記逆方向ゲートユニットを設定し、
Ｓ１２において、前記逆方向ゲートユニットは逆方向合流ゲートと逆方向分流ゲートと逆方向再生ゲートとを備え、前記逆方向ゲートユニットは入力情報に対して逆方向操作を行い、
Ｓ１２は、以下のＳ１２１～Ｓ１２３のステップを含み、
Ｓ１２１、前記逆方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと次のゲートユニットのユニット状態

【数20】

と次のゲートユニットの隠れ層状態

【数21】

とを備え、前記逆方向合流ゲートはすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数22】

ここで、

【数23】

は、それぞれ

【数24】

の重みを表す。

【0011】

Ｓ１２２、前記逆方向分流ゲートが、次の式に従って、前記逆方向合流ゲートを通した情報を、それぞれ次のゲートユニットのユニット状態

【数25】

と次のゲートユニットの隠れ層状態

【数26】

とともに分流を形成して新しいユニット状態

【数27】

と隠れ層状態

【数28】

を得、計算式は、以下の通りであり、

【数29】

ここで、

【数30】

は、それぞれ逆方向分流ゲートを計算する過程において

【数31】

に対応する重みを表す。

【0012】

Ｓ１２３、前記逆方向再生ゲートが、前記逆方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数32】

及び隠れ層状態

【数33】

とともに新しい状態

【数34】

を生成し、計算式は、以下の通りであり、

【数35】

ここで、

【数36】

は、それぞれ

【数37】

を生成する過程において

【数38】

に対応する重みを表す。

【0013】

Ｓ１３、前記順方向ゲートユニットを順方向に逐次接続し、前記逆方向ゲートユニットを逆方向に逐次接続し、同じ時間距離での前記順方向ゲートユニットと前記逆方向ゲートユニットの状態を合併して、前記ミラーゲートネットワークを構築し、計算式は以下の通りであり、

【数39】

ここで、

【数40】

は、合併操作を表す。

【0014】

Ｓ１４、前記ミラーゲートネットワークで計算を行って、次のような予測出力情報を得、

【数41】

ここで、ｗ_ｇｙは、

【数42】

の重みを表す。

【0015】

Ｓ２は、以下のＳ２１～Ｓ２４のステップを含み、
Ｓ２１、自己適応時間間隔の特徴点を抽出する方式により、同じ海域で収集されたＡＩＳデータ中の航跡Ｐ^ｋを定義して、航跡特徴ベクトルで表し、計算式は、以下の通りであり、
Ｐ^ｋ＝｛ｐ_１ ^ｋ，ｐ_２ ^ｋ，．．．，ｐ_ｉ ^ｋ，．．．，ｐ_ｌ ^ｋ｝
ここで、ｐ_ｉ ^ｋは、タイムスタンプがｉとなる時の海域内のｋ番目の船の航跡Ｐ^ｋの航跡点を表し、ｐ_ｉ ^ｋの特徴は以下の式で表し、
ｐ_ｉ ^ｋ＝（ｌｏｎ_ｉ ^ｋ，ｌａｔ_ｉ ^ｋ，ｃｏｇ_ｉ ^ｋ，ｓｏｇ_ｉ ^ｋ）
ここで、ｌｏｎ_ｉ ^ｋは船の経度値を表し、ｌａｔ_ｉ ^ｋは船の緯度値を表し、ｃｏｇ_ｉ ^ｋは船の対地針路を表し、ｓｏｇ_ｉ ^ｋは船の対地速度を表し、
自己適応時間間隔とｔとして定義し、次の式で表し、
ｔ＝（ｔ_１，ｔ_２，．．．，ｔ_ｉ，．．．，ｔ_ｎ）
ここで、ｔ_ｉは、Ｐ^ｋ中のｉ番目の航跡点の時間距離を表す。

【0016】

Ｓ２２、区間［ｔ_ｉ，ｔ_ｉ＋１］において、次の式で表される補間関数を定義し、
Ｘ_ｉ（ｔ_ｉ）＝ａ_ｉｔ_ｉ ^３＋ｂ_ｉｔ_ｉ ^２＋ｃ_ｉｔ_ｉ＋ｄ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）＝ａ_ｉｔ_ｉ＋１ ^３＋ｂ_ｉｔ_ｉ＋１ ^２＋ｃ_ｉｔ_ｉ＋１＋ｄ_ｉ
上記関数に対して一次導関数を求めて、次の式を得、
Ｘ_ｉ（ｔ_ｉ）′＝３ａ_ｉｔ_ｉ ^２＋２ｂ_ｉｔ_ｉ＋ｃ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）′＝３ａ_ｉｔ_ｉ＋１ ^２＋２ｂ_ｉｔ_ｉ＋１＋ｃ_ｉ
前記補間関数と前記補間関数の導関数を結合し、方程式を解くことでａ_ｉ、ｂ_ｉ、ｃ_ｉ及びｄ_ｉの値を求める。

【0017】

Ｓ２３、Ｘ_ｉ（ｔ_ｉ）′及びＸ_ｉ＋１（ｔ_ｉ＋１）′の値を計算し、ここで、補間関数のすべての中間点をＭ_ｊ（ｔ_ｊ，ｘ_ｊ）として定義し、次の式に従ってＭ_ｊの左右座標点の１階差分商をそれぞれｋ_ｊとｋ_ｊ＋１で表し、

【数43】

次の式に従って、中間点Ｍ_ｊの左と右にある２つの隣接する期間の重みをそれぞれω_ｊ及びω_ｊ＋１と定義し、

【数44】

次の式に従って、中間点Ｍ_ｊにおける１次導関数Ｘ_ｊ（ｔ）′を近似に求める。

【数45】

【0018】

Ｓ２４、航跡記録期間を均等に分割してから得られた時系列を、各期間における経度と緯度の補間関数に代入して、当該航跡の等時間間隔で抽出された特徴点を求める。

【0019】

Ｓ３は、以下のＳ３１～Ｓ３２のステップを含み、
Ｓ３１、航跡データの時系列特性、動的パターン及び相関情報を保持し、モデルに航跡データの変化／進化プロセスをよりよく学習させるために、移動時間ウィンドウを確立する移動時間ウィンドウ処理を行い、前記移動時間ウィンドウの長さをＬ、移動距離をＬ／ｑと設定し、ここで、ｑが柔軟に選択された整数であり、ｑが小さいほど、データの前後相関性が強くなることを表す。

【0020】

Ｓ３２、自己適応時間間隔の特徴抽出と移動時間ウィンドウ処理を行ったＡＩＳデータを、前記ミラーゲートネットワークに入力して、前記順方向ゲートユニットと前記逆方向ゲートユニットをそれぞれ訓練し、前記ミラーゲートネットワークにより１つ又は複数の軌跡を訓練及び予測し、時刻ｔにおける入力データＩ_ｔと出力データＯ_ｔを次の式で表し、

【数46】

ここで、ｒは予測された航跡の数を表し、Ｓ_ｔ ^ｋは、時刻ｔにおいて処理されたｋ番目の船舶の航跡データを表し、ｌｏｎ_ｔ ^ｋは時刻ｔにおける補間後の経度を表し、ｌａｔ_ｔ ^ｋは時刻ｔにおける補間後の緯度を表し、ｃｏｇ_ｔ ^ｋは、時刻ｔにおける補間後の緯度と経度に対応する針路を表し、ｓｏｇ_ｔ ^ｋは時刻ｔにおける補間後の緯度と経度に対応する航行速度を表し，Ｌは時刻ｔにおける移動時間ウィンドウの長さを示し、ｕはモデルの予測された軌跡の長さを表す。

【0021】

Ｓ４において、各入力データをＮ個の順方向ゲートユニットとＮ個の逆方向ゲートユニットを介して訓練し、ミラーゲートネットワークの最終結果に基づいて自己適応可変長Ｎを決めて、そして最適な航跡予測結果を取得する。

【発明の効果】

【0022】

本発明は、従来技術に比べて次の有益な効果を有する。

【0023】

１、本発明は、新型のミラーゲートネットワークを構築したので、ミラーゲートをそれぞれデータの両端から学習させ、時間距離を調整することで、モデルによって得られた誤差が収束条件を満たす場合に、軌跡予測モデルの訓練を成し遂げる。この新型ゲート構造は、航跡前後の依存関係と動的パターンを深く捉える。

【0024】

２、本発明によって構築されたミラーネットワークは、両端から行われる学習能力により、モデルがデータ内の隠れたモードを自発的に発見して利用して自身の自律的な学習と適応能力を十分に発揮するようにするため、より高い航跡予測精度を成し遂げる。

【0025】

３、本発明は、自己適応時間間隔の特徴抽出の方式により、異なる航跡のデータ自己適応整列を成し遂げる上に、多重航跡予測用入力データを構築できる。

【図面の簡単な説明】

【0026】

【図1】本発明のフローチャートを概略的に示す図である

【図2】順方向ゲートと逆方向ゲートを概略的に示す図である

【図3】ミラーゲートネットワークを概略的に示す図である。

【図4】等時間間隔ＡＩＳ点の抽出を概略的に示す図である。

【図5】入力航跡の構築を概略的に示す図である。

【図6】軌跡予測モデルを概略的に示す図である。

【発明を実施するための形態】

【0027】

我々は、次の図面と組み合わせて本発明を更に説明する。図１に示すように、ミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法は、次の工程を含む。

【0028】

Ｓ１、ミラーゲートネットワークを構築する。図２は、順方向ゲートと逆方向ゲートの具体的な構造を示す。図３は、順方向ゲートと逆方向ゲートに基づいて構築されたミラーゲートネットワークの細部を示す。当該構造を基本モデルとして利用する。

【0029】

Ｓ２、等時間間隔データを整列する。図４に示すように、ｌｏｎ、ｌａｔ、ｃｏｇ、及びｓｏｇという４つの異なる次元で補間関数を構築してデータ整列を成し遂げる。

【0030】

Ｓ３、入力データを構築する。図５に示すように、整列された航跡データに対して長さがＬで、歩幅がＬ／ｑとなる移動時間ウィンドウ処理を行い、様々な航跡データを合併して、多重航跡予測モデルの入力を構築する。

【0031】

Ｓ４、可変長時間間隔の自己適応航跡予測モデルを構築する。図６に示すように、Ｎ個の順、逆方向ゲートネットワークを訓練し、順方向ゲートと逆方向ゲートの損失（ｌｏｓｓ）が最小になった時点で訓練を停止し、最終結果に応じて自己適応可変長のＮを決める。

【0032】

本発明は、本実施例に限定されるものではなく、本発明で開示された技術的範囲内における同等の発想又は変更は、何れも本発明の保護範囲に含まれる。

【0033】

（付記）
（付記１）
ミラーゲートネットワークを構築する工程Ｓ１と、
等時間間隔の航跡特徴点を抽出する工程Ｓ２と、
入力航跡データを構築する工程Ｓ３と、及び、
可変長時間間隔の自己適応航跡予測モデルを構築する工程Ｓ４と、を含み、
Ｓ１において、前記ミラーゲートネットワークは順方向ゲートユニットと逆方向ゲートユニットとを備え、
Ｓ１は、以下のＳ１１～Ｓ１４のステップを含み、
Ｓ１１、前記ミラーゲートネットワークの前記順方向ゲートユニットを設定し、
Ｓ１１において、前記順方向ゲートユニットが順方向合流ゲートと順方向分流ゲートと順方向再生ゲートとを備え、前記順方向ゲートユニットは、航跡情報の入力と出力の制御に用いられ、
Ｓ１１は、以下のＳ１１１～Ｓ１１３のステップを含み、
Ｓ１１１、前記順方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと前のゲートユニットのユニット状態

【数47】

と前のゲートユニットの隠れ層状態

【数48】

とを備え、前記順方向合流ゲートがすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数49】

ここで、

【数50】

は、それぞれ

【数51】

の重みを表し、ｓｉｇｍｏｉｄは、起動関数を表し、
Ｓ１１２、前記順方向分流ゲートが、前記順方向合流ゲートを通した情報を、それぞれ前のゲートユニットのユニット状態

【数52】

と前のゲートユニットの隠れ層状態

【数53】

とともに分流を形成して新しいユニット状態

【数54】

と隠れ層状態

【数55】

を得て、計算式は、以下の通りであり、

【数56】

ここで、

【数57】

は、それぞれ

【数58】

を計算する過程に対応する重みを表し、ｔａｎｈは起動関数を表し、
Ｓ１１３、前記順方向再生ゲートが、前記順方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数59】

及び隠れ層状態

【数60】

とともに新しい状態

【数61】

を生成し、計算式は、以下の通りであり、

【数62】

ここで、

【数63】

は、それぞれ

【数64】

を生成する過程において

【数65】

に対応する重みを表し、
Ｓ１２、前記ミラーゲートネットワークの前記逆方向ゲートユニットを設定し、
Ｓ１２において、前記逆方向ゲートユニットは逆方向合流ゲートと逆方向分流ゲートと逆方向再生ゲートとを備え、前記逆方向ゲートユニットは入力情報に対して逆方向操作を行い、
Ｓ１２は、以下のＳ１２１～Ｓ１２３のステップを含み、
Ｓ１２１、前記逆方向合流ゲートが、現在の航跡情報入力状態ｘ_ｔと次のゲートユニットのユニット状態

【数66】

と次のゲートユニットの隠れ層状態

【数67】

とを備え、前記逆方向合流ゲートはすべての入力情報の集約を担当し、計算式は、以下の通りであり、

【数68】

ここで、

【数69】

は、それぞれ

【数70】

の重みを表し、
Ｓ１２２、前記逆方向分流ゲートが、次の式に従って、前記逆方向合流ゲートを通した情報を、それぞれ次のゲートユニットのユニット状態

【数71】

と次のゲートユニットの隠れ層状態

【数72】

とともに分流を形成して新しいユニット状態

【数73】

と隠れ層状態

【数74】

を得、計算式は、以下の通りであり、

【数75】

ここで、

【数76】

は、それぞれ逆方向分流ゲートを計算する過程において

【数77】

に対応する重みを表し、
Ｓ１２３、前記逆方向再生ゲートが、前記逆方向合流ゲートを通した情報を、現在の航跡情報入力状態ｘ_ｔと現在のユニットのユニット状態

【数78】

及び隠れ層状態

【数79】

とともに新しい状態

【数80】

を生成し、計算式は、以下の通りであり、

【数81】

ここで、

【数82】

は、それぞれ

【数83】

を生成する過程において

【数84】

に対応する重みを表し、
Ｓ１３、前記順方向ゲートユニットを順方向に逐次接続し、前記逆方向ゲートユニットを逆方向に逐次接続し、同じ時間距離での前記順方向ゲートユニットと前記逆方向ゲートユニットの状態を合併して、前記ミラーゲートネットワークを構築し、計算式は以下の通りであり、

【数85】

ここで、

【数86】

は、合併操作を表し、
Ｓ１４、前記ミラーゲートネットワークで計算を行って、次のような予測出力情報を得、

【数87】

ここで、ｗ_ｇｙは、

【数88】

の重みを表し、
Ｓ２は、以下のＳ２１～Ｓ２４のステップを含み、
Ｓ２１、自己適応時間間隔の特徴点を抽出する方式により、同じ海域で収集されたＡＩＳデータ中の航跡Ｐ^ｋを定義して、航跡特徴ベクトルで表し、計算式は、以下の通りであり、
Ｐ^ｋ＝｛ｐ_１ ^ｋ，ｐ_２ ^ｋ，．．．，ｐ_ｉ ^ｋ，．．．，ｐ_ｌ ^ｋ｝
ここで、ｐ_ｉ ^ｋは、タイムスタンプがｉとなる時の海域内のｋ番目の船の航跡Ｐ^ｋの航跡点を表し、ｐ_ｉ ^ｋの特徴は以下の式で表し、
ｐ_ｉ ^ｋ＝（ｌｏｎ_ｉ ^ｋ，ｌａｔ_ｉ ^ｋ，ｃｏｇ_ｉ ^ｋ，ｓｏｇ_ｉ ^ｋ）
ここで、ｌｏｎ_ｉ ^ｋは船の経度値を表し、ｌａｔ_ｉ ^ｋは船の緯度値を表し、ｃｏｇ_ｉ ^ｋは船の対地針路を表し、ｓｏｇ_ｉ ^ｋは船の対地速度を表し、
自己適応時間間隔とｔとして定義し、次の式で表し、
ｔ＝（ｔ_１，ｔ_２，．．．，ｔ_ｉ，．．．，ｔ_ｎ）
ここで、ｔ_ｉは、Ｐ^ｋ中のｉ番目の航跡点の時間距離を表し、
Ｓ２２、区間［ｔ_ｉ，ｔ_ｉ＋１］において、次の式で表される補間関数を定義し、
Ｘ_ｉ（ｔ_ｉ）＝ａ_ｉｔ_ｉ ^３＋ｂ_ｉｔ_ｉ ^２＋ｃ_ｉｔ_ｉ＋ｄ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）＝ａ_ｉｔ_ｉ＋１ ^３＋ｂ_ｉｔ_ｉ＋１ ^２＋ｃ_ｉｔ_ｉ＋１＋ｄ_ｉ
上記関数に対して一次導関数を求めて、次の式を得、
Ｘ_ｉ（ｔ_ｉ）′＝３ａ_ｉｔ_ｉ ^２＋２ｂ_ｉｔ_ｉ＋ｃ_ｉ
Ｘ_ｉ＋１（ｔ_ｉ＋１）′＝３ａ_ｉｔ_ｉ＋１ ^２＋２ｂ_ｉｔ_ｉ＋１＋ｃ_ｉ
前記補間関数と前記補間関数の導関数を結合し、方程式を解くことでａ_ｉ、ｂ_ｉ、ｃ_ｉ及びｄ_ｉの値を求め、
Ｓ２３、Ｘ_ｉ（ｔ_ｉ）′及びＸ_ｉ＋１（ｔ_ｉ＋１）′の値を計算し、ここで、補間関数のすべての中間点をＭ_ｊ（ｔ_ｊ，ｘ_ｊ）として定義し、次の式に従ってＭ_ｊの左右座標点の１階差分商をそれぞれｋ_ｊとｋ_ｊ＋１で表し、

【数89】

次の式に従って、中間点Ｍ_ｊの左と右にある２つの隣接する期間の重みをそれぞれω_ｊ及びω_ｊ＋１と定義し、

【数90】

次の式に従って、中間点Ｍ_ｊにおける１次導関数Ｘ_ｊ（ｔ）′を近似に求め、

【数91】

Ｓ２４、航跡記録期間を均等に分割してから得られた時系列を、各期間における経度と緯度の補間関数に代入して、当該航跡の等時間間隔で抽出された特徴点を求め、
Ｓ３は、以下のＳ３１～Ｓ３２のステップを含み、
Ｓ３１、航跡データの時系列特性、動的パターン及び相関情報を保持し、モデルに航跡データの変化／進化プロセスをよりよく学習させるために、移動時間ウィンドウを確立する移動時間ウィンドウ処理を行い、前記移動時間ウィンドウの長さをＬ、移動距離をＬ／ｑと設定し、ここで、ｑが柔軟に選択された整数であり、ｑが小さいほど、データの前後相関性が強くなることを表し、
Ｓ３２、自己適応時間間隔の特徴抽出と移動時間ウィンドウ処理を行ったＡＩＳデータを、前記ミラーゲートネットワークに入力して、前記順方向ゲートユニットと前記逆方向ゲートユニットをそれぞれ訓練し、前記ミラーゲートネットワークにより１つ又は複数の軌跡を訓練及び予測し、時刻ｔにおける入力データＩ_ｔと出力データO_ｔを次の式で表し、

【数92】

ここで、ｒは予測された航跡の数を表し、Ｓ_ｔ ^ｋは、時刻ｔにおいて処理されたｋ番目の船舶の航跡データを表し、ｌｏｎ_ｔ ^ｋは時刻ｔにおける補間後の経度を表し、ｌａｔ_ｔ ^ｋは時刻ｔにおける補間後の緯度を表し、ｃｏｇ_ｔ ^ｋは、時刻ｔにおける補間後の緯度と経度に対応する針路を表し、ｓｏｇ_ｔ ^ｋは時刻ｔにおける補間後の緯度と経度に対応する航行速度を表し，Ｌは時刻ｔにおける移動時間ウィンドウの長さを示し、ｕはモデルの予測された軌跡の長さを表し、
Ｓ４において、各入力データをＮ個の順方向ゲートユニットとＮ個の逆方向ゲートユニットを介して訓練し、ミラーゲートネットワークの最終結果に基づいて自己適応可変長Ｎを決めて、そして最適な航跡予測結果を取得する、
ことを特徴とするミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法。

【要約】      （修正有）

【課題】ミラーゲートネットワークに基づく自己適応時間間隔の船舶航跡予測方法を提供する。
【解決手段】方法は、ミラーゲートネットワークを構築する工程と、等時間間隔の航跡特徴点を抽出する工程と、入力航跡データを構築する工程と、可変長時間間隔の自己適応航跡予測モデルを構築する工程と、を含み、新型のミラーゲートネットワークを構築し、ミラーゲートをそれぞれデータの両端から学習させ、時間距離を調整することで、モデルによって得られた誤差が収束条件を満たす場合に、軌跡予測モデルの訓練を成し遂げる。
【効果】本発明によって構築されたミラーネットワークは、両端から行われる学習能力により、モデルがデータ内の隠れたモードを自発的に発見及び利用して自身の自律的な学習と適応能力を十分に発揮するようにするため、より高い航跡予測精度を成し遂げる。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】