船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模...船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。展开更多
文摘船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。
