航海领域现有的轨迹相似性度量方法多以传统方法为主,计算复杂度较高,尽管已经提出了一些基于深度学习的方法,但存在时空联合建模不足的问题,导致相似性度量的准确性和鲁棒性有待提升。针对上述问题,提出MDU-Net(Marine Density U-Net)...航海领域现有的轨迹相似性度量方法多以传统方法为主,计算复杂度较高,尽管已经提出了一些基于深度学习的方法,但存在时空联合建模不足的问题,导致相似性度量的准确性和鲁棒性有待提升。针对上述问题,提出MDU-Net(Marine Density U-Net)模型。该模型能够自动提取船舶轨迹的低维特征,从而高效可靠地检索与指定目标相似的轨迹。首先,对轨迹数据进行等时间间隔插值,再采用核密度估计(KDE)生成融合空间与速度信息的核密度灰度图,实现轨迹像素化。然后,采用基于U-Net结构的神经网络进行无监督学习,获得轨迹的低维表示。最后,通过计算低维特征向量间的余弦距离构建相似矩阵,量化轨迹间的相似性。实验结果表明,MDU-Net模型在评估指标上显著优于传统模型与主流深度学习模型,与经典动态时间规整(DTW)、Hausdorff距离、卷积自编码器(CAE)模型相比,MDU-Net模型前10条轨迹命中率提升了7.691、14.741、25.191百分点,充分验证了MDU-Net模型在船舶轨迹相似性度量任务中的优越效果。展开更多
文摘航海领域现有的轨迹相似性度量方法多以传统方法为主,计算复杂度较高,尽管已经提出了一些基于深度学习的方法,但存在时空联合建模不足的问题,导致相似性度量的准确性和鲁棒性有待提升。针对上述问题,提出MDU-Net(Marine Density U-Net)模型。该模型能够自动提取船舶轨迹的低维特征,从而高效可靠地检索与指定目标相似的轨迹。首先,对轨迹数据进行等时间间隔插值,再采用核密度估计(KDE)生成融合空间与速度信息的核密度灰度图,实现轨迹像素化。然后,采用基于U-Net结构的神经网络进行无监督学习,获得轨迹的低维表示。最后,通过计算低维特征向量间的余弦距离构建相似矩阵,量化轨迹间的相似性。实验结果表明,MDU-Net模型在评估指标上显著优于传统模型与主流深度学习模型,与经典动态时间规整(DTW)、Hausdorff距离、卷积自编码器(CAE)模型相比,MDU-Net模型前10条轨迹命中率提升了7.691、14.741、25.191百分点,充分验证了MDU-Net模型在船舶轨迹相似性度量任务中的优越效果。
