基于深度学习的多源航迹关联研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的多源航迹关联研究

摘要

多源航迹关联通过关联算法，将从不同传感器或数据源中获取的航迹信息

关联到同一目标上，作为解决航迹配对的核心技术，在日益复杂的海上交通环

境监测中起到重要作用。近年来随着海上的航迹数量飞速增长以及部分航迹存

在中断现象，进一步增大了多源航迹关联的难度。传统的航迹关联方法大多应

用在航迹数量较低的环境，但面对如今航迹更复杂、更密集的海上环境，体现

出了通信量大、需要大量仿真以及人工设置参数等缺陷，航迹关联的准确性不

高。深度学习方法是一种基于神经网络的数据驱动方法，可以充分利用海量的

航迹数据，应用于航迹密度高，数据量大的场景。本文利用深度学习技术，对

AIS（AutomaticIdentificationSystem，AIS）中断航迹进行预测，恢复航迹数据

完整性，将预测后的航迹数据进行航迹关联。

首先，对AIS航迹数据特点进行了简要分析，其次分析了传统算法和深度

学习算法针对航迹预测问题和航迹关联问题的适用性。

其次，设计了一种基于LSTM（LongShort-TermMemory，LSTM）和

Transformer解码器的航迹预测算法STPLTD（ShipTrackPredictionAlgorithm

BasedonLSTMTransformerDecoder），该算法首先通过数据预处理实现航迹数

据尺寸的统一，其次利用LSTM对预处理之后的航迹数据进行特征提取，最后

利用Transformer解码器的自注意力机制，充分挖掘数据的上下文信息和隐含特

征，输出航迹预测结果。仿真结果表明，STPLTD算法对船舶轨迹预测取得了

较好的效果，可以有效的恢复船舶轨迹的完整性。

最后，设计了一种基于并联Transformer的航迹关联算法MTAPT（Multi-

SourceTrackAssociationAlgorithmBasedonParallelTransformer），将传统的多源

航迹关联问题转化为深度学习的二分类问题，利用Transformer对序列的挖掘能

力，以及自注意力机制对航迹进行处理，引入马氏距离，对航迹的相关性进行

度量最后分类器判别关联结果。仿真结果表明，MTAPT算法对多源航迹关联取

得了较好的效果，达到针对不同密度场景下，平均航迹关联准确率保持在92%

左右的目的。

关键词航迹预测；航迹关联；AIS；LSTM；Transformer

I

哈尔滨理工大学工学硕士学位论文

ResearchonMulti-sourceTrackAssociationBased

onDeepLearning

Abstract

Multi-sourcetrackassociationassociatestrackinformationobtainedfrom

differentsensorsordatasourcestothesametargetthroughassociationalgorithms.As

acoretechnologytosolvetrackpairing,itplaysanimportantroleinmonitoringthe

increasinglycomplexmaritimetrafficenvironment,isoneoftheimportantmeansof

maritimesupervisioninourcountry.Inrecentyears,withtherapidgrowthofthe

numberoftr