(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111462360.X (22)申请日 2021.12.02 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 张金奋　袁晓丽　张笛　蔡明佑　 刘炯炯　田五六　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 李娜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的渡船穿越航道行为预 测方法和系统 (57)摘要 本申请公开了一种基于机器学习的渡船穿 越航道行为预测方法， 包括如下步骤： 获取预定 渡口之间的AIS数据， 对AIS数据进行预处理， 进 而计算得到DCPA和TCPA； 通过设定DCPA和TCPA阈 值α和β， 筛选得到渡船与目标船舶的会遇场 景； 基于会遇场景的数据特征进行相关性分析， 得到筛选特征； 建立机器学习模型， 并使用筛选 特征进行训练； 评价训练后的机器学习模型， 得 到渡船穿越 行为预测模型， 预测模 型用于渡船穿 越航道行为预测。 本申请简化了渡 船运动状态分 析过程， 选择一种较优的模型实现对渡船穿越行 为的预测， 保证 了预测的准确性。 权利要求书2页 说明书5页 附图3页 CN 114118604 A 2022.03.01 CN 114118604 A 1.一种基于 机器学习的渡船穿越航道行为预测方法， 其特 征在于， 包括如下步骤： 获取预定渡口之间的AIS数据， 对所述AIS数据进行预处理， 进而计算得到最近会遇距 离DCPA和最小会遇时间TCPA； 通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β， 筛选得到 渡船与目标 船舶的会遇场景； 基于所述会遇场景的数据特 征进行相关性分析， 得到 筛选特征； 建立机器学习模型， 并使用所述筛 选特征进行训练； 评价训练后的所述机器学习模型， 得到渡船穿越行为预测模型， 所述预测模型用于渡 船穿越航道行为预测。 2.根据权利要求1所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 所 述AIS数据包括渡船和目标 船舶的经度、 纬度、 航速、 航向、 船舶类型、 船长、 船宽和M MSI。 3.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 对 所述AIS数据进行 预处理的方法包括： 删除所述AIS数据中的异常数据， 和对所述AIS数据中的缺失数据补充差值。 4.根据权利要求3所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 计 算得到所述 最近会遇距离DCPA和所述 最小会遇时间TCPA的方法包括： 基于预处 理后的所述AIS数据， 计算相对距离Dr、 相对航向Cr、 相对方位Cb和相对速度Vr； 所述最近会遇距离DCPA和所述 最小会遇时间TCPA的计算方法为： DCPA＝Drsin(Cr‑Cb‑π ) TCPA＝Drcos(Cr‑Cb‑π )/Vr。 5.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 根 据渡口附近交通流量情况、 目标船舶及 渡船动静态信息确定所述最近会遇距离D CPA的阈值 α 和所述最小会遇时间TCPA的阈值β 。 6.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 得 到所述筛 选特征的方法包括： 将渡船穿越航道过程中， 与其他船舶会遇的问题转化为二分类问题， 建立零号标签和 一号标签， 所述零号标签表示渡船从目标船船头通过， 所述一号标签表示渡船从目标船 的 船尾通过； 根据会遇场景数据， 并将所述零号标签和所述一号标签作为输入特征进行相关性分 析， 得到所述筛 选特征。 7.根据权利要求6所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 使 用逻辑回归、 Xgbo ost、 神经网络、 随机森林建立所述机器学习模型。 8.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法， 其特征在于， 评 价训练后的所述机器学习模型的方法包括： 计算混淆矩阵中TN、 TP、 FP、 FN,其中， TN为渡船从目标船船尾通过， 且模型认为渡船从 目标船船尾通过的数量； TP为渡船从目标船船头通过， 且模型认为渡船从目标船船头通过 的数量； FP为渡 船从目标船船尾通过， 但模 型认为渡船从目标船船头通过的数量； FN为渡 船 从目标船船头通过， 但模型认为渡船从目标 船船尾通过的数量； 根据所述TN、 所述TP、 所述FP和所述FN， 计算precisi on、 recall、 f1、 accuracy,权　利　要　求　书 1/2 页 2 CN 114118604 A 2使用所述TN、 所述TP、 所述FP、 所述FN、 所述precision、 所述recall、 所述f1和所述 accuracy评价训练后的所述机器学习模型。 9.一种基于机器学习的渡船穿越航道行为预测系统， 其特征在于， 包括初期数据模块、 会遇场景模块、 相关性分析模块、 学习模型模块和预测模块； 所述初期数据模块用于获取特定渡 口之间的AIS数据， 并对所述AIS数据进行预处理， 进而计算得到最近会遇距离DCPA和最小会遇时间TCPA； 所述会遇场景模块用于通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间 TCPA的阈值β， 筛 选得到渡船与目标 船舶的会遇场景； 所述相关性分析模块用于基于所述会遇场景的数据 特征进行相关性分析， 得到筛选特 征； 所述学习 模型模块用于建立机器学习 模型， 并使用所述筛选特征对所述机器学习模型 进行训练； 所述预测模块用于评价训练后的所述机器学习模型， 得到渡船穿越行为预测模型， 所 述预测模型用于对 渡船穿越航道行为进行 预测。 10.根据权利要求9所述的基于机器学习的渡船穿越航道行为预测系统， 其特征在于， 所述学习模型模块使用逻辑回归、 Xgboost、 神经网络、 随机森林建立并训练所述机器学习 模型。权　利　要　求　书 2/2 页 3 CN 114118604 A 3