本发明涉及海洋渔业信息化技术领域，更具体而言涉及一种结合北斗与ais的海洋渔船轨迹预测方法及系统。
背景技术：
在海洋渔业安全监控领域中，通过船舶历史轨迹数据对船舶下一时刻的状态进行预测并得到船舶轨迹预测结果在船舶状态监控和异常检测方面具有重大意义。
渔船轨迹预测不仅可以在渔船监控数据传输丢失时对渔船状态进行估计，而且能够提前感知渔船可能发生的异常行为并对渔船进行重点监测，同时对异常航行行为做出警告。传统的轨迹预测方法如基于高斯混合模型的轨迹预测、基于频繁轨迹的移动对象位置预测、基于神经网络的轨迹位置预测、基于卡尔曼滤波的轨迹预测，都无法有效实现渔船轨迹预测。前三种轨迹预测方法建立在特定区域轨迹行为模式固定的基础上，例如陆上轨迹遵循路网交通，海上轨迹受航道限制，而渔船在海上航行时不受航道限制，其航行行为具有很大的随意性，并且大多数情况下渔船在海上做非线性运动，无法从历史轨迹中提取相关行为模式实现渔船轨迹预测。基于卡尔曼滤波的轨迹预测方法是一种基于目标运动特征和历史轨迹信息的轨迹预测方法，但是其只适用于线性系统，无法直接应用到类似渔船航行的非线性系统中。
北斗和ais系统都能对渔船进行位置监控并获得一系列时空连续的渔船轨迹数据，但是上述系统使用的传感器在监测渔船位置、速度、方向等状态信息时都会带有各自的测量误差。
技术实现要素：
针对现有技术中存在的上述技术问题，本发明提出了一种结合北斗与ais的海洋渔船轨迹预测方法。为了提升渔船轨迹预测的精度，本方法在轨迹预测之前将北斗和ais系统采集的观测数据进行融合，得到一个更接近渔船真实位置的融合值，然后用该融合值对渔船下一时刻的位置信息进行预测，提升渔船轨迹预测精度。该方法在北斗与ais数据融合的基础上使用无迹卡尔曼滤波实现渔船轨迹预测，弥补了卡尔曼滤波方法无法对非线性系统进行轨迹预测的缺陷，此外，相对于单传感器轨迹预测而言，该算法在预测精度上也有较大提升。
为了实现海上渔船状态的精准监控，本发明实现了一个基于北斗和ais的渔船监控系统。该系统的主要功能包括海图显示、船舶查询、轨迹回放、轨迹预测、异常报警等，
为了实现上述目的，本发明公开了一种基于北斗与ais数据融合的海洋渔船轨迹预测方法，其特征在于包括如下步骤：
步骤a)、对多源数据进行时间配准，输入北斗和ais的观测值时间序列，将每个传感器针对同一个目标的观测数据同步到相同的时间线；
步骤b)、根据ais轨迹数据的与北斗轨迹数据进行时间配准后的结果，对ais数据和北斗数据进行融合；
步骤c)、根据ais数据和北斗数据融合后的结果，对轨迹进行滤波处理，获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。
优选地，所述步骤a)，可通过内插外推法将高精度的观测数据推算到低精度的时间点上，具体包括如下步骤：
步骤a1：取定时间片，根据船舶的运动情况以及系统的通信状况，对应的时间片可以选为分钟级和小时级；
步骤a2：在同一时间片内，将ais和北斗观测数据按测量精度进行增量排序；
步骤a3：将高精度观测数据分别向最低精度时间点内插、外推，形成一系列等间隔的目标观测数据。
优选地，所述步骤b)，可通过最小均方误差准则的基础上实现多源轨迹数据的融合。
优选地，所述步骤c)，在融合北斗和ais轨迹数据后使用无迹卡尔曼滤波获取当前时刻的最优状态估计，并在此基础上进行轨迹预测，所用基于多源信息融合的轨迹预测算法在一个轨迹预测周期内的处理步骤包括：
步骤c1：根据k-1时刻的系统状态
步骤c2：当观测数据zi(k)到达处理中心时，判断观测值zi(k)的数据来源，若zi(k)为北斗轨迹数据，更新当前预测周期北斗轨迹数据存储域zbd(k)＝zi(k)；若zi(k)为ais轨迹数据，存储该ais轨迹数据到ais历史轨迹数据队列qais中。
步骤c3：若当前时刻t＜k dt，转到步骤2；否则，转到步骤4。
步骤c4：对qais中存储的历史ais轨迹数据进行时间配准，将时间配准到北斗轨迹数据时间线上，计算当前预测周期时间配准后的ais轨迹数据zais(k)。
步骤c5：将当前预测周期的zbd(k)和zais(k)融合后，计算系统状态在k时刻的全局估计值
步骤c6：在
为了实现上述目的，本发明还公开了一种基于北斗与ais数据融合的海洋渔船轨迹预测系统，包括：
第一模块，用于对多源数据进行时间配准，输入北斗和ais的观测值时间序列，将每个传感器针对同一个目标的观测数据同步到相同的时间线；
第二模块，用于根据ais轨迹数据的与北斗轨迹数据进行时间配准后的结果，对ais数据和北斗数据进行融合；
第三模块，用于根据ais数据和北斗数据融合后的结果，对轨迹进行滤波处理，获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。
本发明提出了一种基于北斗与ais数据融合的轨迹预测方法及系统，该方法及系统能够对多源轨迹数据进行实时融合，并在此基础上实现渔船轨迹预测，有效提升轨迹预测精度。且具有以下的有益效果：
(1)对观测数据的要求不高，可以在渔船数据传输丢失时对渔船轨迹进行预测，适用性强，具有较高的实用价值；
(2)对历史数据的依赖性不高，从而避免了大量的历史轨迹建模和时空数据运算，提高了系统的实时性；
(3)可有效提高渔船监控系统的工作效率，对渔船调度和应急指挥等工作具有重要的技术辅助作用。
附图说明
图1是基于北斗和ais融合的渔船轨迹预测方法流程图。
具体实施方式
下面结合说明书附图对本发明实施例作进一步详细描述，但本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图1所示，本发明的基于北斗与ais数据融合的海洋渔船轨迹预测方法，主要步骤包括：
步骤a)、对多源数据进行时间配准，输入北斗和ais的观测值时间序列，将每个传感器针对同一个目标的观测数据同步到相同的时间线；
步骤b)、根据ais轨迹数据的与北斗轨迹数据进行时间配准后的结果，对ais数据和北斗数据进行融合；
步骤c)、根据ais数据和北斗数据融合后的结果，对轨迹进行滤波处理，获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。
优选的，所述步骤a)，可通过内插外推法将高精度的观测数据推算到低精度的时间点上。
步骤a1：取定时间片，根据船舶的运动情况以及系统的通信状况，对应的时间片可以选为分钟级和小时级；
步骤a2：在同一时间片内，将ais和北斗观测数据按测量精度进行增量排序；
步骤a3：将高精度观测数据分别向最低精度时间点内插、外推，形成一系列等间隔的目标观测数据。
优选的，所述步骤b),可通过最小均方误差准则的基础上实现多源轨迹数据的融合。
假设渔船轨迹在k时刻的真实值为z，其北斗和ais轨迹信息分别为zbd和zais，并且zbd和zais的误差是均值为零，方差分别
融合后的轨迹数据zf的均方误差
进一步，结合以上，可以得到计算公式：
其中ω1＝ωbd，ω2＝ωais，z1＝zbd，z2＝zais。
因为zbd和zais的误差是均值为零的独立高斯白噪声，所以可以得到以下计算公示：
e[(zbd-z)(zais-z)]＝0
均方误差
因此，基于最小均方误差的最优权值求解问题可以表述为如下式所示：
可以看出，数据融合值的最小均方误差是关于各传感器数据权重的二次函数，当
将上述结果推广到多维传感器观测数据，可以得到数据融合公式具体为：
其中n表示传感器数量，zi(k)表示传感器i在k时刻的观测向量，ri(k)为k时刻传感器i的测量噪声矩阵，z(k)和r(k)分别为传感器观测数据融合后的系统观测向量及测量噪声矩阵。
优选的，所述步骤c)，在融合北斗和ais轨迹数据后使用无迹卡尔曼滤波获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。基于多源信息融合的轨迹预测算法在一个轨迹预测周期内的处理步骤包括：
步骤c1：根据k-1时刻的系统状态
步骤c2：当观测数据zi(k)到达处理中心时，判断观测值zi(k)的数据来源，若zi(k)为北斗轨迹数据，更新当前预测周期北斗轨迹数据存储域zbd(k)＝zi(k)；若zi(k)为ais轨迹数据，存储该ais轨迹数据到ais历史轨迹数据队列qais中。
步骤c3：若当前时刻t＜k dt，转到步骤2；否则，转到步骤4。
步骤c4：对qais中存储的历史ais轨迹数据进行时间配准，将时间配准到北斗轨迹数据时间线上，计算当前预测周期时间配准后的ais轨迹数据zais(k)。
步骤c5：将当前预测周期的zbd(k)和zais(k)融合后，计算系统状态在k时刻的全局估计值
步骤c6：在
1.一种基于北斗与ais数据融合的海洋渔船轨迹预测方法，其特征在于包括如下步骤：
步骤a)、对多源数据进行时间配准，输入北斗和ais的观测值时间序列，将每个传感器针对同一个目标的观测数据同步到相同的时间线；
步骤b)、根据ais轨迹数据的与北斗轨迹数据进行时间配准后的结果，对ais数据和北斗数据进行融合；
步骤c)、根据ais数据和北斗数据融合后的结果，对轨迹进行滤波处理，获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。
2.如权利要求1所述的基于北斗与ais数据融合的海洋渔船轨迹预测方法，其特征在于：所述步骤a)，可通过内插外推法将高精度的观测数据推算到低精度的时间点上，具体包括如下步骤：
步骤a1：取定时间片，根据船舶的运动情况以及系统的通信状况，对应的时间片可以选为分钟级和小时级；
步骤a2：在同一时间片内，将ais和北斗观测数据按测量精度进行增量排序；
步骤a3：将高精度观测数据分别向最低精度时间点内插、外推，形成一系列等间隔的目标观测数据。
3.如权利要求1所述的基于北斗与ais数据融合的海洋渔船轨迹预测方法，其特征在于：所述步骤b)，可通过最小均方误差准则的基础上实现多源轨迹数据的融合。
4.如权利要求1所述的基于北斗与ais数据融合的海洋渔船轨迹预测方法，其特征在于：所述步骤c)，在融合北斗和ais轨迹数据后使用无迹卡尔曼滤波获取当前时刻的最优状态估计，并在此基础上进行轨迹预测，所用基于多源信息融合的轨迹预测算法在一个轨迹预测周期内的处理步骤包括：
步骤c1：根据k-1时刻的系统状态
步骤c2：当观测数据zi(k)到达处理中心时，判断观测值zi(k)的数据来源，若zi(k)为北斗轨迹数据，更新当前预测周期北斗轨迹数据存储域zbd(k)＝zi(k)；若zi(k)为ais轨迹数据，存储该ais轨迹数据到ais历史轨迹数据队列qais中；
步骤c3：若当前时刻t＜k dt，转到步骤2；否则，转到步骤4；
步骤c4：对qais中存储的历史ais轨迹数据进行时间配准，将时间配准到北斗轨迹数据时间线上，计算当前预测周期时间配准后的ais轨迹数据zais(k)；
步骤c5：将当前预测周期的zbd(k)和zais(k)融合后，计算系统状态在k时刻的全局估计值
步骤c6：在
5.一种基于北斗与ais数据融合的海洋渔船轨迹预测系统，其特征在于包括如下模块：
第一模块，用于对多源数据进行时间配准，输入北斗和ais的观测值时间序列，将每个传感器针对同一个目标的观测数据同步到相同的时间线；
第二模块，用于根据ais轨迹数据的与北斗轨迹数据进行时间配准后的结果，对ais数据和北斗数据进行融合；
第三模块，用于根据ais数据和北斗数据融合后的结果，对轨迹进行滤波处理，获取当前时刻的最优状态估计，并在此基础上进行轨迹预测。
技术总结