(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 202111097991.6 (22)申请日 2021.09.18 (71)申请人 中国人民解 放军军事科学院国防科 技创新研究院 地址 100071 北京市丰台区东大街5 3号 (72)发明人 王凯　李献斌　姜勇　覃江毅　 张海超　张飞　李泰博　田世伟　 (74)专利代理 机构 北京奥文知识产权代理事务 所(普通合伙) 11534 代理人 张文 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/10(2006.01) G06F 17/16(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 跨域海事搜救对象轨迹弥补方法、 系统、 装 置和存储介质 (57)摘要 本发明公开了一种跨域海事搜救对象轨迹 弥补方法、 系统、 装置和存储介质， 该方法包括： 获取包括带有时间标签的漂流轨迹坐标信息和 洋流轨迹状态信息的历史轨迹数据； 选取设定时 间段的历史轨迹数据生成训练集； 利用训练集对 时空图神经网络模型进行训练以拟合历史时刻 的漂流轨迹坐标信息和未来时刻 的漂流轨迹坐 标信息的映射关系， 时空图神经网络模型设置有 注意力机制； 将搜救对象 的历史时刻漂流轨迹坐 标信息和洋流轨迹状态信息输入时空图神经网 络模型， 获取搜救对象 的未来时刻漂流轨迹坐标 信息预测结果。 本发明通过借助先验的历史轨迹 数据信息训练基于注意力机制的时空图神经网 络模型， 能够对缺失的搜 救对象的轨迹信息进行 预测和弥补。 权利要求书3页 说明书11页 附图5页 CN 113987911 A 2022.01.28 CN 113987911 A 1.一种跨 域海事搜救对象轨 迹弥补方法， 其特 征在于， 包括： 获取包括带有时间标签的漂流轨 迹坐标信息和洋流轨 迹状态信息的历史轨 迹数据； 选取设定时间段的历史轨 迹数据生成训练集； 利用训练集对时空图神经网络模型进行训练以建立漂流轨迹与洋流轨迹的邻 接关系， 以及拟合历史时刻的漂流轨迹坐标信息和未来时刻的漂流轨迹坐标信息的映射关系， 其 中， 时空图神经网络模型设置有注意力机制； 将搜救对象的历史时刻漂流轨迹坐标信息和洋流轨迹状态信息输入时空图神经网络 模型， 获取搜救对象的未来时刻漂流轨 迹坐标信息预测结果。 2.根据权利要求1所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 所述 时空图神 经网络模 型包括轨迹编码子模块、 图特征提取层、 图结构生成子模块、 数据处理子模块和轨 迹解码子模块； 所述轨迹编码子模块用于对历史轨迹数据中包含的所有轨迹的运动模式进行建模处 理， 以获取轨 迹编码矩阵； 所述图特征提取层采用基于注意力 机制的节点分类层， 所述图特征提取层的输入和输 出分别连接所述轨迹编 码子模块和所述图结构生成子模块， 所述图特征提取层用于根据每 个轨迹节点在邻轨 迹节点上的注意力权 重对轨迹节点的轨 迹编码矩阵进行融合更新； 所述图结构生成子模块用于根据所述图特征提取层输出的轨迹节点的轨迹编码矩阵 对不同轨 迹之间的时序关联性进行建模处 理； 所述数据处理子模块用于对所述轨迹编码子模块输出的轨迹编码矩阵和所述图结构 生成子模块的输出矩阵进行激活 处理、 连接处 理和加噪处理； 所述轨迹解码子模块用于根据处理后的所述轨迹编码子模块输出的轨迹编码矩阵和 所述图结构生成子模块的输出矩阵获取包括历史时刻和未来时刻的轨 迹矩阵。 3.根据权利要求2所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 所述轨迹编码 子模块包括至少一层双向递归型神经网络， 所述双向递归型神经网络包括双向长短期记忆 单元、 或双向门限循环单元、 或双向长 短期记忆单元与双向门限循环单元的组合网络， 所述 轨迹编码子模块通过双向递归型神经网络对历史轨迹数据中包含的所有轨迹的运动模式 进行建模。 4.根据权利要求3所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 对历史轨迹数 据中包含的所有轨 迹的运动模式进行建模处 理， 以获取轨 迹编码矩阵， 包括： 利用以下公式一对每个时刻的相邻时刻的位置进行差分运算， 得到每个时刻的相对关 联位置； 其中， 表示t时刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值， 表示t‑1时 刻下第i条洋流轨迹节点或漂流轨迹节点的坐标经度值， 表示t时刻下第i条洋流轨迹节 点或漂流轨迹节点的坐标纬度值， 表示t‑1时刻下第i条洋流轨迹节点或漂流轨迹节点 的坐标纬度值， 表示第i条洋流轨迹节点或漂流轨迹节点在t时刻 的相对关联位权　利　要　求　书 1/3 页 2 CN 113987911 A 2置； 利用以下公式二将每 个时刻的相对关联位置嵌入到一个定 长向量中； 其中， 表示第i条洋流轨迹节点或漂流轨迹节点在t时刻的相 对关联位置信息与嵌入 权重通过嵌入函数映射得到的关联矩阵， φ表示嵌入函数， Wee表示嵌入权 重； 将预设长度的洋流轨迹节点或漂流轨迹节点合并作为定长序列， 使定长序列作为双向 递归型神经网络的输入， 获取轨 迹编码矩阵。 5.根据权利要求4所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 根据每个轨迹 节点在邻轨 迹节点上的注意力权 重对轨迹节点的轨 迹编码矩阵进行融合更新， 包括： 根据输入轨 迹节点的轨 迹编码矩阵集， 利用以下公式六进行自注意力加权处 理； eij＝A(Wmi||Wmj)公式六 其中， eij表示第i条轨迹节点和第j条轨迹节点拼接加权后的轨迹编码矩阵， A表示一个 的映射， W表示权值矩阵， mi表示第i条轨迹节点的轨迹编码矩阵， mj表示第j 条轨迹节点的轨迹编码矩阵， 表示实数集， F ′表示新特征向量维度， 轨迹节点包括洋流轨 迹节点或漂流轨 迹节点； 基于掩码式注意力机制， 利用以下公式七将注意力分配到轨迹节点的邻轨迹节点集 上； 其中， αij表示第i条轨迹节点的轨迹编码矩阵在所有相邻轨迹节点上的权重， softmaxj 表示激活函数， 用于将数据归一化， exp表示以自然常数e为底 的指数函数， M＝[1,2,..., N]， N表示轨 迹节点的轨 迹编码矩阵集中的轨 迹节点个数； 利用以下公式九获取轨 迹节点的新轨 迹编码矩阵； 其中， m′i表示图特征提取层输出的第i条轨迹节点的新轨迹编码矩阵， σ 表示sigmo d激 活函数， 用于将输出的轨迹编码矩阵映射到0～1之间， Mi表示第i条轨迹节点的邻轨迹节点 集。 6.根据权利要求5所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 所述图结构生 成子模块根据所述图特征提取层输出的轨迹节点的轨迹编 码矩阵， 利用以下公式十三对不 同轨迹之间的时序关联性进行建模处 理； 其中， 表示t+1时刻下式结构生成子模块的输出矩阵， G_GRU表示对不同轨迹之间 的 时序关联性建模， 表示t时刻下式结构生成子模块的输出矩阵， Wg表示不同轨迹的时序 权 重矩阵， m ′i,t表示t时刻图特 征提取层输出的第i条轨 迹节点的新轨 迹编码矩阵。 7.根据权利要求6所述的跨域海事搜救对象轨迹弥补方法， 其特征在于， 所述轨迹解码 子模块根据处理后的轨迹编码子模块输出的轨迹编码矩阵和图结构生成子模块的输出矩权　利　要　求　书 2/3 页 3 CN 113987911 A 3