买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南大学申请的专利船舶轨迹预测方法、终端设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116628478B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310604485.4，技术领域涉及：G06F18/213；该发明授权船舶轨迹预测方法、终端设备及存储介质是由胡玉鹏;肖叶;黄靖;旷文鑫;刘乾桢;肖雨婷设计研发完成，并于2023-05-26向国家知识产权局提交的专利申请。

本船舶轨迹预测方法、终端设备及存储介质在说明书摘要公布了：本发明公开了一种船舶轨迹预测方法、终端设备及存储介质，从地面数据集中获取长度为g的第一观察序列，将第一观察序列输入第一机器学习模型，得到长度为l的中间预测序列从卫星数据集中观察到的长度为g的第二观察序列，将第二观察序列输入第二机器学习模型，得到长度为l的中间预测序列从地面‑卫星混合数据集中选出相同轨迹段的长度为g的第三观察序列，将第三观察序列与中间预测序列中间预测序列进行融合，形成新融合输入数据将新融合输入数据作为第三机器学习模型的输入，得到预测结果。本发明解决了现有技术中多源数据带来的适应性差和预测精度低的问题。

本发明授权船舶轨迹预测方法、终端设备及存储介质在权利要求书中公布了：1.一种船舶轨迹预测方法，其特征在于，包括以下步骤： S1、从地面数据集中获取长度为g的第一观察序列，将第一观察序列输入第一机器学习模型，得到长度为l的中间预测序列 中间预测序列具体获取过程包括： 将地面数据集中的观察序列的元素依次输入第一机器学习模型，其中，t表示当前轨迹序列中位置； 依据下式更新第一机器学习模型第j隐藏层的输出hj：hj＝σjhj-1wj+bj；θ，其中，第1隐藏层的隐藏状态h1为σ是第1隐藏层的激活函数，n是输入总数，bt是第1隐藏层的偏置，wt是连接层的权重，σj是第j隐藏层具有可学习参数θ的非线性激活函数，bj是第j隐藏层的偏置，wtj是第j层连接层的权重； 将由所有隐藏层的输出组成的向量输入全连接层，得到长度为l的中间预测序列 中间预测序列具体获取过程包括： 将卫星数据集中的观察序列的元素依次输入第一机器学习模型，其中，t表示当前轨迹序列中位置； 依据下式获取第二机器学习模型的前向隐藏序列以及后向隐藏序列 其中 是表示连接到卫星子块模型的隐藏状态的全连接层的输出集合，隐藏层状态维度大小为q，q与模型输入数据的维度大小相同，表示当前时刻输入的序列的轨迹点，即第二机器学习模型的输入样本点； 表示第二机器学习模型中前向层映射过程中的参数集： 表示输入到第二机器学习模型前向层中长度为g的轨迹序列中第i个时序点，表示第二机器学习模型中后向层映射过程中的参数集： 表示输入到后向层中的长度为g的轨迹序列中第i个时序点，L表示量化误差，N表示训练样本的总个数，表示长度为h的映射样本中第i个时序点，θ表示每个输入到输出映射过程中的参数值； 拼接所述前向隐藏序列和所述后向隐藏序列，得到拼接后的状态序列，将拼接后的状态序列输入全连接层，得到长度为l的中间预测序列从卫星数据集中观察到的长度为g的第二观察序列，将第二观察序列输入第二机器学习模型，得到长度为l的中间预测序列 S2、从地面-卫星混合数据集中选出相同轨迹段的长度为g的第三观察序列，将第三观察序列与中间预测序列中间预测序列进行融合，形成一个长度为g+2l的新融合输入数据所述地面-卫星混合数据集由地面数据集和卫星数据集混成而成； S3、将所述新融合输入数据作为第三机器学习模型的输入，得到预测结果； 所述第一机器学习模型为多层感知器；所述第二机器学习模型和第三机器学习模型均为BiGRU神经网络。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。