1.一种目的港口的预测方法,其特征在于,所述方法包括:采用概率图模型、循环神经网络模型对已知的船舶途径的港口序列进行建模,结合数据融合,输出要到达的目的港口的分布。
2.根据权利要求1所述的目的港口的预测方法,其特征在于,所述概率图模型包括:将港口序列抽象成概率图的节点,通过求解概率图的转移概率得到预测结果。
3.根据权利要求1所述的目的港口的预测方法,其特征在于,所述循环神经网络模型包括:将港口序列用长短时记忆网络进行建模,最后转化为分类问题并输出分类结果。
4.根据权利要求1所述的目的港口的预测方法,其特征在于,所述数据融合包括:将概率图模型和循环神经网络模型得到的结果融合,作为最终的输出结果。
5.根据权利要求1所述的目的港口的预测方法,其特征在于,所述港口序列由船舶的历史轨迹数据转换得到。
6.根据权利要求1或2所述的目的港口的预测方法,其特征在于,所述采用概率图模型对已知的船舶途径的港口序列进行建模包括:
对港口位置进行编号;
利用概率图模型对单条船只的港口序列进行建模,利用贝叶斯公式建立:
输入序列x到p(y|x),得到目的港口的概率分布。
7.根据权利要求3所述的目的港口的预测方法,其特征在于,采用长短时记忆网络对所有船只的港口序列进行建模包括:
将港口序列进行one-hot化,通过矩阵w将one-hot稀疏向量转化为低维度稠密向量,得到输入向量i,其中,one-hot编码,又称为一位有效编码,主要是采用n位状态寄存器来对n个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效,w是对one-hot编码进行变换的矩阵,其参数可以通过随机初始化,最后得到变换后的向量即i;
计算遗忘门:ft=σ(wf·[ht-1,it]),其中σ是sigmoid函数,ht-1为上一时刻的隐藏层输出值;
计算输入门:it=σ(wi·[ht-1,it]),更新状态:
输出状态:
计算输出隐藏状态:ht=σ(wo·[ht-1,it])*tanh(ct);
输出采用softmax损失函数,并利用批梯度下降法更新模型参数。
遗忘门、输入门是上述函数过程的别称,输出状态、隐藏状态指的是中间的运算结果。
8.根据权利要求4所述的目的港口的预测方法,其特征在于,所述数据融合包括:将概率图模型和循环神经网络模型得到的结果加权平均得到最终结果。