海事搜救对象轨迹预测方法、系统、装置和存储介质

1.本发明涉及海域搜救技术领域，尤其涉及一种海事搜救对象轨迹预测方法、系统、装置和存储介质。


背景技术：

2.随着全球一体化进程的推进及海上运输和海洋开发规模的不断扩大，海事活动越来越频繁，海难事故发生频次也越来越多。海难事故在政治、经济、军事等各个层面都会给国家带来巨大灾难，在人员伤亡和财产损失的同时，还会给社会发展带来不良影响。因此，海事搜救工作越来越受到各沿海国家的重视，对于快速发展的海上运输业等行业，高效的海上搜救行动能够给人员及财产的安全提供不可替代的保障作用。
3.目前，在落水失事人员信号丢失后而导致其移动位置难以准确定位时，海上搜救指挥系统主要依靠搜救指挥人员的经验直觉来预测搜救对象的漂流轨迹，无法快速准确地预报搜救对象的漂流轨迹，严重影响了搜救指挥与协调工作的效率，贻误最佳的搜救时机。


技术实现要素：

4.为解决上述现有技术中存在的至少一个技术问题，本发明提供一种海事搜救对象轨迹预测方法、系统、装置和存储介质，通过将隐含状态信息与历史轨迹数据进行融合，能够快速准确地预测海事搜救对象的漂流轨迹。
5.第一方面，本发明公开了一种海事搜救对象轨迹预测方法，包括：
6.选取设定海域投放仿真人体模型，获取包括模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据；
7.选取设定时间段的历史仿真数据生成训练集和验证集；
8.利用训练集和验证集分别对多个神经网络预测子模型进行训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系；
9.将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，获取多个神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果；
10.对多个神经网络预测子模型的预测结果进行加权集成，获取集成预测结果；
11.根据集成预测结果确定可能搜救区域和可能搜救位置坐标。
12.在一些可选的实施方式中，所述利用训练集和验证集对神经网络预测子模型训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系，包括：
13.针对一个神经网络预测子模型，设置m组子模型超参数组；
14.针对每一组子模型超参数下的神经网络预测子模型，分别从训练集中无放回随机采样设定数量的训练样本；
15.利用训练样本分别对每一组子模型超参数下的神经网络预测子模型进行训练，并计算每一组子模型超参数下的神经网络预测子模型的评估损失值，获取包括每一组子模型超参数下的神经网络预测子模型的评估损失值及其对应的子模型超参数组的评估集合；
16.根据评估集合拟合先验概率预测模型，通过先验概率预测模型映射出预设数量的超参数组；
17.利用推荐函数选取预设数量的超参数组中一组超参数组作为神经网络预测子模型的超参数组，并对选取的超参数组进行评估以获取对应的评估损失值；
18.将选取的超参数组及其对应的评估损失值加入评估集合，并判断是否达到预设训练结束条件，若是，将选取的超参数组下的神经网络预测子模型作为训练好的神经网络预测子模型；若否，重新进行先验概率预测模型的拟合。
19.在一些可选的实施方式中，评估损失值利用以下公式3和公式4计算；
20.e
k
＝rmse(y
true
,y
predict
),k＝1,2,
…
,m
ꢀꢀꢀꢀꢀ
公式3
[0021][0022]
e
k
表示第k组子模型超参数下的神经网络预测子模型的评估损失值，y
true
表示样本数据的真实标签，y
predict
表示子模型输出的预测结果，k表示超参数组的序号，rmse()表示求均方根误差，n表示验证集的样本数据个数，表示验证集中第i个样本数据的真实标签，表示验证集中第i个样本数据对应的子模型输出的预测结果。
[0023]
在一些可选的实施方式中，先验概率预测模型为：
[0024][0025]
τ表示模型的超参数组，e表示超参数组τ对应的评估损失值，e
*
表示预设评估损失值阈值，l()表示评估损失值e小于预设评估损失值阈值e
*
时超参数组在先验概率模型下的概率密度函数，g()表示评估损失值e大于等于预设评估损失值阈值e
*
时超参数组在先验概率模型下的概率密度函数，p(τ|e)表示超参数组τ在条件e下的条件概率密度。
[0026]
在一些可选的实施方式中，推荐函数如公式7和公式8所示；
[0027][0028][0029]
e(τ)表示超参数组τ对应的评估损失值，p(e)表示评估损失值e的概率密度，k1、k2和k3均为常量，g(τ)和l(τ)表示超参数组τ在不同概率密度函数g()和l()下的概率密度，τ
′
表示选取的超参数组。
[0030]
在一些可选的实施方式中，神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果利用以下公式10确定；
[0031]
s'＝f
θ
([s,h])
ꢀꢀꢀꢀꢀ
公式10
[0032]
s表示历史时刻漂流轨迹坐标信息，s'表示预测的未来时刻漂流轨迹坐标信息，h表示隐含状态信息，[,]表示连接操作，f
θ
神经网络预测子模型映射函数。
[0033]
在一些可选的实施方式中，利用以下公式12对多个神经网络预测子模型的预测结
果进行加权集成；
[0034][0035]
y
voted
表示线性模型的预测结果，s'
i
表示第i个神经网络预测子模型的预测结果，w
i
表示第i个神经网络预测子模型对应的线性模型的权重参数。
[0036]
第二方面，本发明公开了一种海事搜救对象轨迹预测系统，所述系统包括：信息获取模块、数据生成模块、神经网络模型训练模块、多神经网络预测模块、加权集成模块和输出模块；
[0037]
信息获取模块，用于获取包括仿真人体模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据；
[0038]
数据生成模块，用于选取设定时间段的历史仿真数据生成训练集和验证集；
[0039]
神经网络模型训练模块，用于利用训练集和验证集对多神经网络预测模块进行训练；
[0040]
多神经网络预测模块，用于根据搜救对象的历史时刻漂流轨迹坐标信息预测搜救对象的未来时刻漂流轨迹坐标信息；
[0041]
加权集成模块，用于对多神经网络预测模块输出的预测结果进行加权集成，并输出集成后的预测结果；
[0042]
输出模块，用于根据加权集成模块输出的预测结果确定搜救对象的可能搜救区域和可能搜救位置坐标。
[0043]
第三方面，本发明公开了一种海事搜救对象轨迹预测装置，所述装置包括存储器和处理器；
[0044]
所述存储器用于存储指令；
[0045]
所述处理器用于加载并执行所述存储器中的所述指令，以执行权利要求1至权利要求7中任一项所述的方法。
[0046]
第四方面，本发明公开了一种计算机可读存储介质，所述存储介质存储有至少一条指令，所述指令由处理器加载并执行，以执行上述的海事搜救对象轨迹预测方法。
[0047]
本发明技术方案的主要优点如下：
[0048]
本发明的海事搜救对象轨迹预测方法、系统、装置和存储介质通过借助先验轨迹数据信息训练神经网络预测子模型，并通过多神经网络并行预测的方式进行预测，能够在搜救对象信号丢失后迅速准确地预测搜救对象的可能搜救区域和可能搜救位置坐标，缩小搜救范围以节省搜救耗时及成本。
附图说明
[0049]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附
[0050]
图中：
[0051]
图1为本发明一实施例的海事搜救对象轨迹预测方法的流程图；
[0052]
图2为本发明一实施例的海事搜救对象轨迹预测方法中模型的训练流程示意图；
[0053]
图3为本发明一实施例的海事搜救对象轨迹预测方法中神经网络预测子模型的训
练
[0054]
流程示意图；
[0055]
图4为本发明一实施例的海事搜救对象轨迹预测系统的结构示意图；
[0056]
图5为本发明一实施例的海事搜救对象轨迹预测装置的结构示意图。
具体实施方式
[0057]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
以下结合附图，详细说明本发明实施例提供的技术方案。
[0059]
第一方面，参见附图1，本发明一实施例提供了一种海事搜救对象轨迹预测方法，该方法包括：
[0060]
选取设定海域投放仿真人体模型，获取包括模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据；
[0061]
选取设定时间段的历史仿真数据生成训练集和验证集；
[0062]
利用训练集和验证集分别对多个神经网络预测子模型进行训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系；
[0063]
将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，获取多个神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果；
[0064]
对多个神经网络预测子模型的预测结果进行加权集成，获取集成预测结果；
[0065]
根据集成预测结果确定可能搜救区域和可能搜救位置坐标。
[0066]
以下对本发明一实施例提供的海事搜救对象轨迹预测方法的步骤及原理进行具体说明。
[0067]
步骤s1，选取设定海域投放仿真人体模型，获取包括模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据。
[0068]
本发明一实施例中，选取一片设定海域，该设定海域可以为实际中频繁发生海难事故的海域，在选取的设定海域内投放带有定位系统的仿真人体模型，定位系统例如为gps定位系统或北斗卫星定位系统，利用仪器采集随时间变化的仿真人体模型的完整漂流轨迹坐标信息和包括海域洋流信息、风向风速信息、海域地理环境信息和仿真人体模型状态信息的隐含状态信息，构成相应的历史仿真数据。
[0069]
通过利用仿真人体模型预先采集漂流轨迹数据，能够弥补真实数据的不足，提高预测精度，同时节省预测成本。
[0070]
步骤s2，选取设定时间段的历史仿真数据生成训练集和验证集。
[0071]
本发明一实施例中，由于设置了多个神经网络预测子模型，为了提高搜救对象轨迹预测精度，将设定海域划分为多个子区域，将每个子区域内的设定时间段的历史仿真数据划分为一个数据子集，将每个数据子集按照设定比例划分为训练集和验证集，设定比例例如为训练集：验证集等于4:1，在后续进行神经网络预测子模型的训练时，一个神经网络预测子模型采用一个数据子集生成的训练集和验证集进行训练。
[0072]
其中，子区域的数量大于或等于神经网络预测子模型的数量，以保证在后续的神经网络预测子模型训练过程中，每个神经网络预测子模型使用的数据子集均不相同，即每个神经网络预测子模型在训练过程中所使用的训练集和验证集均不相同。
[0073]
步骤s3，利用训练集和验证集分别对多个神经网络预测子模型进行训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系。
[0074]
本发明一实施例中，每个神经网络预测子模型的训练过程独立进行，神经网络预测子模型基于非线性模型构建，神经网络预测子模型通过多神经网络集成学习方法进行训练。
[0075]
假设：历史时刻为前t时刻，则未来时刻为t时刻之后，前t时刻的漂流轨迹坐标信息数据为s＝x1,x2,
…
,x
t
，t时刻之后的漂流轨迹坐标信息数据为s'；则坐标信息数据s与坐标信息数据s'之间的非线性模型映射关系如公式1所示；
[0076]
s
′←
f
θ
([s,h])
ꢀꢀꢀ
公式1
[0077]
式中，f
θ
()表示非线性映射函数，h表示隐含状态信息，[,]表示连接操作。
[0078]
非线性映射函数f
θ
()的基本单元由线性传递和非线性激活两部分组成，基本单元称为隐含层，不同的隐含层可以进行组合嵌套。
[0079]
本发明一实施例中，神经网络预测子模型采用三层非线性模型结构构建，模型结构如公式2所示；
[0080]
f
θ
(s)
←
f1(w1·
f2(w2·
f3(w3·
[s,h]+b3)+b2)+b1)
ꢀꢀꢀ
公式2
[0081]
式中，f
θ
()表示非线性映射函数，s表示历史时刻漂流轨迹坐标信息，f1、f2和f3表示非线性激活函数；w1、w2、w3、b1、b2和b3表示模型参数；h表示隐含状态信息；[,]表示连接操作。
[0082]
进一步地，基于上述设定，由于每个神经网络预测子模型的训练过程独立进行；为此，参见附图2和3，本发明一实施例中，利用训练集和验证集对神经网络预测子模型训练以拟合历史时刻漂流轨迹坐标信息和未来时刻漂流轨迹坐标信息的映射关系，包括以下步骤s31
‑
s36；
[0083]
步骤s31，针对一个神经网络预测子模型，设置m组子模型超参数组；
[0084]
本发明一实施例中，为每一个神经网络预测子模型随机选取m组不同的超参数组，且每一个神经网络预测子模型所选取的超参数组各不相同，m例如可以取为8。
[0085]
超参数组是决定模型结构的一组参数，本发明一实施例中使用的超参数包括但不限于学习率、隐含层节点数、反向传播优化器(如随机梯度下降法sgd和adam优化法)、神经网络类型(包含长短期记忆网络和门限循环单元网络)；其中，长短期记忆网络和门限循环单元网络具有两层输入，能够满足漂流轨迹坐标信息和隐含状态信息的输入需求。
[0086]
步骤s32，针对每一组子模型超参数下的神经网络预测子模型，分别从训练集中无放回随机采样设定数量的训练样本；
[0087]
通过采用无放回随机采样的方式从训练集中选取训练样本，能够保证每一组子模型超参数下的神经网络预测子模型对应的训练样本均不相同，以提高预测精度。
[0088]
其中，设定数量根据超参数优化过程进行确定，每个训练样本包含有多少个经纬度坐标信息数据也根据超参数优化过程进行确定。
[0089]
步骤s33，利用训练样本分别对每一组子模型超参数下的神经网络预测子模型进
行训练，并计算每一组子模型超参数下的神经网络预测子模型的评估损失值，获取包括每一组子模型超参数下的神经网络预测子模型的评估损失值及其对应的子模型超参数组的评估集合；
[0090]
具体地，利用训练样本分别对每一组子模型超参数下的神经网络预测子模型进行梯度更新训练，确定每一组子模型超参数下的神经网络预测子模型的模型参数；然后，利用验证集计算每一组子模型超参数下的神经网络预测子模型的评估损失值。
[0091]
评估损失值利用以下公式3进行计算。
[0092]
e
k
＝rmse(y
true
,y
predict
),k＝1,2,
…
,m
ꢀꢀꢀ
公式3
[0093]
式中，e
k
表示第k组子模型超参数下的神经网络预测子模型的评估损失值，y
true
表示样本数据的真实标签，y
predict
表示子模型输出的预测结果，k表示超参数组的序号，rmse()表示求均方根误差。
[0094]
其中，均方根误差可以利用以下公式4计算。
[0095][0096]
式中，n表示验证集的样本数据个数，表示验证集中第i个样本数据的真实标签，表示验证集中第i个样本数据对应的子模型输出的预测结果。
[0097]
利用上述公式分别计算确定每一组子模型超参数下的神经网络预测子模型的评估损失值，利用每一组子模型超参数下的神经网络预测子模型的评估损失值及其对应的子模型超参数组构建如公式5所示的评估集合h。
[0098]
h＝{(τ1,e1),(τ2,e2),
…
(τ
m
,e
m
)}
ꢀꢀꢀꢀꢀ
公式5
[0099]
式中，τ
m
表示第m组超参数组，e
m
表示第m组超参数下的神经网络预测子模型的评估损失值。
[0100]
步骤s34，根据评估集合拟合先验概率预测模型，通过先验概率预测模型映射出预设数量的超参数组；
[0101]
本发明一实施例中，根据评估集合拟合的先验概率预测模型如以下公式6所示：
[0102][0103]
式中，τ表示模型的超参数组；e表示超参数组τ对应的评估损失值；e
*
表示预设评估损失值阈值，预设评估损失值阈值可以为评估集合中所有评估损失值的均值、中位数或最小值；l()表示评估损失值e小于预设评估损失值阈值e
*
时超参数组在先验概率模型下的概率密度函数；g()表示评估损失值e大于等于预设评估损失值阈值e
*
时超参数组在先验概率模型下的概率密度函数，l()和g()的表达式可以通过核密度估计方法(或称parzen窗估计)进行估计确定；p(τ|e)表示超参数组τ在条件e下的条件概率密度。
[0104]
利用上述的先验概率预测模型映射出预设数量的超参数组，预设数量的具体数值根据实际优化过程进行确定。
[0105]
步骤s35，利用推荐函数选取预设数量的超参数组中一组超参数组作为神经网络预测子模型的超参数组，并对选取的超参数组进行评估获取对应的评估损失值；
[0106]
本发明一实施例中，推荐函数如以下公式7和公式8所示：
[0107][0108][0109]
式中，τ表示模型的超参数组，e(τ)表示超参数组τ对应的评估损失值，e
*
表示预设评估损失值阈值，p(e)表示评估损失值e的概率密度，k1、k2和k3均为与自变量τ无关的常量，且k3＝1
‑
γ，g(τ)和l(τ)表示超参数组τ在不同概率密度函数g()和l()下的概率密度，τ
′
表示选取的超参数组。
[0110]
由于k1、k2和k3均为与自变量τ无关的常量，则最大化意味着最大化概率密度之比
[0111]
进一步地，针对选取的超参数组下的神经网络预测子模型，从剩余的训练集中无放回随机采样设定数量的训练样本；然后，利用训练样本对选取的超参数组下的神经网络预测子模型进行梯度更新训练，并利用公式3计算选取的超参数组下的神经网络预测子模型的评估损失值；
[0112]
通过采用无放回随机采样的方式从剩余的训练集中选取训练样本，能够保证选取的超参数组下的神经网络预测子模型的训练样本与前述的每一组子模型超参数下的神经网络预测子模型对应的训练样本均不相同，以提高预测精度。
[0113]
步骤s36，将选取的超参数组及其对应的评估损失值加入评估集合，并判断是否达到预设训练结束条件；若是，将选取的超参数组下的神经网络预测子模型作为训练好的神经网络预测子模型；若否，重新进行先验概率预测模型的拟合。
[0114]
具体地，将选取的超参数组及其对应的评估损失值加入步骤s33构建的构建评估集合h，然后判断是否达到预设训练结束条件，达到预设训练结束条件例如为循环次数达到最大循环次数；若达到预设训练结束条件，则将选取的超参数组下的神经网络预测子模型作为训练好的神经网络预测子模型，结束训练过程；若没有达到预设训练结束条件，则返回步骤s34，重新进行先验概率预测模型的拟合，直至达到预设训练结束条件。
[0115]
进一步地，本发明一实施例中，当完成神经网络预测子模型的训练后，还利用测试集和/或验证集测试评估神经网络预测子模型的预测效果。
[0116]
具体地，针对训练好的神经网络预测子模型，采用测试集和/或验证集的样本数据进行预测，并利用以下公式9计算预测的绝对误差；
[0117][0118]
式中，mae表示预测的绝对误差，n表示用于进行预测的样本数据个数，表示第j
个样本数据的真实标签，表示第j个样本数据对应的子模型输出的预测结果。
[0119]
若计算得到的绝对误差超出设定误差范围，则可以重新进行神经网络预测子模型的训练。
[0120]
步骤s4，将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，获取多个神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果。
[0121]
具体地，在分别完成多个神经网络预测子模型的训练和测试后，将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，获取多个神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果。
[0122]
其中，搜救对象的历史时刻漂流轨迹坐标信息指的是实际可以获知的搜救对象的漂流轨迹坐标信息，搜救对象的未来时刻漂流轨迹坐标信息指的是在已知的搜救对象的历史时刻漂流轨迹坐标信息对应的历史时刻之后的搜救对象的漂流轨迹坐标信息。
[0123]
由于本发明一实施例中的神经网络预测子模型中可以具有两层输入，因此在将搜救对象的历史时刻漂流轨迹坐标信息分别输入多个神经网络预测子模型，同时将搜救对象对应的历史时刻隐含状态信息也输入多个神经网络预测子模型中。
[0124]
具体地，神经网络预测子模型输出的搜救对象的未来时刻漂流轨迹坐标信息预测结果利用以下公式10确定；
[0125]
s'＝f
θ
([s,h])
ꢀꢀꢀꢀꢀ
公式10
[0126]
式中，s表示历史时刻漂流轨迹坐标信息，s'表示预测的未来时刻漂流轨迹坐标信息，h表示隐含状态信息，[,]表示连接操作，f
θ
神经网络预测子模型映射函数。
[0127]
步骤s5，对多个神经网络预测子模型的预测结果进行加权集成，获取集成预测结果。
[0128]
参见附图3，本发明一实施例中，采用投票模型对多个神经网络预测子模型的预测结果进行加权集成。
[0129]
具体地，投票模型采用线性模型f
wx+b
，线性模型的模型参数可以利用上述的历史仿真数据以反向传播方法进行更新训练。
[0130]
进一步地，由于在进行投票模型的模型参数的训练更新时，所采用的的训练样本可能不同于上述的神经网络预测子模型在进行训练时所采用的训练样本；为此，本发明一实施例中，在进行投票模型的训练更新时，还基于当前的训练样本，通过先验概率预测模型和推荐函数分别对每个神经网络预测子模型对应的各个超参数组进行筛选，以获取神经网络预测子模型的最优超参数组。
[0131]
具体地，基于当前的训练样本，利用以下公式11确定神经网络预测子模型的最优超参数组；
[0132][0133]
式中，τ'表示最优超参数组，的表达式参照公式8。
[0134]
当完成线性模型的训练更新后，将所有神经网络预测子模型的预测结果输入线性模型以对所有神经网络预测子模型的预测结果进行加权集成，获得线性模型的预测结果。
[0135]
具体地，线性模型的预测结果利用以下公式12确定；
[0136][0137]
式中，y
voted
表示线性模型的预测结果，s'
i
表示第i个神经网络预测子模型的预测结果，w
i
表示第i个神经网络预测子模型对应的线性模型的权重参数。
[0138]
步骤s6，根据集成预测结果确定可能搜救区域和可能搜救位置坐标。
[0139]
具体地，根据线性模型输出的集成预测结果，即线性模型输出的搜救对象的未来时刻漂流轨迹坐标信息确定可能搜救区域和可能搜救位置坐标，以开展搜救工作。
[0140]
第二方面，参见附图4，本发明公开了一种海事搜救对象轨迹预测系统，该系统包括：信息获取模块，用于获取包括仿真人体模型漂流轨迹坐标信息和隐含状态信息的历史仿真数据；
[0141]
数据生成模块，用于选取设定时间段的历史仿真数据并生成训练集和验证集；
[0142]
神经网络模型训练模块，用于利用训练集和验证集对多神经网络预测模块进行训练；
[0143]
多神经网络预测模块，用于根据搜救对象的历史时刻漂流轨迹坐标信息预测搜救对象的未来时刻漂流轨迹坐标信息；
[0144]
加权集成模块，用于对多神经网络预测模块输出的预测结果进行加权集成，并输出集成后的预测结果；
[0145]
输出模块，用于根据加权集成模块输出的预测结果确定搜救对象的可能搜救区域和可能搜救位置坐标。
[0146]
其中，神经网络模型训练模块根据上述的步骤s31
‑
步骤s36对多神经网络预测模块进行训练，多神经网络预测模块包括多个神经网络预测子模型，每个神经网络预测子模型能够根据搜救对象的历史时刻漂流轨迹坐标信息预测搜救对象的未来时刻漂流轨迹坐标信息。
[0147]
第三方面，参见附图5，本发明公开了一种海事搜救对象轨迹预测装置，该装置包括存储器、处理器和通信接口；
[0148]
存储器，用于存储指令；
[0149]
处理器，用于加载并执行存储器中的指令，以执行上述的海事搜救对象轨迹预测方法；
[0150]
通信接口，用于进行通信。
[0151]
存储器、处理器和通信接口通过总线相互连接，总线可以是外设部件互连标准(pci)总线或扩展工业标准结构(eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，附图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0152]
上述存储器可以是随机存取存储器(ram)、闪存(flash)、只读存储器(rom)、可擦写可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、寄存器(register)、硬盘、移动硬盘、cd
‑
rom或者本领域技术人员知晓的任何其他形式的存储介质。
[0153]
上述处理器例如可以是中央处理器(cpu)、通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示
例性的逻辑方框和模块。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等等。该处理器的详细处理过程请参考上述海事搜救对象轨迹预测方法的详细描述，这里不再赘述。
[0154]
上述通信接口例如可以是接口卡等，可以为以太(ethernet)接口或异步传输模式(atm)接口。
[0155]
第四方面，本发明公开了一种计算机可读存储介质，该存储介质存储有至少一条指令，指令由处理器加载并执行，以执行上述的海事搜救对象轨迹预测方法。
[0156]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0157]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0158]
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合，或者一些特征可以忽略，或不执行。
[0159]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
[0160]
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。