本发明属于航迹预测大模型领域，尤其是一种基于全球地理信息编码pluscode和transformer的航迹预测方法及系统。
背景技术：
1、近年来，随着机器学习和人工智能技术的快速发展，基于数据驱动的航迹预测方法逐渐受到关注。这些方法利用大规模的航迹数据和先进的机器学习算法，从数据中学习轮船的运动规律和航迹模式，以实现更准确和实用的预测。在数据驱动的航迹预测中，常用的技术包括深度学习、强化学习和时空序列预测等方法。深度学习模型如循环神经网络（rnn）和长短期记忆网络（lstm）被广泛应用于学习轮船的轨迹模式和动态变化。lstm网络在近些年的发展中因为其训练效率低而且容易产生遗忘现象，导致其渐渐被transformer网络代替。现有的transformer网络需要约定好经纬度的范围，才可以把经纬度坐标归一化，也就是得到的网络只能针对这一个区域，在其他区域是不生效的。
2、除了技术上的挑战，航迹预测领域还面临着数据质量和实时性等方面的挑战。如何有效地处理大规模的航迹数据，并结合实时的航行状态信息，是航迹预测技术发展的关键问题之一。
技术实现思路
1、发明目的，提供一下基于全球地理信息编码pluscode和transformer的航迹预测方法及系统，以解决现有技术存在的上述问题。
2、技术方案，基于全球地理信息编码pluscode和transformer的航迹预测方法，包括如下步骤：
3、s1、获取原始ais数据，构建原始ais数据集，对原始ais数据集进行预处理，形成训练数据集；其中原始ais数据包括经纬度坐标、对地速度、对地航向、时间戳、水上移动业务标志码和轮船类型；
4、s2、基于训练数据集，采用动态调整编码精度方法进行优化，得到优化后的数据集；
5、s3、基于优化后的数据集，构建并训练transformer模型，得到训练好的transformer模型；使用训练好的transformer模型，得到航迹预测结果；
6、s4、基于航迹预测结果，采用多模态融合算法和自适应异常检测算法进行优化，得到优化后的航迹预测结果。
7、基于全球地理信息编码pluscode和transformer的航迹预测系统，包括：
8、至少一个处理器；以及，
9、与至少一个所述处理器通信连接的存储器；其中，
10、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于全球地理信息编码pluscode和transformer的航迹预测方法。
11、有益效果，本发明通过将全球地理编码pluscode与transformer模型结合，不仅增加了模型训练的效率，而且网络可以用于全球任意一个地区，不再受到经纬度范围的限制，可以更好地捕捉大规模航迹数据的空间和时间特征，提升预测性能，同时还通过动态调整编码精度、多维度数据增强和自适应学习率调度策略，优化了数据集，提高了数据质量，还提升了预测的实时性和稳定性。
1.基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s1进一步为：
3.根据权利要求2所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s2进一步为：
4.根据权利要求3所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s3进一步为：
5.根据权利要求4所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s4进一步为：
6.根据权利要求5所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s13进一步为：
7.根据权利要求5所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s2还包括：
8.根据权利要求5所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s2还包括：
9.根据权利要求5所述的基于全球地理信息编码pluscode和transformer的航迹预测方法，其特征在于，步骤s12进一步为：
10.基于全球地理信息编码pluscode和transformer的航迹预测系统，其特征在于，包括：