基于AIS数据和STGCN的船舶轨迹插值预报方法

为提升船舶轨迹预报的精度和连续性,提出一种可用于交通流场景生成的船舶轨迹预报方法。首先,基于密度空间聚类与噪声点检测算法,对船舶历史轨迹进行聚类,得出区域内船舶的典型轨迹。其次,通过时空图卷积神经网络（STGCN）模型对聚类后船舶的典型轨迹进行训练,从而得出船舶的拟合轨迹模型,并可通过改变时间间隔增强船舶轨迹预报的连续性。最后,将DBSCAN预报方法与另两种方法的预报结果进行比较,结果显示：基于STGCN的插值预测结果更接近船舶航行轨迹的真实值。