本发明涉及船舶轨迹预测领域，尤其涉及一种用于虚拟交通流的船舶轨迹插值预报方法。
背景技术：
1、近年来，国内外学者专家们针对这一领域研究了各式各样的预测模型和方法用于船舶交通流的领域。传统方法主要基于数理统计分析交通状况演化的周期性来处理交通流预测问题。然而，由于数据时间序列分布的随机干扰波动，限制了非线性交通流高度的可表达型，无法直接建模时间序列中交通数据的各种依赖关系。随着计算机硬件的发展，基于机器学习的交通流预测方法可以有效处理海事大数据中的非线性问题，并且综合考虑数据的历史规律性和空间相关性，具有较好的预测性能。
2、船舶轨迹预报是海洋交通管理和海上交通安全的重要研究领域。随着全球船舶数量的增加，船舶交通流的预测和规划变得越来越重要。ais是一种通过卫星和陆基接收站来跟踪船舶位置和其他相关信息的系统，通过ais可以获取船舶的实时位置、速度、航向等数据。航运公司和港口运营可以利用此平台优化航运轨迹和运营，提高航运效率和降低运营成本。但因ais播发时间长，船舶实时信息更新慢，船舶轨迹不光顺，不利于虚拟交通流测试。
技术实现思路
1、本发明提供一种用于虚拟交通流的船舶轨迹插值预报方法，以克服上述技术问题。
2、一种用于虚拟交通流的船舶轨迹插值预报方法，包括，
3、s1、收集船舶的ais数据，所述ais数据包括每个轨迹点的经度、纬度、船速和航向，对ais数据中的异常数据进行剔除处理，
4、s2、基于ais数据构建距离矩阵，确定半径和最小点数的取值，基于距离矩阵、半径和最小点数，根据dbscan算法对ais数据进行聚类并获取船舶聚类轨迹，
5、s3、构建stgcn模型，基于stgcn模型对船舶聚类轨迹进行训练并获取拟合轨迹，所述基于stgcn模型对船舶聚类轨迹进行训练并获取拟合轨迹包括基于船舶聚类轨迹构建船舶状态特征、每个轨迹点的邻接矩阵，基于船舶状态特征进行时间卷积后获得时间图，基于船舶状态特征、邻接矩阵和时间图进行空间卷积后获得时空图，基于时空图卷积操作对时空图进行处理后得到拟合轨迹，
6、s4、获取预测时间戳，根据拟合轨迹获取与预测时间戳相对应的船舶位置。
7、优选地，所述基于ais数据构建距离矩阵包括基于ais数据中的经度、纬度，计算并保存轨迹点之间的hausdorff距离，即对于每个轨迹点i和轨迹点j，计算i到j的hausdorff距离dij并保存，对于每个轨迹点i，计算i到所有其他轨迹点的最大距离dmax(i)，即dmax(i)＝max{dij：j≠i}，对于每个轨迹点j，计算j到所有其他轨迹点的最大距离dmax(i)，即dmax(j)＝max{dij：i≠j}，构建距离矩阵d，其中d(i，j)＝max{dmax(i)，dmax(j)}。
8、优选地，所述根据dbscan算法对ais数据进行聚类并获取船舶聚类轨迹包括从ais数据中随机选择一个未访问的数据点p，计算p周围半径为ε内的点数并将p周围半径为ε内的数据点集合表示为p的邻域，若点数大于等于最小点数minpts，则将p标记为核心点，并将其周围半径为ε内的所有点加入同一簇中，若点数小于最小点数minpts，则从p的邻域中选择一个未访问的数据点q，判断q是否为核心点，若q为核心点，则将其周围半径为ε内的所有点加入同一簇中，若q不为核心点，则再从p的邻域中选择一个未访问的数据点x，重复上述步骤，直到p邻域内的所有数据点都被访问过，最后得到不同的簇。
9、优选地，所述基于船舶状态特征进行时间卷积后获得时间图为根据公式(1)获得时间图，
10、hi，t＝σ(wt·xi，t+bt) (1)
11、其中，wt是时间卷积的权重矩阵，bt是偏置项，σ是激活函数，xi，t＝(longitudei，latitudei，speedi，coursei)，其表示时刻t轨迹点i的船舶状态特征，hi，t表示时间图。
12、优选地，所述基于船舶状态特征、邻接矩阵和时间图进行空间卷积后获得时空图为根据公式(2)获得时空图h′i，t，
13、
14、式中：ws和wg是空间卷积的权重矩阵，bs是偏置项，ni是轨迹点i的邻居节点集合，xi，t＝(longitudei，latitudei，speedi，coursei)，其表示时刻t轨迹点i的船舶状态特征，hj，t表示时间图，ei，j表示轨迹点i到轨迹点.j之间的边特征向量，σ是激活函数。
15、本发明提供一种用于虚拟交通流的船舶轨迹插值预报方法，本发明利用了空间-时间图卷积网络的优势，能够有效地处理船舶轨迹数据中的空间和时间关系。与传统的插值方法相比，本发明能够更准确地预测船舶轨迹的缺失部分，并且能够在整个预测时间范围内保持较高的预测精度。
1.一种用于虚拟交通流的船舶轨迹插值预报方法，其特征在于，包括，
2.根据权利要求1所述的一种用于虚拟交通流的船舶轨迹插值预报方法，其特征在于，所述基于ais数据构建距离矩阵包括基于ais数据中的经度、纬度，计算并保存轨迹点之间的hausdorff距离，即对于每个轨迹点i和轨迹点j，计算i到j的hausdorff距离dij并保存，对于每个轨迹点i，计算i到所有其他轨迹点的最大距离dmax(i)，即dmax(i)＝max{dij：j≠i}，对于每个轨迹点j，计算j到所有其他轨迹点的最大距离dmax(j)，即dmax(j)＝max{dij：i≠j}，构建距离矩阵d，其中d(i，j)＝max{dmax(i)，dmax(j)}。
3.根据权利要求1所述的一种用于虚拟交通流的船舶轨迹插值预报方法，其特征在于，所述根据dbscan算法对ais数据进行聚类并获取船舶聚类轨迹包括从ais数据中随机选择一个未访问的数据点p，计算p周围半径为ε内的点数并将p周围半径为ε内的数据点集合表示为p的邻域，若点数大于等于最小点数minpts，则将p标记为核心点，并将其周围半径为ε内的所有点加入同一簇中，若点数小于最小点数minpts，则从p的邻域中选择一个未访问的数据点q，判断q是否为核心点，若q为核心点，则将其周围半径为ε内的所有点加入同一簇中，若q不为核心点，则再从p的邻域中选择一个未访问的数据点x，重复上述步骤，直到p邻域内的所有数据点都被访问过，最后得到不同的簇。
4.根据权利要求1所述的一种用于虚拟交通流的船舶轨迹插值预报方法，其特征在于，所述基于船舶状态特征进行时间卷积后获得时间图为根据公式(1)获得时间图，
5.根据权利要求4所述的一种用于虚拟交通流的船舶轨迹插值预报方法，其特征在于，所述基于船舶状态特征、邻接矩阵和时间图进行空间卷积后获得时空图为根据公式(2)获得时空图hi，t，
