本发明涉及航迹预测，尤其涉及一种一种考虑不规则数据的航迹预测方法、装置及设备。
背景技术：
1、在航迹预测及目标跟踪与领域，深度学习方法，尤其是长短期记忆网络(lstm)，因其能够有效捕捉时间序列数据中的长期依赖关系，而广泛应用于目标接续、路径优化等方面。lstm通过其独特的门控机制，即输入门、遗忘门和输出门，能够在处理序列数据时动态地管理信息的存储和遗忘，从而在一系列应用中展现出优秀的预测能力。
2、然而，lstm在处理航迹预测问题时也存在其局限性，面临的主要挑战在于其对数据完整性和时间一致性的严格要求。理想情况下，lstm需要连续、无缺失、等时间间隔的航迹数据作为输入，以便准确建模并精准预测目标的未来航迹。但实际情况中，由于传感器的探测周期可能不固定、环境遮蔽物造成的探测盲区、以及通信延迟等因素，导致收集到的航迹数据往往是不规则的、非连续的，甚至存在数据点的缺失。
3、面对不规则采样和数据缺失的情况，相关技术中通过插值法补充的数据并不准确，难以实现较为精确和可靠的航迹预测。
技术实现思路
1、本发明提供一种一种考虑不规则数据的航迹预测方法、装置及设备，解决了相关技术中面对不规则采样和数据缺失的情况，难以实现较为精确和可靠的航迹预测的问题。
2、为达到上述目的，本技术采用如下技术方案：
3、第一方面，提供一种考虑不规则数据的航迹预测方法，包括：
4、获取多条原始航迹点数据，将每个航迹点数据特征分解为时间特征数据、静态特征数据、动态特征数据；其中，所述时间特征数据为当前航迹点所测得的时间，所述静态特征数据为不随着时间变换的数据特征，所述动态特征数据为随着时间变换的特征；
5、构建图神经网络模型提取所述动态特征数据；
6、对所述时间特征数据进行正余弦编码；
7、对所述静态特征数据进行独热编码；
8、获取当前时刻传感器的状态数据并通过二进制表示；
9、拼接提取的所述动态特征数据、编码后的所述时间特征数据和所述静态特征数据以及传感器的状态数据表示，获得数据特征聚合；
10、基于航迹点数据和对应的所述数据特征聚合，通过时间预测模型进行预测，得到预测值。
11、在第一方面的第一种可能的实现方式中，所述的构建图神经网络模型提取动态特征数据，包括：
12、沿传感器维度对所述动态特征数据进行归一化；
13、基于可学习的权重矩阵对节点特征向量进行线性变换；
14、计算每一组相邻节点间的注意力得分；
15、对每个节点的邻居节点注意力得分进行归一化；
16、基于归一化注意力权重对邻居节点特征进行加权求和，更新节点特征表示；
17、基于更新后的所述节点特征表示，得到动态特征数据。
18、基于第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，沿着传感器维度对动态特征数据s＝[s1，s2，s3，..，sn]归一化，得到hp＝[h1，h2，h3，...，hn]；
19、线性变换hi′＝whi，其中，w表示可学习的权重矩阵；
20、所述的计算每一组相邻节点问的注意力得分，通过如下公式计算：
21、eij＝leakyrelu(at|whi′||whj′|)；
22、其中，eij表示节点j对i的得分，leakyrelu是激活函数，a是可学习的注意力向量，||表示向量的连接操作。
23、基于第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，对每个节点的邻居节点注意力得分进行归一化，通过如下公式计算：
24、
25、其中，aij表示节点j对节点i的归一化注意力权重；softax表示对于节点i的所有邻居节点j进行归一化。
26、基于第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，基于归一化注意力权重对邻居节点特征进行加权求和，更新节点特征表示，通过如下公式计算：
27、
28、其中，hi″表示节点i的更新特征，σ表示激活函数，表示对节点i的所有邻居节点j进行加权求和。
29、基于第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，得到的动态特征数据为：hdf＝[h1″，h2″，h3″，...，hn″]；
30、对所述时间特征数据进行正余弦编码，获得时间维度向量ht，
31、对所述静态特征数据进行独热编码，获得二进制向量hsf，
32、传感器的状态数据二进制表示为hs，
33、数据特征聚合表示为：
34、hi＝[ht，hsf，hdf，hs]。
35、基于第一方面的任一种可能的实现方式，在第一方面的第六种可能的实现方式中，在进行构建图神经网络模型提取动态特征数据步骤之前，还包括：
36、异常值检测，通过计算数据点与平均值之间的标准差倍数来识别异常值；
37、统计最长航迹点数据的时刻点数量，对其他的航迹点数据通过补0填充至相同长度。
38、基于第一方面的任一种可能的实现方式，在第一方面的第七种可能的实现方式中，所述航迹预测方法，还包括：
39、使用均方误差作为损失函数，量化预测值与真实值之间的差异，指导模型优化。
40、第二方面，提供一种考虑不规则数据的航迹预测装置，包括：
41、数据获取和分解模块，用于获取多条原始航迹点数据，将每个航迹点数据特征分解为时间特征数据、静态特征数据、动态特征数据；其中，所述时间特征数据为当前航迹点所测得的时间，所述静态特征数据为不随着时间变换的数据特征，所述动态特征数据为随着时间变换的特征；
42、图神经网络模块，用于构建图神经网络模型提取所述动态特征数据；
43、数据特征聚合模块，用于对所述时间特征数据进行正余弦编码；
44、对所述静态特征数据进行独热编码；
45、获取当前时刻传感器的状态数据并通过二进制表示；
46、拼接提取的所述动态特征数据、编码后的所述时间特征数据和所述静态特征数据以及传感器的状态数据表示，获得数据特征聚合；
47、时间序列预测模块，用于基于航迹点数据和对应的所述数据特征聚合，
48、通过时间预测模型进行预测，得到预测值。
49、第三方面，提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述考虑不规则数据的航迹预测方法的步骤。
50、有益效果：
51、本技术在数据特征提取方面，将数据分解成不同方面，分别通过图神经网络、正余弦编码、独热编码重新组合成新的数据特征输入到时间预测模型进行预测，将不规则时间点映射为固定维度的向量，确保时间特征数据的一致性，有效的解决了不规则时间点多元数据特征的航迹预测问题；同时，不仅提高了数据处理的灵活性，还增强了模型对不规则数据的适应性。
52、本技术结合图神经网络和时间序列模型的航迹预测方法，用于处理多元航迹特征的航迹预测，通过图神经网络处理节点特征，捕捉航迹数据中的复杂空间关系；通过时间序列模型处理时序特征，捕捉航迹数据中的时间依赖关系；克服了相关技术中的深度学习方法在捕捉航迹数据中的复杂时间和空间依赖关系方面存在局限性；同时，大幅提升了模型的预测精度和稳定性。
1.一种考虑不规则数据的航迹预测方法，其特征在于，包括：
2.根据权利要求1所述的考虑不规则数据的航迹预测方法，其特征在于，
3.根据权利要求2所述的考虑不规则数据的航迹预测方法，其特征在于，
4.根据权利要求3所述的考虑不规则数据的航迹预测方法，其特征在于，
5.根据权利要求4所述的考虑不规则数据的航迹预测方法，其特征在于，
6.根据权利要求5所述的考虑不规则数据的航迹预测方法，其特征在于，
7.根据权利要求1-6所述的考虑不规则数据的航迹预测方法，其特征在于，
8.根据权利要求1-6任一项所述的考虑不规则数据的航迹预测方法，其特征在于，
9.一种考虑不规则数据的航迹预测装置，其特征在于，包括：
10.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述考虑不规则数据的航迹预测方法的步骤。
