计算机工程

作者：王辛迪, 柴小丽, 许晓斐, 佘平

单位：中国电子科技集团公司第三十二研究所, 上海 201808

关键词：轨迹相似性,自编码器,时空数据挖掘,深度学习,自动识别系统,U-Net神经网络

基金：科技部重点研发计划(2023YFB4502905)

航海领域现有的轨迹相似性度量方法多以传统方法为主, 计算复杂度较高, 尽管已经提出了一些基于深度学习的方法, 但存在时空联合建模不足的问题, 导致相似性度量的准确性和鲁棒性有待提升。针对上述问题, 提出MDU-Net(Marine Density U-Net)模型。该模型能够自动提取船舶轨迹的低维特征, 从而高效可靠地检索与指定目标相似的轨迹。首先, 对轨迹数据进行等时间间隔插值, 再采用核密度估计(KDE)生成融合空间与速度信息的核密度灰度图, 实现轨迹像素化。然后, 采用基于U-Net结构的神经网络进行无监督学习, 获得轨迹的低维表示。最后, 通过计算低维特征向量间的余弦距离构建相似矩阵, 量化轨迹间的相似性。实验结果表明, MDU-Net模型在评估指标上显著优于传统模型与主流深度学习模型, 与经典动态时间规整(DTW)、Hausdorff距离、卷积自编码器(CAE)模型相比, MDU-Net模型前10条轨迹命中率提升了7.691、14.741、25.191百分点, 充分验证了MDU-Net模型在船舶轨迹相似性度量任务中的优越效果。

来源：2025年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第12期