(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111650655.X (22)申请日 2021.12.3 0 (71)申请人 河南大学 地址 475001 河南省开封市明伦街85号 (72)发明人 魏倩　苏朋　轩亚珂　 (74)专利代理 机构 郑州联科专利事务所(普通 合伙) 41104 专利代理师 刘建芳 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/00(2006.01) (54)发明名称 基于动态滑动窗口辨识的机动目标轨迹在 线预测方法 (57)摘要 本发明提供了一种基于动态滑动窗口辨识 的机动目标轨迹在线预测方法。 该方法包含以下 步骤： 首先建立自适应调整长度的动态滑动窗 口， 在线框选实时采集的机动目标轨迹数据， 同 时对窗内数据赋予自适应权值； 然后在每次滑动 窗口更新时调用粒子群算法辨识Volterra级数 预测模型的核参数， 首次调用采 取均分网格法初 始化种群位置， 之后使用上次保存的最优位置初 始化粒子群； 最后对机动目标轨迹进行在线预 测， 同时使用残差补偿法校正预测值。 本发明与 传统轨迹 预测方法相比， 通过动态滑动窗口选取 最新的轨迹数据作为训练集， 实现模 型参数的在 线更新， 增加预测的准确性， 同时通过改进粒子 群算法的初始化方法， 提高预测模型的辨识精 度， 减少计算消耗时间。 权利要求书4页 说明书11页 附图4页 CN 114676877 A 2022.06.28 CN 114676877 A 1.基于动态 滑动窗口辨识的机动目标轨 迹在线预测方法， 其特 征在于： 包括以下步骤： 步骤1： 实时探测机动目标的轨 迹数据， 具体的： 设定无线传感器网络可以实时观测到机动目标的位置坐标信 息， 对于已采集的历史轨 迹数据表现为时间序列的形式， 记为x(n)， n＝1,2, …,N； 采用改进的C ‑C方法确定重构相空 间的嵌入维数m和延迟时间τ， 将所述历史轨迹数据重构 到m维相空间， 重构后多维时间序列 记为Xl， l＝1,2,…,M； 步骤2： 建立预测模型， 具体的： 根据步骤1中所述重构相空间的嵌入维数m和延迟时间τ， 建立下述基于相空间的p阶 Volterra级数预测模型： 其中， 为预测值； h0为常数项参数； hd(i1,i2,…,id)为d阶Volterra核参数， id＝0, 1,…,m‑1， d＝1,2, …,p； p为模型阶数； m为嵌入维数； x(n ‑ijτ )为历史轨迹数据序列， n＝1, 2,…,N， j＝1,2, …,d； τ 为延迟时间； 步骤3： 建立动态 滑动窗口， 具体的： 根据步骤1所述已采集的历史轨迹数据确定动态滑动窗口的固定部分长度， 记为w； 根 据机动目标的轨迹特征以及算法的预测误差确定滑动窗口的动态调节部 分长度， 记为Δw； 动态滑动窗口的长度由所述固定部 分和动态调节部 分构成， 记为W； 对于实时移动的机动目 标， 从t＝t1时刻开始， 每个时刻都采样一个轨迹数据进入滑动窗口， 并且窗口中最早的一 个数据将被移除； 每个时刻都进行一次轨迹预测； 在t＝tk时刻， 动态滑动窗口内的机动目 标轨迹坐标数据记为x(j)， j＝ k,k+1,…,k+W‑1； 步骤4： 动态调节 滑动窗口 的长度， 具体的： 根据步骤3所述滑动窗口的动态调节部分长度由机动目标的轨迹特征以及算法的预测 误差确定； 从所述t＝t1时刻开始预测， 设定预测时间周期， 记为T， 在每次周期开始前对滑 动窗口的长度进行动态调整； 定义第r个时间周期内的轨迹数据均值波动为Vr， 第r个时间 周期内的平均绝对预测误差为Er； 由所述轨迹数据均值波动和平均绝对预测误差计算动态 调节部分的长度Δw； 步骤5： 对滑动窗口内数据赋权值， 具体的： 根据步骤3和步骤4所构建的动态滑动窗口在线选取最新的机动目标轨迹数据， 使用所 述嵌入维数m和延迟时间τ对窗口内的数据进 行相空间重构， 并 改为Volterra级数预测模 型 的输入数据形式， 记为U(l)， l＝1,2, …,M； 结合sigmoi d函数， 对动态滑动窗口内的各个数 据按照递增的原则赋予权 重， 记为αl， l＝1,2,…,M； 步骤6： 调用粒子群算法并设置初始参数， 具体的： 根据步骤5得到具有权重的动态滑动窗口数据， 将其作为粒子群算法的训练数据； 设定 粒子群算法迭代次数从ite＝1开始， 最大迭代次数为itemax， 种群规模为NP， 搜索空间维数 为D， 搜索上限为 搜索下限为x； 步骤7： 种群初始位置设置， 具体的： 根据步骤5和步骤6得到动态滑动窗口以及粒子群算法初始参数， 判断是否首次调用粒权　利　要　求　书 1/4 页 2 CN 114676877 A 2子群算法； 若是， 采用均分网格法初始化种群位置： 首先将所述搜索上限x和搜索下限x平均划分 为q+1个间隔值Ik； 将每个间隔值Ik扩充为D维的网格向量 对于所述D维 网格向量 从第 1维开始， 将值I1依次替换为Ik， k＝2,3, …q+1， 其余D ‑1维仍为I1， 直到第D维， 记录每次更改 所生成的网格向量； 以此类推， 将所有网格向量 重复上述过程； 使用所述方法共生成(q+ 1)×((D×q)+1)组D维网格向量； 将所述网格向量代入适应度函数中， 选取适应度值最小的 NP组网格向量作为粒子群算法的种群初始位置， 记为 否则， 使用上次保存的粒子最优位置作为本次调用粒子群算法的种群初始位置， 记为 步骤8： 粒子群辨识寻优， 具体的： 根据步骤7得到粒子群初始位置 同时随机初始化粒子群速度 开始循环迭 代， 在第ite＝j轮迭代： 将种群位置向量 依次代入加权适应度函数 中， i＝1, 2,…,NP， 计算出全体粒子的适应度值； 由所述适应度值得到第i个粒子的历史最优位置 pbesti， 以及第j轮迭代的种群历史最优位置gbest； 由速度和 位置进化规则对种群位置进 行进化； 重复上述过程 直至到达所述最大迭代次数itemax， 保存种群最优位置； 步骤9： 轨 迹预测， 具体的： 根据步骤8所得最优粒子位置作为所述Volterra级数预测模型的参数， 将所述动态滑 动窗口内的数据作为预测模型的输入数据， 计算得到机动目标的在t＝tk时刻的单步轨迹 预测值 步骤10： 残差补偿法校正预测值， 具体的： 根据步骤9所得单步外推预测值 计算其与真 实值x(k)的偏差， 记为Δe(k)， 保存最 大长度为所述动态滑动窗口长度W的偏 差向量， 记为ΔE； 使用递推最小二乘 算法， 输入项为 所述动态滑动窗口内的轨迹坐标数据， 期望输出项为所述偏差向量ΔE， 求解下一时刻的预 测残差补偿值res(k +1)； 将所述下一时刻预测残差补偿值res(k +1)与所述预测模型的下一 时刻单步预测值相加得到校正后的轨 迹预测值， 记为 步骤11： 重复步骤3 至步骤10， 直到停止预测机动目标轨 迹。 2.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法， 其特 征在于： 步骤1所述重构后多维时间序列记为Xl， 具体形式如下： Xl＝[x(l),x(l+τ ), …,x(l+(m‑1)τ )]T,l＝1,2,…,M 其中， M＝ N‑(m‑1)τ 为历史轨 迹数据序列重构后的多维空间相点数。 3.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法， 其特 征在于： 步骤3中所述动态 滑动窗口 的长度W采用如下 方法计算： W＝w+Δw 其中， w为固定部分长度， 其大小由已收集到历史轨迹数据量决定； Δw为动态调 节部分 长度， 其大小由轨 迹数据特 征和预测误差波动决定 。 4.根据权利要求1所述的基于动态滑动窗口辨识的机动目标轨迹在线预测方法， 其特权　利　要　求　书 2/4 页 3 CN 114676877 A 3