1.一种海上浮标的轨迹重建方法，其特征在于，包括以下步骤：

S1、获取浮标的AIS数据，对AIS数据进行预处理，预处理方法包括但不限于数据清洗、标准化处理、滤除噪声和填补缺失值；

S2、集成改进的长短期记忆网络和多头注意力机制建立LSTM‑Attention模型，改进的长短期记忆网络融入定制化时间门控机制，基于与每个时间步相关的时间间隔信息来调节信息的流动，直接对遗忘门和输入门的行为施加影响，使遗忘门和输入门根据浮标位置点之间的实际时间跨度来增强或减弱信息的遗忘或保留；

经改进的长短期记忆网络输出的序列数据被传递到多头注意力机制，多头注意力机制通过将输入的序列数据分割成多个注意力头，并行地处理所有的注意力头，从而促进LSTM‑Attention模型从不同的角度理解数据，最终输出综合了所有注意力头信息的浮标位置预测值；

S3、先对数据进行归一化处理，然后构建训练集，训练LSTM‑Attention模型。

2.根据权利要求1所述的海上浮标的轨迹重建方法，其特征在于，在步骤S2中，如果两个浮标位置点之间的时间间隔在五个小时以上，则调高遗忘门的激活值；如果两个浮标位置点之间的时间间隔在两个小时以下，则调低输入门的激活值。

3.根据权利要求2所述的海上浮标的轨迹重建方法，其特征在于，在步骤S3中，包括以下子步骤：S31、数据预处理：首先使用标准差归一化方法对原始的浮标的AIS数据进行标准化处理，将未处理的浮标的AIS数据的特征指标进行线性变换，使结果值映射至[0,1]区间；

其次，将连续的四个浮标位置点构造成一个数据序列，并对所述数据序列进行处理，使所述数据序列包含输入序列以及输出序列；

S32、数据集划分：将预处理后的数据集进行分割，确保训练集和测试集的比例分别为

80%和20%；

S33、LSTM‑Attention模型训练配置：设置每一次迭代训练随机选取的数据序列的个数；

S34、LSTM‑Attention模型架构：包括两层长短期记忆网络，每层长短期记忆网络的隐藏单元数目为64，以及一个集成了四个注意力头的多头注意力机制，以及一个线性输出层，所述线性输出层用于将特征表示转化为预测结果；

S35、损失函数与优化算法：选择均方误差作为损失函数，通过损失函数度量LSTM‑Attention模型预测值与真实值之间的误差，采用Adam优化器进行参数优化；

S36、浮标轨迹重建性能评估：利用步骤S34中训练好的LSTM‑Attention模型，对测试集中的数据执行预测，得到重建的浮标轨迹，通过对比实际的浮标轨迹数据，进行浮标轨迹重建性能评估。

4.根据权利要求3所述的海上浮标的轨迹重建方法，其特征在于，在步骤S31中，输入序列由前两个和最后两个浮标位置点组成，输出序列由中间的浮标位置点组成。

5.根据权利要求4所述的海上浮标的轨迹重建方法，其特征在于，在步骤S36中，为了定量评估LSTM‑Attention模型性能，除均方误差外，还采用平均绝对误差和均方根误差，计算公式为： ， ，，式中， 表示均方误差， 表示平均绝对误差，

表示均方根误差，为时间序数， 表示测试集中浮标位置点的数量， 是浮标的第个时间点的实际坐标值， 是LSTM‑Attention模型预测的浮标的第 个时间点的坐标值。

6.根据权利要求5所述的海上浮标的轨迹重建方法，其特征在于，在步骤S3中，将浮标的经纬度 作为特征加载并归一化，归一化处理后的数据形式为：将数据序列的长度设为 ，并根据浮标实际位置按时间顺序排列，得到输入序列 ：，式中， 表示输入序列中第 个时间点的经纬度坐

标， 表示输入序列中第 个时间点的经纬度坐标，

表示输入序列中 个时间点的经纬度坐标， 表示输入序列中第

个时间点的经纬度坐标，在提供的LSTM‑Attention模型中，第一层长短期记忆网络捕捉上浮标数据的波动和周期性变化，然后，通过对第二层长短期记忆网络的重新训练，使LSTM‑Attention模型在第一层长短期记忆网络提取的特征的基础上，进一步捕捉到数据随时间演变的更深层次、更抽象的时间模式；

在完成两层长短期记忆网络的处理后，引入定制化时间门控机制，所述定制化时间门控机制根据输入序列中每个浮标位置点之间的时间间隔来调节信息流，使LSTM‑Attention模型对于时间间隔不均匀的浮标位置点进行更为精细的处理，从而适应不同时间尺度的浮标轨迹模式，提高浮标轨迹重建性能；

最后，浮标轨迹重建的结果公式为： 。

7.根据权利要求6所述的海上浮标的轨迹重建方法，其特征在于，在步骤S2中，所述定制化时间门控机制包括遗忘门 、输入门 、输出门 和候选单元 ；

，式中， 对应时间 的遗忘门向量； 和 是遗忘

门的权重和偏置参数； 是前一时间步的隐藏状态， 是当前时间步的输入特征， 是sigmoid激活函数，用于将门控信号限制在0和1之间；

， ，式中， 表

示时刻 的输入门， 和 是输入门的权重和偏置参数； 是在时刻 创建的候选向量，经由tanh函数生成， 的值域在‑1到1之间； 是候选记忆单元的权重矩阵， 是候选记忆单元的偏置项；

， 代表在时刻 的细胞状态，细胞状态是通过遗忘门决定

丢弃哪些旧信息 和通过输入门添加哪些新信息 来更新；

， ，式中，输出门 决定了从

细胞状态 中哪些信息将被用作此时刻长短期记忆网络的输出， 和 为输出门的权重和偏置参数， 是最终的输出， 结合了输出门和当前的细胞状态信息。

8.根据权利要求7所述的海上浮标的轨迹重建方法，其特征在于，在步骤S2中，所述多头注意力机制的每个注意力头中，注意机制会计算查询 、键 和值 之间的相关性，从而对不同时间点的信息赋予不同的权重；单个注意力头的计算 方法 为：，其中， 、 和 是根据当前时间步的输

入特征和前一时间步的隐藏状态生成的查询、键和值向量，注意力分数由查询和键的点积计算而成，并通过缩放因子 进行缩放，最后通过 函数正规化得到权重；

，式中， 表示

第 个注意力头， ； 表示多头注意力函数，

表示将所有注意力头的输出连接起来形成一个长向量，

是输出权重矩阵；

， 表示第 个注

意力头在其子空间中计算的标准注意力函数， 表示注意力函数， ，  和 分别是第 个注意力头的查询、键和值的投影矩阵；

多头注意力机制通过在多个不同的表示子空间上平行地应用注意力函数来增强LSTM‑Attention模型的关注；每个注意力头计算的注意力输出被拼接并通过一个权重矩阵转换，产生最终的输出向量；每个注意力头关注输入序列的不同部分，最后将所有的输出向量合并起来，提高了LSTM‑Attention模型对输入序列不同特征的捕捉能力。