1.一种多船耦合影响的船舶航迹预测方法，其特征在于，该方法包括：S1，选择最近会遇距离DCPA和最近会遇时间TCPA作为评价指标，识别出对目标船舶产生耦合影响的邻近船舶；

S2，采用MLP量化目标船舶的运动特征与邻近船舶的运动特征之间的非线性关系，提取出目标船舶在 时刻受耦合影响的潜在运动特征向量 ；

S3，将目标船舶在 时刻受耦合影响的潜在运动特征向量 输入到生成器搭载的基于Bi‑LSTM的G‑编码器中进行编码，并输出目标船舶航迹的隐藏特征表示 ；将目标船舶航迹的隐藏特征表示 输入到多头概率稀疏自注意力，剔除冗余信息，保留对关键信息的关注，得到加权的隐藏特征 ；将加权的隐藏特征 输入到生成器搭载的基于Bi‑LSTM的G‑解码器进行解码，输出预测航迹的特征表示 ；将预测航迹的特征表示 输入到生成器搭载的MLP中，输出目标船舶的预测航迹；

S4，将真实航迹和预测航迹输入到判别器搭载的基于Bi‑LSTM的D‑编码器，获得Bi‑LSTM输出的隐藏状态矩阵 ，将Bi‑LSTM输出的隐藏状态矩阵 输入到判别器搭载的MLP中，最终生成输入航迹被识别为真实航迹的概率 。

2.根据权利要求1所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S1中，选择最近会遇距离DCPA和最近会遇时间TCPA作为评价指标，识别出对目标船舶产生耦合影响的邻近船舶，包括：目标船舶和邻近船舶的纬度、经度、航速、航向分别为：和 ；根据目

标船舶与邻近船舶的经纬度坐标数据，计算两者之间的相对距离；如公式（1）‑公式（2）所示：（1）

（2）

式中， 为目标船舶与邻近船舶之间的相对距离， 为地球半径；

根据目标船舶与邻近船舶的航速、航向，计算两者之间的相对航速和相对航向，如公式（3）‑公式（4）所示：（3）

（4）

式中， 为相对航速， 为相对航向， 为反余弦函数；

根据上述已计算出的相对距离、相对航速和相对航向，计算出相应的DCPA和TCPA，如公式（5）‑公式（6）所示：（5）

（6）

式中， 为目标船舶的相对方位；

DCPA小于3NM且TCPA小于30分钟的船舶被识别。

3.根据权利要求1所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S2中，采用MLP量化目标船舶的运动特征与邻近船舶的运动特征之间的非线性关系，提取出目标船舶在 时刻受耦合影响的潜在运动特征向量 ，包括：MLP通过隐藏层和激活函数建立复杂的非线性关系模型，并通过处理高维数据从原始数据中自动学习分层特征表征，提取目标船舶的运动特征与邻近船舶的运动特征之间的非线性关系，基于它们之间的非线性关系，提取目标船舶的潜在运动特征向量，如公式（7）‑公式（9）所示：（7）

式中， 为MLP的输入特征矩阵， 为目标船舶在 时刻的特征向量，包含纬度、经度、航速、航向信息， ； 为对目标船舶产生耦合影响的第 艘邻近船舶在 时刻的特征向量，包含纬度、经度、航速、航向信息，； 为对目标船舶产生耦合影响的第 艘邻近船舶在时刻的特征向量，包含纬度、经度、航速、航向信息，为对目标船舶产生耦合影响的第 艘邻近船舶在 时刻的特征向量，包含纬度、经度、航速、航向信息， ；

公式（7）将目标船舶和邻近船舶的状态信息整合为一个输入矩阵，用于后续的特征提取；

（8）

式中， 为第层隐藏层的输出， 为第层的权重矩阵， 为第 层的输出， 为第层的偏置，为MLP中隐藏层的总层数， 为激活函数；

公式（8）描述MLP的第 层隐藏层的计算过程，通过线性变换和非线性激活函数逐层提取特征；

（9）

式中， 为目标船舶在 时刻受耦合影响的潜在运动特征向量， 为MLP中输出层的权重矩阵， 为第L层隐藏层的输出， 为MLP中输出层的偏置；

公式（9）为MLP输出层的计算过程，生成目标船舶在 时刻受耦合影响的潜在运动特征向量。

4.根据权利要求1所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S3中，生成器搭载：G‑编码器、多头概率稀疏自注意力模块、G‑解码器以及MLP；

选择Bi‑LSTM作为G‑编码器的核心组件，Bi‑LSTM由两层长短期记忆网络LSTM叠加组成；第一层LSTM向前输入数据，第二层LSTM向后输入数据；LSTM单元包含遗忘门、输入门、细胞状态和输出门；上述组件通过sigmoid激活函数和逐点乘法控制信息流，实现序列数据中长期依赖关系的建模；长短期记忆网络LSTM包括：输入向量进入遗忘门、输入门和输出门，如公式（10）‑公式（12）所示：（10）

式中， 为遗忘门向量， 为sigmoid函数， 为遗忘门的历史状态变换权重， 为目标船舶在 时刻受耦合影响的潜在运动特征向量， 为遗忘门的输入特征变换权重，为 时刻的隐藏状态， 为遗忘门的偏置；

公式（10）决定是否记忆上一单元的细胞状态信息；

（11）

（12）

式中， 为输入门向量， 为输入门的历史状态变换权重， 为输入门的输入特征变换权重， 为输入门的偏置， 为输出门向量， 为输出门的历史状态变换权重， 为输出门的输入特征变换权重， 为输出门的偏置， 为激活函数；

公式（11）控制新信息需要更新到细胞状态；公式（12）决定细胞状态中哪些信息记忆为输出状态；

输出候选细胞状态向量，更新细胞状态向量，如公式（13）‑公式（14）所示：（13）

（14）

式中， 为候选细胞状态向量， 为候选细胞状态的历史状态变换权重， 为候选细胞状态的输入特征变换权重， 为细胞状态向量， 为候选细胞状态的偏置， 为时刻的细胞状态向量；

公式（13）生成可能被添加到细胞状态的新信息；公式（14）结合遗忘门和输入门的决策，更新细胞状态；

根据输出门向量和细胞状态向量更新隐藏状态向量，如公式（15）所示：（15）

式中， 为单向LSTM层输出的隐藏状态向量；

公式（15）根据输出门向量和细胞状态向量更新隐藏状态向量。

5.根据权利要求4所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S3中，在Bi‑LSTM中，前向传播层按时间顺序处理序列以生成隐藏状态 ，后向传播层按相反顺序处理序列以生成隐藏状态 ；每个时刻的双向隐藏状态由公式（16）得出：（16）

式中， 为Bi‑LSTM最终输出的双向隐藏状态；

公式（16）将 和 拼接，形成包含上下文信息的双向隐藏状态用于后续计算。

6.根据权利要求4所述的多船耦合影响的船舶航迹预测方法，其特征在于，多头概率稀疏自注意力模块将多头注意力机制与稀疏化策略相结合，关注邻近船舶对目标船舶的耦合影响，如公式（17）‑公式（24）所示：（17）

（18）

（19）

式中， 分别为查询矩阵、键矩阵和值矩阵， 为由 个向量组成的隐藏矩阵，；为时间戳数量， 为查询、键和值的权重矩阵；

为降低计算复杂度并集中处理最相关的信息，采用稀疏化策略，每个查询的稀疏度量计算如公式（20）所示：（20）

式中， 为 的第 个行向量， 为 的第 个行向量，为矩阵转置符号， 为行向量的转置， 为键的长度， 为模型中键向量的特征维度， 为稀疏化度量分数，为键矩阵；

公式（20）用于判断每个查询与所有键之间的注意力分布，从而得到每一个查询‑键之间的稀疏度量值，将得到的多个稀疏度量值从大到小进行排序，选取前 个结果参与后续计算；稀疏关注度权重的计算公式如式（21）所示：（21）

式中， 为稀疏关注度权重，为 个 对应的查询元素集合， 为键矩阵的转置矩阵；

公式（21）用于计算查与键之间的注意力权重，通过softmax归一化得到概率分布，决定模型在不同位置上的关注程度；

概率稀疏注意力机制被扩展到 个注意头，以捕捉不同的特征，如公式（22）‑公式（24）所示，输出捕捉数据中的全局依赖性和复杂特征，分析和预测未来航迹；

计算第 个注意力头的输出：

（22）

式中， 为第 个注意头的输出， 为稀疏关注度权重，为值矩阵；

将所有注意力头的输出进行串联和线性变换：

（23）

式中， 为多头概率稀疏自注意力的输出， 为拼接操作，为第1个注意头的输出， 为第2个注意头的输出， 为第 个注意头的输出， 为输出层的可学习权重矩阵；

得到最终的输出：

（24）

式中， 为多头概率稀疏自注意力的最终输出。

7.根据权利要求4所述的多船耦合影响的船舶航迹预测方法，其特征在于，G‑解码器根据G‑编码器和多头概率稀疏自注意力模块的输出，逐步生成预测航迹的特征表示 ；G‑解码器同样采用Bi‑LSTM；然后在解码器之后引入MLP，将隐藏表示转换为在 时刻预测航迹的纬度、经度、航速、航向数据 ，即预测航迹，如公式（25）‑公式（26）所示：

（25）

（26）

式中， 分别为Bi‑LSTM和MLP网络的权重矩阵， 分别为Bi‑LSTM和MLP网络的偏置。

8.根据权利要求1所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S4中，判别器搭载D‑编码器和MLP；

判别器通过D‑编码器和MLP处理输入的航迹数据，输出输入数据被识别为真实航迹的概率；如公式（27）和公式（28）所示：（27）

（28）

式中， 为Bi‑LSTM输出的隐藏状态矩阵， 分别为Bi‑LSTM和MLP的权重矩阵， 分别为Bi‑LSTM和MLP的偏置， 代表目标船舶的真实航迹序列，其中， 为目标船舶在第 个时刻

的真实纬度、经度、航速、航向； 代表生成器输出的目标船舶的预测航迹序列，其中， 为目标船舶在第 个时

刻的预测纬度、经度、航速、航向， 为输入航迹被识别为真实航迹的概率。

9.根据权利要求1所述的多船耦合影响的船舶航迹预测方法，其特征在于，在步骤S4后，生成器和判别器通过对抗学习机制相互竞争，逐步优化各自的参数；最终，生成与真实航迹数据高度相似的预测航迹数据，实现航迹的高精度预测。

10.一种多船耦合影响的船舶航迹预测系统，其特征在于，实施如权利要求1‑9任意一项所述多船耦合影响的船舶航迹预测方法，该系统包括：基于多船耦合影响的船舶识别模块，用于选择最近会遇距离DCPA和最近会遇时间TCPA作为评价指标，识别出对目标船舶产生耦合影响的邻近船舶；

特征提取模块，采用MLP量化目标船舶的运动特征与邻近船舶的运动特征之间的非线性关系，提取出目标船舶在 时刻受耦合影响的潜在运动特征向量 ；

生成器，用于将目标船舶在 时刻受耦合影响的潜在运动特征向量 输入到生成器搭载的基于Bi‑LSTM的G‑编码器中进行编码，并输出目标船舶航迹的隐藏特征表示 ；将目标船舶航迹的隐藏特征表示 输入到多头概率稀疏自注意力，剔除冗余信息，保留对关键信息的关注，得到加权的隐藏特征 ；将加权的隐藏特征 输入到生成器搭载的基于Bi‑LSTM的G‑解码器进行解码，输出预测航迹的特征表示 ；将预测航迹的特征表示 输入到生成器搭载的MLP中，输出目标船舶的预测航迹；

判别器，将真实航迹和预测航迹输入到判别器搭载的基于Bi‑LSTM的D‑编码器，获得Bi‑LSTM输出的隐藏状态矩阵 ，将Bi‑LSTM输出的隐藏状态矩阵 输入到判别器搭载的MLP中，最终生成输入航迹被识别为真实航迹的概率 。