1.一种基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，包括如下步骤：步骤1，在海面已知点采集24小时GNSS观测数据；步骤2，获取离线标定数据集，所述离线标定数据集包括从GNSS观测数据提取的原始观测量和伪距误差：步骤3，对从GNSS观测数据提取的原始观测量进行分析与筛选，获得筛选后的样本集Z；步骤4，将所述样本集Z及相应的伪距误差输入至自适应神经网络ANFIS中训练，提取伪距误差预测规则，获得伪距误差回归模型；步骤5，将新接收GNSS观测数据输入至伪距误差回归模型，预测历元下对应卫星的伪距误差，获得修正后的伪距观测值，并对其进行定位解算，获得精确定位解，即为船舶位置数据；步骤6，估计船舶航向；步骤7，划定船舶概率区域；步骤2中所述从GNSS观测数据提取的原始观测量包括：载波噪声密度C/N 0 、水平精度因子HDOP、垂直精度因子VDOP、卫星仰角、卫星方位角和伪距残差，记第i颗卫星在历元时刻t所述提取的原始观测量为 其中N S，t 表示当前历元时刻t下共计接收到N S，t 颗卫星信号；t表示数据采集24小时的对应历元时刻，频率为1Hz，即t＝1，…，86400；记已知点坐标为(X 0 ，Y 0 ，Z 0 )，所述伪距误差根据已知点坐标，对GNSS观测数据逐历元、逐卫星计算伪距误差，计算方法如下：利用卫星星历，获悉各卫星坐标信息，设历元时刻t第i颗卫星的坐标为 则卫星i的伪距观测值ρ i 可表示为：其中，R i 表示卫地距，计算如下式：c为光速，τ r 、 分别为接收机钟差与卫星钟差， 分别为电离层延迟与对流层延迟， 分别为广播星历误差与由地球自转引起的卫星坐标误差， 为其他项误差，包含多路径误差和接收机噪声，除 外，上述误差均能够利用精确的模型或针对性的方法消除，其残差相对于多路径误差而言均能够忽略不计，因此，修正后的伪距观测值 为：故历元时刻t的伪距误差Δρ i，t 表示为：将历元时刻t的伪距误差Δρ i，t 与所述从GNSS观测数据提取的原始观测量标定，即： 从而获得用于伪距误差回归模型训练的离线标定数据集。
2.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤3中对从GNSS观测数据提取的原始观测量采用主成分分析算法PCA获得筛选后的样本集Z，包括如下步骤：步骤3.1，记历元时刻t下从GNSS观测数据提取的原始观测量为X＝[x (1) ，x (2) ，x (3) ，x (4) ，x (5) ，x (6) ]， 其中P表示样本总量，取决于不同历元时刻t下N S，t 的总和，即 对原始观测量X进行中心化，第j个提取的原始观测量中心化的取值为：其中，j＝1，2，…，6；步骤3.2，计算原始观测量X的协方差阵XX T ；步骤3.3，对XX T 进行特征值分解，权衡伪距误差回归模型精度与自适应神经网络ANFIS训练速度，取前4位最大的特征值及其特征向量[ω 1 ，ω 2 ，ω 3 ，ω 4 ]，对特征向量进行标准化，获得 步骤3.4，对原始观测量x进行转化，z (j) ＝W T x (j) ，得到经降维后的样本集：Z＝[z (1) ，z (2) ，z (3) ，z (4) ]。
3.根据权利要求2所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤4中自适应神经网络ANFIS包括五层，第一层，执行模糊化，用隶属度函数对训练集[z (1) ，z (2) ，z (3) ，z (4) ，Δρ]进行模糊化，其中，Δρ为含P个伪距误差的列向量Δρ＝[Δρ 1 ，…，Δρ p ，…] T ，p＝1，2，…，P， 为z (1) 的隶属度函数， 为z (2) 的隶属度函数， 为z (3) 的隶属度函数， 为z (4) 的隶属度函数，A f ，B f ，C f ，D f 分别为z (1) ，z (2) ，z (3) ，z (4) 的语义标签，f＝1…n，n表示语义标签的数量；所述语义标签为自适应神经网络ANFIS执行模糊化后将输入特征[z (1) ，z (2) ，z (3) ，z (4) ]进行模糊化获得，其数量n取决于执行模糊化的结果；所述隶属度函数为高斯函数；第一层输出 即z (1) ，z (2) ，z (3) ，z (4) 对应的隶属度函数为：其中 的上标表示第一层的输出，参数[a f ，b f ，c f ]为自适应神经网络ANFIS的前提参数，随着ANFIS的自适应调节产生变化；第二层，将每个输入特征的隶属度函数相乘，计算每个规则的触发强度w f ：第三层，触发强度归一化，获得 第四层，由输入特征的线性组合计算规则结果：其中，r f 表示第f条伪距误差预测规则，p f ，q f ，d f ，s f ，t f 为自适应神经网络ANFIS最终调整后的参数集，也称为结论参数；第五层，去模糊化，即将每条规则的结果加权平均得到最终输出，获得基于主成分分析算法PCA筛选后的自适应神经网络ANIFS伪距误差回归模型。
4.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤5中对修正后的伪距观测值采用下式进行定位解算，求解[X 0 ，Y 0 ，Z 0 ，τ r ]，获得消除多径误差后的精确定位解坐标， 表示修正后的伪距观测值，经修正后还可写作如下形式，其中解算此方程组至少需要4颗卫星信号；
5.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤6包括：步骤6.1，利用北斗短报文通信功能，将步骤5获得的精确定位解每隔15秒向船舶管控中心发送一次，船舶管控中心将会记录近M次的船舶位置；步骤6.2，管控中心根据所述近M次的船舶位置，利用多项式拟合船舶行进轨迹，预测船舶未来航向Φ。
6.根据权利要求5所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤6.2包括：步骤6.2.1，将地心地固坐标系下的船舶位置坐标转化至本地坐标系下，以近M次的船舶位置中第一个船舶位置坐标为基准点，对余下M-1个船舶位置坐标进行向本地坐标系的转换，设基准点为(x 0 ，y 0 ，z 0 )，待转换坐标为(x 1 ，y 1 ，z 1 )，转换方式如下：计算两点坐标差值D：D＝(Δx，Δy，Δz) T ，Δx＝x 1 -x 0 ，Δy＝y 1 -y 0 ，Δz＝z 1 -z 0将基准点坐标转换为经纬度 其中λ为经度， 为纬度；计算坐标转换矩阵R：计算本地坐标系下的坐标：enu 1 ＝RD＝(x E1 ，y N1 ，z U1 )；步骤6.2.2，取(x E ，y N )进行多项式拟合，设待拟合的多项式为： 计算各点至该曲线的偏差平方和I对上式求偏导数计算极值问题：即：用矩阵表示可得关于a 0 ，a 1 ，…，a v ：利用线性方程求解a 0 ，a 1 ，…，a v ，得到拟合曲线；步骤6.2.3，根据所得拟合曲线，作直线延长线以预测航线方位与航向Φ。
7.根据权利要求5所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤7包括：在GNSS定位中，第i颗卫星的伪距误差的方差 表示为：其中，N S 表示卫星总颗数； 表示卫星时钟和星历误差， 表示电离层延迟误差， 表示对流层延迟误差， 表示接收噪声和多路径误差；构建权值矩阵W：获得定位协方差阵C：G为由接收到的N S 个卫星构成的几何矩阵， 表示第i颗卫星在本地坐标系下的坐标； 和 表示东北天坐标系下坐标自身的方差， 表示接收机钟差自身的方差，s EN 、s EU 和s NU 表示东北天坐标系下不同坐标之间的协方差，s ET 、s NT 和s UT 表示东北天坐标系下不同坐标与接收机钟差之间的协方差；对于静止物体而言，概率区域可定义为圆，其半径计算可由下式计算：k表示覆盖系数，由于船舶处于运动状态，考虑其航向，其概率区域应被划定为椭圆；其中，椭圆的圆心为船舶边缘上的任意一点，椭圆的短半径和正北方向的夹角为步骤6获得的船舶航向Φ；椭圆的长半径P a 和短半径P b 计算如下：不同船舶安装的天线位置不同，考虑船舶实际规格，船舶概率区域围绕船舶边缘构建，从而获得基于误差划定的有向精细化的船舶概率区域。
8.根据权利要求7所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，利用计算获得的船舶航向和船舶概率区域能够进行航行辅助/船舶搜救：当船舶正常航行但船舶概率区域内未覆盖航线时，根据计算获得的船舶航向和船舶概率区域，能够对船内操控人员发出航线偏离告警，起到辅助船长决策的航行辅助作用；当船舶利用北斗短报文通信方式向船舶管控中心发出求救信号时，会同时发送一组由船舶型号及船舶概率椭圆的P a 、P b 参数数据包，船舶管控中心能够根据此查询船舶规格大小并由步骤6估计船舶航向以及步骤7计算相应的船舶概率区域，调度搜救力量前往指定区域救援，起到辅助船舶管控中心船舶搜救方案决策作用。
