基于循环神经网络的船舶轨迹预测深度学习方法
计算机视觉与模式识别
2023-01-18 v2
摘要
数据驱动方法为利用自动识别系统（AIS）数据进行海上监视开辟了前所未有的可能性。在本工作中，我们探索利用历史 AIS 观测数据的深度学习策略，以解决预测未来数小时船舶轨迹的问题。我们提出了基于编码器-解码器循环神经网络（RNNs）的新型序列到序列船舶轨迹预测模型，这些模型在历史轨迹数据上训练，以根据先前的观测预测未来的轨迹采样点。所提出的架构结合了长短期记忆（LSTM）RNN 进行序列建模，以编码观测数据并生成未来预测，同时采用不同的中间聚合层来捕获序列数据中的时空依赖关系。基于丹麦海事局免费提供的 AIS 数据集上的船舶轨迹的实验结果表明，基于序列到序列神经网络的深度学习方法用于轨迹预测的有效性，其性能优于基于线性回归或多层感知机（MLP）架构的基线方法。结果的对比评估表明：i）针对该特定应用，注意力池化优于静态池化；ii）在有标注轨迹时可获得的显著性能提升，即当预测以从过去观测序列编码的低层上下文表示以及关于船舶高层意图的额外输入（例如出发港或到达港，可能从 AIS 获得）为条件时。
引用
@article{arxiv.2101.02486,
title = {Deep Learning Methods for Vessel Trajectory Prediction based on Recurrent Neural Networks},
author = {Samuele Capobianco and Leonardo M. Millefiori and Nicola Forti and Paolo Braca and Peter Willett},
journal= {arXiv preprint arXiv:2101.02486},
year = {2023}
}
备注
Accepted for publications in IEEE Transactions on Aerospace and Electronic Systems, 17 pages, 9 figures