基于 H3 指数和因果语言模型的海洋轨迹预测
机器学习
2025-03-20 v2 人工智能
统计方法学
摘要
船舶轨迹预测是人工智能领域的研究热点。传统方法依赖于 LSTM、GRU 网络乃至 Transformer 架构来预测时空序列。本研究提出一种仅使用 GNSS 位置预测这些轨迹的可行替代方案。将此时空问题视为自然语言处理问题。AIS 消息的纬度/经度坐标被转换为使用 H3 指数生成的单元格标识符。得益于伪八进制表示，语言模型更容易学习 H3 指数的空间层次结构。该方法与在海洋领域广泛使用的经典卡尔曼滤波器进行比较，并引入弗里谢距离作为主要评估指标。我们展示，使用仅 GNSS 位置，在 30 分钟的上下文信息下，即可将船舶轨迹预测精确达到 8 小时，而无需依赖速度、航向或外部环境等其他信息——与许多传统方法不同。我们演示，这种替代方法足以实现全球范围内的轨迹预测。
引用
@article{arxiv.2405.09596,
title = {Enhancing Maritime Trajectory Forecasting via H3 Index and Causal Language Modelling (CLM)},
author = {Nicolas Drapier and Aladine Chetouani and Aurélien Chateigner},
journal= {arXiv preprint arXiv:2405.09596},
year = {2025}
}
备注
28 pages, 18 figures