基于极大规模海事数据的实时未来位置预测：FLP-XR
机器学习
2025-06-10 v2 信号处理
摘要
海事船舶的运动本质上是复杂且具有挑战性的，需要准确建模 due to maritime operations 的动态且往往不可预测的特性。即便在结构化的海事环境中，例如航道和港口接近处，船舶遵循航行规则和预定义海路，其中揭示潜在模式也远非 trivial。对航船 mobility 的准确建模之所以至关重要，原因在于其为诸多应用提供支持，包括 collision avoidance 的风险评估、优化航线以及高效港口管理。本文引入 FLP-XR，一种利用海事 mobility 数据构建 robust framework 的模型，能够在保持 precise predictions 的同时确保 extremely fast 的训练和推理能力。我们通过使用三个真实世界的 AIS 数据集进行 extensive experimental study 来展示方法的效率。根据实验结果，FLP-XR 在许多情况下超过当前 state-of-the-art，而在训练和推理方面性能要快 2-3 个数量级。
引用
@article{arxiv.2503.13491,
title = {FLP-XR: Future Location Prediction on Extreme Scale Maritime Data in Real-time},
author = {George S. Theodoropoulos and Andreas Patakis and Andreas Tritsarolis and Yannis Theodoridis},
journal= {arXiv preprint arXiv:2503.13491},
year = {2025}
}