FRA-LSTM：一种基于前向与反向子网络融合的船舶轨迹预测方法
计算机与社会
2023-04-05 v2
摘要
为提升船舶能力并保障海上交通安全，船舶智能轨迹预测在船舶智能航行与智能避撞系统中起着至关重要的作用。然而，当前研究者仅关注短期或长期船舶轨迹预测，导致轨迹预测精度不足，且缺乏对综合历史轨迹数据的深入挖掘。本文提出一种基于前向子网络与反向子网络融合（称为 FRA-LSTM）的自动识别系统（AIS）数据驱动的长短期记忆（LSTM）方法以预测船舶轨迹。我们方法中的前向子网络结合 LSTM 与注意力机制来挖掘前向历史轨迹数据的特征；同时，反向子网络结合双向 LSTM（BiLSTM）与注意力机制来挖掘后向历史轨迹数据的特征。最后，通过融合前向与反向子网络的输出特征生成最终预测轨迹。基于大量实验，我们证明所提方法在短期与中期轨迹预测上的精度相比 BiLSTM 和 Seq2seq 平均分别提升了 96.8% 和 86.5%。此外，在长期轨迹预测上，我们方法的平均精度比对比的 BiLSTM 和 Seq2seq 高 90.1%。
引用
@article{arxiv.2201.07606,
title = {FRA-LSTM: A Vessel Trajectory Prediction Method Based on Fusion of the Forward and Reverse Sub-Network},
author = {Jin Chen and Xingchen Li and Ye Xiao and Hao Chen and Yong Zhao},
journal= {arXiv preprint arXiv:2201.07606},
year = {2023}
}
备注
The experimental results may contain some mistakes, the method in this article is not suitable for the scenario of ship trajectory prediction, and there are a few grammatical errors