融合导航上下文的内河船舶轨迹预测：一种高斯混合模型与Transformer方法
机器学习
2024-10-23 v3
摘要
在船舶轨迹预测（VTP）的机器学习方法中，利用自动识别系统之外的数据源来表示船舶航行所处的上下文，从而提升态势感知能力，仍然较为罕见。在内河航运中，船舶运动受限于航道，导航上下文信息不可或缺。本文针对内河VTP，将高斯混合模型（GMM）应用于AIS与流量测量的融合数据集，生成多模态分布曲线，捕捉船舶在航道中的典型横向定位以及沿水路的位移速度。通过对GMM概率密度曲线进行采样，得到特征向量，这些特征向量与时空船舶特征及航道几何信息一起，作为VTP Transformer模型的输入。融入当前及即将到来的导航上下文的分布特征，提高了预测精度。与先前提出的内河VTP Transformer模型相比，本模型表现出优越性。其新颖之处在于提供预处理后的、基于统计的特征来表示条件空间上下文，而非依赖模型从上下文数据中提取VTP任务的相关特征。通过让模型访问完整的分布信息，避免了因假设单一典型路线或在模型应用前选择特定聚类而过度简化内河航行模式复杂性的问题。通过使用三个不同河段的数据，证明了该方法的泛化能力。该方法可集成到交互感知预测框架中，其中对当前地点和流量下整体分布中实际船舶行为定位的洞察，可提升轨迹预测精度。
引用
@article{arxiv.2406.02344,
title = {Incorporating Navigation Context into Inland Vessel Trajectory Prediction: A Gaussian Mixture Model and Transformer Approach},
author = {Kathrin Donandt and Dirk Söffker},
journal= {arXiv preprint arXiv:2406.02344},
year = {2024}
}