MSTFormer：融合动态感知注意力的运动启发时空 Transformer 用于船舶长期轨迹预测
机器学习
2023-03-22 v1
摘要
在考虑船舶时空特性的同时，将动力学知识引入模型对于实现准确轨迹预测至关重要。然而，现有方法很少考虑底层动力学知识，而是直接采用机器学习算法预测轨迹。直观上，船舶运动遵循动力学规律，例如转弯时速度减小。但由于动力学与神经网络固有的异质性，将动态知识与神经网络结合具有挑战性。在此背景下，我们提出 MSTFormer，一种基于 Transformer 的运动启发船舶轨迹预测方法。本工作的贡献有三方面。首先，我们设计了一种数据增强方法来描述轨迹的空间特征与运动特征。其次，我们提出多头动态感知自注意力机制，以关注具有频繁运动变换的轨迹点。最后，我们构建知识启发的损失函数以进一步提升模型性能。在真实数据集上的实验结果表明，我们的策略不仅有效提升了长期预测能力，而且在转弯数据上优于骨干网络。消融分析进一步证实了所提方法的有效性。据我们所知，MSTFormer 是首个融合船舶运动动力学的轨迹预测神经网络模型，为未来研究提供了有价值的方向。源代码见 https://github.com/simple316/MSTFormer。
引用
@article{arxiv.2303.11540,
title = {MSTFormer: Motion Inspired Spatial-temporal Transformer with Dynamic-aware Attention for long-term Vessel Trajectory Prediction},
author = {Huimin Qiang and Zhiyuan Guo and Shiyuan Xie and Xiaodong Peng},
journal= {arXiv preprint arXiv:2303.11540},
year = {2023}
}
备注
11 pages