论船舶位置预测与联邦学习的影响
机器学习
2024-05-31 v1
摘要
自动识别系统(AIS)的广泛应用推动了多项海事分析业务的发展。船舶位置预测(VLF)是其中对海上态势感知最为关键的业务之一。然而，由于海上交通状况的复杂性和动态性，准确的VLF是一个具有挑战性的问题。此外，随着隐私问题和限制的增加，训练数据日益碎片化，导致不同组织间形成分散的孤立数据孤岛数据库，进而降低了学习模型的质量。在本文中，我们提出了一种基于LSTM神经网络的高效VLF解决方案，包含两种变体：分别用于集中式学习方法的Nautilus和用于联邦学习方法的FedNautilus。我们还展示了集中式方法相对于当前最先进技术的优越性，并讨论了联邦学习方法相对于集中式方法的优缺点。
引用
@article{arxiv.2405.19870,
title = {On Vessel Location Forecasting and the Effect of Federated Learning},
author = {Andreas Tritsarolis and Nikos Pelekis and Konstantina Bereta and Dimitris Zissis and Yannis Theodoridis},
journal= {arXiv preprint arXiv:2405.19870},
year = {2024}
}