基于船舶轨迹派生特征预测内河拖船 tow 规模：概念验证
机器学习
2025-10-29 v1
摘要
accurate, real-time estimation of barge quantity on inland waterways remains a critical challenge due to the non-self-propelled nature of barges and the limitations of existing monitoring systems. 本研究引入一种新方法，使用自动识别系统（AIS）船舶跟踪数据预测拖船数量。为训练和测试模型，对来自下密西西比河的卫星场景进行了手动标注的拖船实例。通过空间时间匹配程序将标注图像与AIS船舶轨迹匹配。创建了一套30个AIS派生特征，涵盖船舶几何学、动态运动和轨迹模式，并使用递归特征消除（RFE）评估识别最具预测性变量的特征。训练和评估了六个回归模型，包括集成、基于核的方法和广义线性方法。泊松回归模型获得了最佳性能，以12个特征实现了1.92拖船的平均绝对误差（MAE）。特征重要性分析揭示，捕获船舶maneuverability指标（如课程熵、速度变异性和trip长度）是barge count最具预测性的特征。该方法提供了一种可扩展、可立即实施的方法，用于增强海事情报（MDA），在锁定调度、港口管理和货运规划等方面具有强大的潜在应用。未来工作将扩展此处所示的概念验证，以探索模型在具有不同操作和环境条件的其他内河上的可移植性。
引用
@article{arxiv.2510.23994,
title = {Predicting Barge Tow Size on Inland Waterways Using Vessel Trajectory Derived Features: Proof of Concept},
author = {Geoffery Agorku and Sarah Hernandez and Hayley Hames and Cade Wagner},
journal= {arXiv preprint arXiv:2510.23994},
year = {2025}
}