基于多数据融合与深度学习的船舶到达航道区到达时间预测
机器学习
2024-03-18 v1
摘要
本文探讨了基于多数据融合和深度学习方法预测船舶到达航道区到达时间的问题。首先，基于多变量核密度估计（MKDE）和聚类提取船舶到达轮廓。其次，融合包括自动识别系统（AIS）、航道预订信息和气象数据等多个数据源。第三ly，构建包含残差机制的时序卷积网络（TCN）框架，以学习船舶隐藏的到达模式。对新加坡的两个真实数据集进行大规模测试，取得以下鼎舞结果：1）融合航道预订信息和气象数据可提升预测准确性，其中航道预订信息的影响更为显著；2）对气象数据采用离散嵌入的效果优于连续嵌入；3）TCN 在回归任务中优于当前最先进的基线方法，平均绝对误差（MAE）介于 4.58 分钟至 4.86 分钟之间；4）约 89.41%至 90.61% 的绝对预测残差落在 10 分钟的时间窗内。
引用
@article{arxiv.2403.09969,
title = {Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning},
author = {Xiaocai Zhang and Xiuju Fu and Zhe Xiao and Haiyan Xu and Xiaoyang Wei and Jimmy Koh and Daichi Ogawa and Zheng Qin},
journal= {arXiv preprint arXiv:2403.09969},
year = {2024}
}
备注
The 26th IEEE International Conference on Intelligent Transportation Systems (ITSC 2023)