面向内陆水域船舶轨迹预测的可解释深度学习方法
摘要
准确预测拥挤环境中船舶轨迹对于确保内陆水域交通安全至关重要。近期深度学习技术的进展有望提高复杂情景下的预测精度。尽管船舶间相互 awareness 的挑战正逐渐取得成功，但这些模型的可解释性常被忽视，可能掩盖不准确的逻辑并削弱其可靠性信心。本研究通过纳入训练好的船舶域参数来增强 LSTM 基于注意力机制的船舶轨迹预测模型，提供对 interacting vessels 隐藏状态融合的洞察。该方法在航海业已有探索，但内陆水域的遭遇种类和复杂度使其能够更深入地分析模型的可解释性。评估了本文提出的模型变体的预测性能，使用标准位移误差统计数据。此外，还分析了生成的船舶域值的合理性。在 5 分钟预测时程下，模型约 40 米的最终位移误差，与类似研究相当。尽管船舶间注意力架构提升了预测精度，但基于学习的船舶域值对遭遇中船舶权重的分配偏离预期。观察到的精度提升并非完全由预测轨迹与相邻船舶轨迹之间的因果关系驱动。这一发现通过其内在可解释设计强化了模型的解释能力。未来工作将聚焦于利用该架构进行反事实分析，并纳入更复杂的注意力机制。
引用
@article{arxiv.2603.04472,
title = {Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways},
author = {Tom Legel and Dirk Söffker and Roland Schätzle and Kathrin Donandt},
journal= {arXiv preprint arXiv:2603.04472},
year = {2026}
}
备注
This is a preprint of a paper published in the Proceedings of the 35th European Safety and Reliability & the 33rd Society for Risk Analysis Europe Conference. DOI of the published version: 10.3850/978-981-94-3281-3_ESREL-SRA-E2025-P1370-cd. Reproduced here with permission of the publisher. For citation purposes, please refer exclusively to the published version