利用机器学习在噪声数据上展开 AIS 传输行为以建模船舶运动
机器学习
2024-09-06 v2 人工智能
摘要
海洋是复杂数据的惊人混合来源,可用于发现尚未揭示的关系。此类数据来自海洋及其表面,例如用于跟踪船舶轨迹的自动识别系统(Automatic Identification System, AIS)报文。AIS 报文通过无线电或卫星以理想上周期性的时间间隔传输,但随时间不规则变化。因此,本文旨在通过神经网络对 AIS 报文传输行为建模,以预测多艘船舶即将发出的 AIS 报文内容,特别是在面对作为离群值的时间不规则性时采用同步方法。我们给出了一组包含多种算法的实验,用于不同预测时长的预测任务。深度学习模型(如神经网络)被证明能够充分保持船舶的空间感知,而不受时间不规则性的影响。我们展示了卷积层、前馈网络和循环神经网络如何通过协同工作来改进此类任务。在短、中、长三种规模的报文序列实验中,我们的模型在相对百分比差异(Relative Percentage Difference,越低越好)上分别达到 36%/37%/38%,而 Elman 循环神经网络(RNN)为 92%/45%/96%,GRU 为 51%/52%/40%,LSTM 为 129%/98%/61%。这些结果支持我们的模型可作为在分析时间噪声数据下同时处理多种异类船舶时改进船舶航线预测的驱动因素。
引用
@article{arxiv.2202.13867,
title = {Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning},
author = {Gabriel Spadon and Martha D. Ferreira and Amilcar Soares and Stan Matwin},
journal= {arXiv preprint arXiv:2202.13867},
year = {2024}
}