WAY：基于全球AIS轨迹的船舶目的地估计
机器学习
2025-12-16 v1 人工智能
摘要
自动识别系统（AIS）支持数据驱动的海上监视，但存在可靠性问题和不规则间隔。我们使用全球范围的AIS数据提出一种差分化方法，将长距离港口到港口的轨迹重新构构为嵌套序列结构。通过空间网格，该方法在保持详细分辨率的同时缓解了时空偏差。我们引入一种新型深度学习架构WAY，用于处理这些重新构构的轨迹以进行长期目的地估计，提前数天至数周。WAY由轨迹表示层和通道聚合顺序处理（CASP）块组成。表示层从动力学和非动力学特征生成多通道向量序列。CASP块利用多头注意力进行聚合和顺序信息传递。此外，我们提出一种任务专用的梯度丢弃（GD）技术，以启用单标签上的多对多训练，防止偏置反馈激增，通过基于样本长度的随机阻止梯度流动。2015-2020年AIS数据实验表明，WAY在轨迹进程中优于传统基于空间网格的方法。结果进一步确认采用GD可带来性能提升。最后，我们通过ETA估计的多任务学习探索了WAY的实际应用潜力。
引用
@article{arxiv.2512.13190,
title = {WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory},
author = {Jin Sob Kim and Hyun Joon Park and Wooseok Shin and Dongil Park and Sung Won Han},
journal= {arXiv preprint arXiv:2512.13190},
year = {2025}
}
备注
Accepted to IEEE Transactions on Aerospace and Electronic Systems (TAES)