Feb, 2022

利用机器学习揭示船舶运动的 AIS 传输行为

PDF
TL;DR本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。
oceansais messagesneural networksforecastingvessel routes
发现论文，激发创造
  • 应用 AIS 数据和深度循环架构进行海上环境中的异常检测

    基于深度循环模型的海上监视方法，利用公开可用的自动识别系统（AIS）数据，通过对观测到的船舶运动模式进行编码和重建，结合阈值机制对计算的观测和重建的运动模式之间的误差进行处理，通过训练深度学习框架（编码器 - 解码器架构）使用观测到的运动模式，使模型能够学习和预测预期的轨迹，并与实际轨迹进行比较，研究展示了具有回归丢失的双向门控循环单元（GRU）在捕捉海上数据的时间动态方面表现出卓越的性能，彰显了深度学习在增强海上监视能力方面的潜力，为未来领域的研究奠定了坚实基础，通过技术的创新应用为改善海上安全指明了道路。

    Jun, 2024

  • 通过多路径长期船舶轨迹预测构建更安全的海上环境

    利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

    Oct, 2023

  • 利用自监督深度学习在开放海洋海上监控中检测有意关掉的 AIS

    通过自监督深度学习技术和 Transformer 模型，本文提出了一种检测异常 AIS 信号丢失的新方法，通过预测和比较来报告检测到的异常情况。该方法可以实时处理海事交通监控中的 AIS 数据，并验证了先前已探测到的故意 AIS 关闭情况。

    Oct, 2023

  • 海洋计算机视觉应用的图像与 AIS 数据融合技术

    通过融合自动识别系统（AIS）数据和图像中检测到的船舶，我们提出了一种方法用于创建数据集，用于识别船只、姿态估计和自动标注管道。

    Dec, 2023

  • 基于自动识别系统数据的多模型 LSTM 轨迹关联架构

    该研究提出了一种基于 LSTM 的多模型框架来解决船舶轨迹关联问题，该框架结合了自动识别系统 (AIS) 提供的大量动态地理空间信息，从历史观测中预测当前船舶位置，并使用基于测地线距离的相似性度量来关联未分类的观测结果和真实轨迹，从而有效地解决了海洋监视中一直存在的难题。

    Apr, 2023

  • 关于船舶位置预测和联邦学习的影响

    使用 LSTM 神经网络，我们提出了一种高效的集中式和联邦式学习方法，分别称为 Nautilus 和 FedNautilus，以解决准确的船只位置预测 (VLF) 这一复杂且动态的海上交通问题，并展示了集中式方法相对于现有技术的优势和联邦式方法的优缺点。

    May, 2024

  • AI 增强模拟指导操作

    使用长短期记忆（LSTM）神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据，并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据，通过对 LAMP 船舶运动响应数据进行训练后，将历史天气输入到 SimpleCode 和 LSTM 网络中，与高保真度结果进行比较。

    Jul, 2023

  • 利用 LSTM 神经网络预测极端海况下船舶动态的功能学习

    通过训练神经网络，尤其是采用 LSTM，可以预测船只在极端海况下的运动，且可以在运算量低得多的情况下进行预测。

    Dec, 2019

  • 实现传感器化船舶的智能翻新与性能异常检测：一个海运业界经验

    该研究提出了一种深度学习驱动的异常检测系统，结合可解释的机器学习模型，用于识别工业传感器化船舶 TUCANA 中的性能异常，该系统不仅提高了安全性、效率和可持续性，还推动了成本有效和智能化的海上交通运输的新时代。

    Dec, 2023

  • 多数据融合与深度学习预测船舶到达引航区时间

    使用多数据融合和深度学习方法对船舶抵达引航区的到达时间进行预测，通过提取船舶到达轮廓、数据融合和深度学习等方法，取得了良好的预测准确度和优于基准方法的结果。

    Mar, 2024