Oct, 2023

通过多路径长期船舶轨迹预测构建更安全的海上环境

PDF
TL;DR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。
automatic identification systemvessel trajectory forecastingencoder-decoder modelais datamarine life preservation
发现论文，激发创造
  • 利用机器学习揭示船舶运动的 AIS 传输行为

    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。

    Feb, 2022

  • 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 H3 索引和因果语言建模（CLM）改进海上轨迹预测

    利用 GNSS 位置信息，本研究将船舶轨迹预测问题视为自然语言处理问题，通过 H3 指数将经纬度坐标转换为单元格标识符，并借助伪八进制表示使语言模型更容易学习 H3 指数的空间层次结构，该方法与传统的 Kalman 滤波器进行了比较，并引入了 Fréchet 距离作为主要评估指标。本研究表明，在 30 分钟的背景信息下，可以精确地预测船舶轨迹长达 8 小时，并且该方法在全球范围内都能够良好地预测轨迹。

    May, 2024

  • 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

  • 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

  • 复杂海上导航的序列建模：以客轮为案例研究（学生摘要）

    用机器学习方法，通过两年的加拿大西海岸渡轮真实数据集，针对动态和静态状态、行动和干扰，创建了一个时间序列预测模型，用于预测动态状态，为评估渡轮在船长指导下的操作效能提供工具，并为未来的优化算法打下基础，并提供了决策过程的有价值的反馈。

    Mar, 2024

  • 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

  • 编码器 - 解码器模型用于短期内河船舶轨迹预测

    通过对内河航行特定因素的影响，比较了不同的编码器 - 解码器架构，包括变压器编码器 - 解码器，用于预测内河船只的下一个位置，并且结果表明，将回归任务重新定义为分类问题并引入内河特定特征能够产生最低的位移误差。

    Jun, 2024

  • 驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

    本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

    Jul, 2023

  • 改进的上下文敏感转换器模型用于内陆船舶轨迹预测

    通过合并船舶位移信息和空间信息，本研究提出了一种上下文敏感的分类转换器，用于改进船舶轨迹预测的空间感知能力，并通过在推理期间启用辍学来评估模型不确定性。该方法在不同内陆水道上进行了训练，分析了其可推广性，显示出较低的预测误差和对每个预测的可信度估计，更适用于内陆航行中的安全关键应用。

    Jun, 2024