AAAIMar, 2024

复杂海上导航的序列建模：以客轮为案例研究（学生摘要）

PDF
TL;DR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。
发现论文，激发创造
  • 基于机器学习和现役数据的客渡预测燃料消耗的比较研究

    本文提出了一种能够使用乘客船只的实时数据来预测燃油消耗的模型，采用统计和领域知识方法选择合适的输入变量，其中包括多元线性回归、决策树、人工神经网络和集成方法进行预测。最佳的预测性能来自于使用 XGboost 技术的集成方法。

    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

    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

  • 使用长短期记忆神经网络预测渡轮客流

    使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。

    May, 2024

  • 基于模型的强化学习技术的自主港口导航与测距传感器

    该研究提出了一种基于机器学习的导航算法，能够在各种复杂港口情况下通过距离传感器观察环境来导航内陆船只。结果表明，该算法优于常用的动态窗口方法和基准无模型强化学习算法，从而实现了船只在复杂港口情况下的自主导航。

    Nov, 2023

  • 优化港口运营的预测分析

    通过分析巴西港口的案例研究，本研究旨在为估计船舶总停留时间和潜在延误时间提供竞争力预测和分类能力的港口运营解决方案，为海运物流领域提供了重要贡献，同时增进对港口运营复杂性的整体理解。

    Jan, 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

  • 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

  • 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

  • 预测油轮码头停留时间：一种系统和动态的方法

    本研究提出了一种预测油轮码头停留时间的系统动态方法，使用多方面的数据源和创新性的数据分析及信息提取。该预测模型在历史基线验证的准确率高达 98.81%，可用于港口智能和物流效率的推进。

    Apr, 2022

  • 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