May, 2024

通过 H3 索引和因果语言建模（CLM）改进海上轨迹预测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用语言基础模型进行人类移动预测

    本文提出了一种新的基于语言基础模型的时间序列模式挖掘流程，以用于人类移动预测任务，该模型通过引入特定提示将数值时间序列转换为句子，以便直接应用于现有语言模型，设计了一个 AuxMobLCast 流程用于预测每个 POI 的访客数量，结合了辅助 POI 分类和编码器 - 解码器架构，实证证明了该流程在移动性预测任务中发现序列模式的有效性，并在三个真实数据集上进行了评估，表现良好。

    Sep, 2022

  • 基于上下文无关聚类的可靠、快速、准确的轨迹预测

    提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

    Jul, 2023

  • 将导航背景融入内陆船舶轨迹预测：一种高斯混合模型和 Transformer 方法

    使用高斯混合模型对内陆航运中的船舶轨迹进行预测，在预测中整合了自动识别系统和泄放测量数据，以提高轨迹预测的准确性。

    Jun, 2024

  • 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

  • 地理空间预测的图神经网络

    利用 GraphTransformers 框架，在地理空间序列中进行轨迹预测，通过显式利用自动生成的图结构，可以显著改善地理空间轨迹预测。在 HurDAT 数据集上，我们的 GraphTransformer 方法明显优于基于 Transformer 的基准方法，用于基于 6 小时为间隔的飓风轨迹预测。

    Oct, 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

  • 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