改进的上下文敏感转换器模型用于内陆船舶轨迹预测

Jun, 2024

改进的上下文敏感转换器模型用于内陆船舶轨迹预测

Improved context-sensitive transformer model for inland vessel trajectory prediction

Kathrin Donandt, Karim Böttger, Dirk Söffker

TL;DR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。

Abstract

Physics-related and model-based vessel trajectory prediction is highly accurate but requires specific knowledge of the vessel under consideration which is not always practical. machine learning-based trajectory p

vessel trajectory prediction machine learning deep learning spatial constraints inland navigation

发现论文，激发创造

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

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

自主系统的空间和社会情境感知基于 Transformer 的轨迹预测

提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

Jun, 2024

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

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

基于重力信息的船舶流量与外来物种侵入风险预测的深度学习框架

基于物理启发模型和变压器的新模型开发以预测海上航运交通以及通过全球运输网络传播的入侵物种蔓延的风险评估和管理技术。

Jan, 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

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

CCDSReFormer: 基于交叉双流增强校正变压器模型的交通流预测

精确、高效的交通预测对于智能交通系统至关重要，在城市交通规划和管理中具有重要意义。我们介绍了 Criss-Crossed Dual-Stream Enhanced Rectified Transformer 模型（CCDSReFormer），该模型通过 Enhanced Rectified Spatial Self-attention（ReSSA）、Enhanced Rectified Delay Aware Self-attention（ReDASA）和 Enhanced Rectified Temporal Self-attention（ReTSA）三个创新模块，旨在降低计算需求、更好地理解交通动态，并通过独特的学习方法融合空间和时间的见解。对六个真实数据集的广泛测试显示 CCDSReFormer 具有更优越的性能，消融研究也证实了每个组件对模型预测准确性的显著影响，展示了我们模型有效预测交通流量的能力。

Mar, 2024

基于上下文视觉转换器的交通事故风险预测

本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

Sep, 2022