基于多任务学习的AIS数据全球海上轨迹和目的地预测框架

IF 3.9 Q2 TRANSPORTATION

Maritime Transport Research Pub Date : 2022-01-01 DOI:10.1016/j.martra.2022.100072

Wells Wang , Junchi Bin , Amirhossein Zaji , Richard Halldearn , Fabien Guillaume , Eric Li , Zheng Liu

引用次数: 2

摘要

自动识别系统（AIS）最初是为跟踪船只和避免碰撞而开发的。由于近年来发射了许多小型卫星，这些卫星AIS提供商每天都会捕获数百万条AIS消息。大量的数据使航运公司和港口运营商能够更好地预测船只的移动。在这项研究中，通过将深度学习应用于包含自报告定位数据的卫星AIS消息，开发了一个计算框架来预测船只的未来轨迹和目的地。我们将深度学习方法用于大规模海洋预测，并确定了最适合该特定应用的深度神经网络。三个预测模型，卷积神经网络（CNN）、密集神经网络（DNN）和长短期记忆（LSTM）已经在该框架中进行了测试。基于测试结果实现了多任务学习体系结构。通过在训练时共享参数，该架构通过平衡短期轨迹预测来实现长期目的地预测。该框架通过覆盖五个大型海域的实验在全球范围内得到了验证。实验结果表明，LSTM模型的平均准确率为85.1%，优于CNN和DNN，准确率分别为68.3%和78.2%。具有多任务架构的LSTM模型可以实现87.0%的准确率。利用所提出的计算框架，AIS数据可以用于海洋预测，支持更复杂的海洋应用，覆盖更广阔的地理区域。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

A multi-task learning-based framework for global maritime trajectory and destination prediction with AIS data

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊