韩国海上航行中的深度学习创新:通过AIS数据增强船舶轨迹预测

科学领域:

• 海上航行和海上安全
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 准确的船舶轨迹预测对于海上交通安全和有效的船舶管理至关重要.
• 现有的方法往往难以应对原始自动识别系统 (AIS) 数据的复杂性和数量.

研究的目的:

• 开发和评估一种基于深度学习的新方法,用于预测船舶轨迹.
• 提高海上轨道预测的准确性和稳定性.
• 通过先进的预测能力来提高海上交通安全.

主要方法:

• 采用专门的预处理管道来处理大型AIS数据集,包括异常数据删除和上下文数据集成.
• 采用深度学习模型:卷积神经网络 (CNN),深度神经网络 (DNN),长期短期记忆 (LSTM) 和门式循环单元 (GRU).
• 在AIS轨迹数据上训练模型,以学习预测轨迹的模式,提前一小时.

主要成果:

• 卷积神经网络 (CNN) 在船舶轨迹预测中显著降低了平均绝对误差 (MAE) 和平均平方误差 (MSE).
• 对比分析显示,CNN在ADE,FDE和NL-ADE等指标上表现优于其他模型,包括RNN,GRU,LSTM和DBS-LSTM.
• 拟议的数据预处理提高了数据质量,并为深度学习应用程序丰富了数据.

结论:

• 这种基于CNN的新方法为船只轨迹预测提供了强大而准确的解决方案.
• 增强的数据预处理对于提高深度学习模型在这个领域的性能至关重要.
• 这些发现有望在海上交通安全和航行管理方面取得重大进展.