注意意识图表神经网络建模用于AIS接收区域预测
Ambroise Renaud1, Clément Iphar2, Aldo Napoli1
1Centre for Research on Risks and Crises, Mines Paris-PSL, F-06904 Sophia Antipolis, France.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
预测自动识别系统 (AIS) 的接收对于船只跟踪至关重要. 一种新的图形神经网络方法通过分析环境数据来提高准确性,优于传统方法.
科学领域:
- 海洋技术的海洋技术
- 机器学习是机器学习.
- 信号的传播信号的传播
背景情况:
- 准确的自动识别系统 (AIS) 接收预测对于可靠的船舶跟踪和异常检测至关重要.
- 由于复杂的输入要求,传统的传播模型在动态环境中扎.
- 现有的方法可能导致船只定位和行为分析错误.
研究的目的:
- 建议使用图形神经网络 (GNN) 来建模AIS接收的数据驱动方法.
- 通过整合环境和地理变量来提高预测AIS接收区域的准确性.
- 在动态的海洋环境中克服传统传播模式的局限性.
主要方法:
- 使用了GraphSAGE框架,其注意力机制以变压器为灵感.
- 集成的双向长期短期记忆 (BiLSTM) 用于注意力系数和注意力聚合模块.
- 在现实世界的AIS数据上训练了GNN模型,并与地形和气象特征相结合.
主要成果:
- 该GNN模型有效地捕获了本地和远程AIS接收模式.
- 与ITU-R P.2001和XGBoost.等经典基线相比,实现了优越的性能.
- 在F1得分和AIS接收预测准确度方面显著改善.
结论:
- 深度学习,特别是GNN,为模拟传感器接收提供了一种强大的方法.
- 拟议的方法通过改进的AIS预测,提高了船舶跟踪和异常检测的准确性.
- 突出了数据驱动技术在分析海事应用复杂传感器网络数据方面的潜力.
