[論文レビュー] FRA-LSTM: A Vessel Trajectory Prediction Method Based on Fusion of the Forward and Reverse Sub-Network

Jin Chen, Xingchen Li+3 more|arXiv (Cornell University)|Jan 19, 2022

Maritime Navigation and Safety被引用数 5

ひとこと要約

本稿では、FRA-LSTMを提案する。これは、前方および逆方向LSTMサブネットワークを注意メカニズムで統合することで、短期的・中期的・長期的船舶軌道予測を向上させる、AISデータ駆動型の軌道予測モデルである。歴史的および逆方向の軌道系列を同時にモデル化することにより、FRA-LSTMは、BiLSTMおよびSeq2seqベースラインと比較して、短期予測で最大96.8%、長期予測で最大90.1%の予測精度向上を達成する。

ABSTRACT

In order to improve the vessel's capacity and ensure maritime traffic safety, vessel intelligent trajectory prediction plays an essential role in the vessel's smart navigation and intelligent collision avoidance system. However, current researchers only focus on short-term or long-term vessel trajectory prediction, which leads to insufficient accuracy of trajectory prediction and lack of in-depth mining of comprehensive historical trajectory data. This paper proposes an Automatic Identification System (AIS) data-driven long short-term memory (LSTM) method based on the fusion of the forward sub-network and the reverse sub-network (termed as FRA-LSTM) to predict the vessel trajectory. The forward sub-network in our method combines LSTM and attention mechanism to mine features of forward historical trajectory data. Simultaneously, the reverse sub-network combines bi-directional LSTM (BiLSTM) and attention mechanism to mine features of backward historical trajectory data. Finally, the final predicted trajectory is generated by fusing output features of the forward and reverse sub-network. Based on plenty of experiments, we prove that the accuracy of our proposed method in predicting short-term and mid-term trajectories has increased by 96.8% and 86.5% on average compared with the BiLSTM and Seq2seq. Furthermore, the average accuracy of our method is 90.1% higher than that of compared the BiLSTM and Seq2seq in predicting long-term trajectories.

研究の動機と目的

• 現在の船舶軌道予測手法が短期または長期予測に限定されていることによる精度の限界を解消すること。
• 既存のモデルが歴史的AIS軌道データからの包括的特徴抽出が不足していることの是正。
• 船舶移動における前向きおよび後向きの時間的依存性を両方捉える統合的ディープラーニングフレームワークの構築。
• 双方向シーケンスモデリングを用いて、短期的・中期的・長期的軌道予測の性能を向上させること。

提案手法

• 本手法は、標準LSTMと注意メカニズムを組み合わせた前方サブネットワークを用い、歴史的軌道系列からの特徴抽出を実施する。
• 逆方向サブネットワークは、同じデータから逆方向に移動する軌道パターンをモデル化するために、双方向LSTM（BiLSTM）と注意メカニズムを用いる。
• 両サブネットワークからの特徴表現を統合し、船舶移動の包括的で文脈的な表現を生成する。
• 統合された特徴は、両時間方向からの補完的情報を活用して、次に予測される位置を推定するために用いられる。
• モデルは、軌道予測性能を最適化するために、実際のAISデータ上でエンドツーエンドで訓練される。
• 両サブネットワークに注意メカニズムを適用し、より関連性の高い歴史的または逆方向の軌道セグメントを動的に強調する。

実験結果

リサーチクエスチョン

• RQ1 前方および逆方向LSTMサブネットワークの統合は、複数の時間スケールにわたる船舶軌道予測の精度向上に寄与するか？
• RQ2 前方および逆方向サブネットワークに注意メカニズムを組み込むことで、AISデータからの特徴抽出はどのように向上するか？
• RQ3 提案されたFRA-LSTMモデルは、標準のBiLSTMおよびSeq2seqモデルと比較して、短期的・中期的・長期的軌道予測においてどの程度優れているか？
• RQ4 前向きおよび後向きの時間的依存性を同時にモデル化することは、船舶軌道予測における一般化性能およびロバストネスの向上に寄与するか？

主な発見

• FRA-LSTMは、BiLSTMおよびSeq2seqモデルと比較して、短期的軌道予測精度を平均96.8%向上させる。
• 本手法は、同じベースラインと比較して、中期的軌道予測で平均86.5%の精度向上を達成する。
• 長期的軌道予測において、FRA-LSTMはBiLSTMおよびSeq2seqモデルと比較して、平均90.1%の精度向上を示す。
• 前方および逆方向サブネットワークを注意メカニズムで統合することで、よりロバストで文脈に裏付けられた軌道予測が可能になる。
• 提案されたモデルは、最近の移動パターンと歴史的移動パターンの両方を効果的に捉え、多様な時間スケールで予測性能を向上させる。