[論文レビュー] Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive Treatment

Enmei Tu, Guanghao Zhang+3 more|arXiv (Cornell University)|Jan 2, 2020

Maritime Navigation and Safety参考文献 36被引用数 31

ひとこと要約

本論文は、外れ値除去、簡潔な特徴表現、動きの傾向アンサンブル学習を組み合わせ、船舶の経路予測のための巨大な歴史的AIS軌跡データをモデル化する包括的なフレームワークを提案し、いくつかのベースラインに対する精度が優れていることを示す。

ABSTRACT

The prosperity of artificial intelligence has aroused intensive interests in intelligent/autonomous navigation, in which path prediction is a key functionality for decision supports, e.g. route planning, collision warning, and traffic regulation. For maritime intelligence, Automatic Identification System (AIS) plays an important role because it recently has been made compulsory for large international commercial vessels and is able to provide nearly real-time information of the vessel. Therefore AIS data based vessel path prediction is a promising way in future maritime intelligence. However, real-world AIS data collected online are just highly irregular trajectory segments (AIS message sequences) from different types of vessels and geographical regions, with possibly very low data quality. So even there are some works studying how to build a path prediction model using historical AIS data, but still, it is a very challenging problem. In this paper, we propose a comprehensive framework to model massive historical AIS trajectory segments for accurate vessel path prediction. Experimental comparisons with existing popular methods are made to validate the proposed approach and results show that our approach could outperform the baseline methods by a wide margin.

研究の動機と目的

• 品質が低い不規則で大量のAISデータから船舶の経路を予測するという課題を動機づけ、解決する。
• 自動的な軌道外れ値検出、簡潔なサンプル表現、そして動作傾向アンサンブル学習の3部構成フレームワークを開発する。
• 複数の船種と地域にまたがる実データ AISデータセットで、堅牢性と精度を示す。

提案手法

• 鋭い旋回や自己交差といった異常な運動パターンを識別し、改良版のRamer-Douglas-Peuckerに基づく手法を適用して軌道外れ値を検出する。
• 局所座標系に変換し、運動学的/静的特徴（緯度/経度、速度、SOG、COG など）を抽出して、不規則なAISサンプルから一様で有益な特徴ベクトルを構築する。
• サンプルをクラスタリングし各クラスタに対してクラスタ特化モデル（ELM）を学習することで動作傾向アンサンブル学習を実装し、最も性能の高いモデルの予測を重み付け方式で統合する。

実験結果

リサーチクエスチョン

• RQ1 過去のAIS軌跡区間を効果的にモデリングして、15–60分後の船舶位置を予測できるだろうか？
• RQ2 運動パターン特化モデルのアンサンブルは、多様なAISデータに対して単一モデルのベースラインを上回るか？
• RQ3 サンプル表現と外れ値除去が、船種や地域を超えた予測精度と堅牢性にどのように影響するか？

主な発見

Time (min)	ELM	LS-SVM	MLP	GMM	GPR	提案手法
15	1.35	1.33	3.13	1.77	2.19	0.53
30	3.49	3.55	5.42	5.09	5.19	1.31
45	5.85	5.90	8.03	9.44	9.89	2.34
60	8.48	8.60	10.92	14.27	15.07	3.57

• 提案手法は、ベースライン（ELM、LS-SVM、MLP、GMM、Gaussian Process Regression）よりも15–60分の予測誤差を大幅に低減する。
• 予測誤差の標準偏差が低く、より安定した性能を示す。
• 静的情報（船種、地域）を含めると予測精度がさらに向上する。
• 評価には約100GBのAISデータベース、180船舶からの200軌跡を使用した。
• 現実のAISデータセットにおいて、従来手法を大幅に上回る。