[論文レビュー] The Unsupervised Method of Vessel Movement Trajectory Prediction

Chih‐Wei Chen, Charles Harrison+1 more|arXiv (Cornell University)|Jul 27, 2020

Maritime Navigation and Safety参考文献 9被引用数 4

ひとこと要約

本稿では、学習データを必要とせず、AISデータを用いて船舶の動きの軌道を予測する非教師付きクラスタリングベースの軌道再構成（CBTR）手法を提案する。時間差、スケーリングされた誤差距離、時空角の3次元特徴空間で船舶の運動をモデル化することで、経路適合候補を選択し、予測精度を向上させ、50％のデータダウンサンプリング下でも99％を超える正解近傍率を達成する。

ABSTRACT

In real-world application scenarios, it is crucial for marine navigators and security analysts to predict vessel movement trajectories at sea based on the Automated Identification System (AIS) data in a given time span. This article presents an unsupervised method of ship movement trajectory prediction which represents the data in a three-dimensional space which consists of time difference between points, the scaled error distance between the tested and its predicted forward and backward locations, and the space-time angle. The representation feature space reduces the search scope for the next point to a collection of candidates which fit the local path prediction well, and therefore improve the accuracy. Unlike most statistical learning or deep learning methods, the proposed clustering-based trajectory reconstruction method does not require computationally expensive model training. This makes real-time reliable and accurate prediction feasible without using a training set. Our results show that the most prediction trajectories accurately consist of the true vessel paths.

研究の動機と目的

• ラベル付き学習データが存在しない状態で、スパarsely、ノイジーで不規則にサンプリングされたAISデータから、リアルタイムでの船舶軌道予測の課題に対処すること。
• 監視学習モデルが変動するサンプルサイズ、不規則な時間サンプリング、海洋AISストリームの高ノイズに対処する際の限界を克服すること。
• 局所的な位置および運動情報を利用することで、船舶の軌道を再構成するスケーラブルでビッグデータ対応の手法を開発すること。
• データギャップやIDの欠落下でも正確な軌道予測を可能にし、海洋セキュリティおよび航行に適した環境を実現すること。
• ノーフォーク（バージニア州）の実データおよびシミュレーテッド地域AISデータを用い、ダウンサンプリング条件下での本手法の頑健性を実証すること。

提案手法

• 各船舶点を、点間の時間差、予測位置と実際の位置との間のスケーリング誤差距離、および時空角を組み合わせた3次元特徴空間に表現する。
• 前方および後方の予測位置（P⁺(xᵢ) および P⁻(xⱼ)）を用いて誤差距離を計算し、静的点の近接度ではなく経路の適合度を測定する。
• 局所最適化によるクラスタリングを適用：誤差距離が最小でかつ角度制約を満たす場合に、点 xᵢ と xⱼ を接続する。
• 幾何的および時間的制約を課す：時間差 ≤ 1000 秒、時空角 ≤ 84.26°（移動ペアの場合）または ≤ 18.19°（静止ペアの場合）、空間的距離 < 350 メートル。
• スケーリング誤差距離および旋回角（≤ 53.13°）のしきい値に基づく選択を用い、妥当な軌道セグメントをフィルタリングする。
• グリーディで局所的な探索戦略を繰り返し適用することで、候補点を整合性のある軌道に統合し、グローバルモデルの学習を回避する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付き学習データが一切不要な非教師付き手法が、ノイジーで不完全なAISデータから正確に船舶軌道を再構成できるか？
• RQ2 時間差、スケーリング誤差距離、時空角からなる3次元特徴空間は、従来の手法と比較して、軌道予測精度をどの程度向上させるか？
• RQ3 本手法が、20％および50％のポイント削除（ダウンサンプリング）下でも、どの程度の精度を維持するか？
• RQ4 本手法を用いた船舶経路の正しくクラスタリングするための十分かつ必要条件は何か？
• RQ5 不規則なサンプリングおよびID欠落を伴う実世界の地域的海洋データにおいて、本手法はどの程度の性能を示すか？

主な発見

• 20％のダウンサンプリング条件下（手法1）で、AISデータセットの正解近傍率はそれぞれ0.9960、0.9951、0.9942を達成し、高い頑健性を示す。
• 50％のダウンサンプリング（手法1）下でも、正解近傍率は0.9924、0.9910、0.9892に維持され、データギャップに強いことを示す。
• 本手法は学習を一切行わずして真の船舶軌道を再構成可能であり、運用上の海洋環境におけるリアルタイム導入に適している。
• 理論的分析により、特定の幾何的および時間的条件（例：角度 ≤ 84.26°、時間ギャップ ≤ 1000 秒）を満たす場合にのみ、正しい経路クラスタリングが発生することが確認された。
• 静的点の近接度ではなく、予測された経路の適合度に注目することで、従来手法に比べて誤った接続を低減し、性能が優れている。
• 局所的な運動的一致性と予測モデリングに依存するため、データが疎であったり破損していても、本手法は高い精度を維持する。