[論文レビュー] Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways

Tom Legel, Dirk Söffker+2 more|arXiv (Cornell University)|Mar 4, 2026

Maritime Navigation and Safety被引用数 0

ひとこと要約

この論文は、内陸水路における船舶ドメインベースの重み付けをアテンションと分離した3つの変種の相互作用意識型LSTMベースのマルチシップ軌道予測モデルを提案し、学習された船舶ドメイン値の説明可能性を分析し、約40m FDEで5分時点のベースラインと同等の精度を示す。

ABSTRACT

Accurate predictions of ship trajectories in crowded environments are essential to ensure safety in inland waterways traffic. Recent advances in deep learning promise increased accuracy even for complex scenarios. While the challenge of ship-to-ship awareness is being addressed with growing success, the explainability of these models is often overlooked, potentially obscuring an inaccurate logic and undermining the confidence in their reliability. This study examines an LSTM-based vessel trajectory prediction model by incorporating trained ship domain parameters that provide insight into the attention-based fusion of the interacting vessels' hidden states. This approach has previously been explored in the field of maritime shipping, yet the variety and complexity of encounters in inland waterways allow for a more profound analysis of the model's interpretability. The prediction performance of the proposed model variants are evaluated using standard displacement error statistics. Additionally, the plausibility of the generated ship domain values is analyzed. With an final displacement error of around 40 meters in a 5-minute prediction horizon, the model performs comparably to similar studies. Though the ship-to-ship attention architecture enhances prediction accuracy, the weights assigned to vessels in encounters using the learnt ship domain values deviate from the expectation. The observed accuracy improvements are thus not entirely driven by a causal relationship between a predicted trajectory and the trajectories of nearby ships. This finding underscores the model's explanatory capabilities through its intrinsically interpretable design. Future work will focus on utilizing the architecture for counterfactual analysis and on the incorporation of more sophisticated attention mechanisms.

研究の動機と目的

• crowded inland waterways における安全性と交通管理を向上させるための正確な軌道予測の動機づけ。
• 内陸環境での相互作用認識予測アプローチとその解釈可能性の調査。
• 解釈可能性と反実仮想分析を可能にするため、相互作用重み付けとアテンションを分離するモデルの開発。
• 向上した予測が真の相互作用認識に起因するのか、偶発的な相関に起因するのかを評価。

提案手法

• LSTMエンコーダ-デコーダとグローバル Luong スタイルのアテンションを用いてマルチシップ軌道予測を関数として定式化。
• 离散化された遭遇タイプに基づく隠れ状態の融合を重み付けする学習可能な船舶ドメインパラメータテンソル S(Γ,Θ,Φ) を導入。
• 船対船の関係値 Γ, Θ, Φ を横方向距離、相対方向、距離変化率から定義。
• Three model variants を提案：EA-DA、E-DA、E-DDA、相互作用重み付けとアテンションを分離し、E-DDA は Blind デコーダと Attentive デコーダをさらに分離。
• Rhine AIS データ（3年、2021–2024）における予測ホライズンごとの最終変位誤差（FDE）で評価。
• 相互作用非依存のベースラインと比較し、解釈性のための船舶ドメインパラメータを分析。

実験結果

リサーチクエスチョン

• RQ1 学習可能な船舶ドメインパラメータは、どの遭遇タイプが対象船の将来軌道に影響を与えるかを効果的に示せるか？
• RQ2 相互作用重み付けをアテンション機構から分離することは、予測精度を犠牲にせず説明可能性を改善するか？
• RQ3 異なるモデル変種（EA-DA, E-DA, E-DDA）は、遭遇タイプが異なる内陸水路シナリオでどのように性能するか？
• RQ4 予測の改善は実際の相互作用認識に起因するのか、それとも他のモデル要因に起因するのか？
• RQ5 learned ship-domain 値は、内陸環境における反対方向船舶と同方向船舶へのアテンションに関して何を示すか？

主な発見

• 最終5ステップのホライズンFDEは約40メートルであり、提案手法は同様の研究と比べて精度が競合的。
• E-DA 変種は EA-DA および相互作用非依存ベースラインより、ホライズンを通して誤差が小さい。
• E-DDA は EA-DA より優れており、アテンションにおけるターゲット処理と近傍処理を分離する利点を示す。
• 学習された船舶ドメインパラメータは直感的な相互作用重要性と一貫して一致しない場合があり、精度向上が必ずしも相互作用認識のみに起因するわけではない。
• 分析はアーキテクチャが説明能力を提供することを示唆し、反事実分析の可能性を開く一方で、アテンション機構のさらなる改良が必要である。