[논문 리뷰] FRA-LSTM: A Vessel Trajectory Prediction Method Based on Fusion of the Forward and Reverse Sub-Network

Jin Chen, Xingchen Li외 3명|arXiv (Cornell University)|2022. 01. 19.

Maritime Navigation and Safety인용 수 5

한 줄 요약

이 논문은 FRA-LSTM을 제안하며, 이는 전방 및 역방향 LSTM 하위 네트워크를 주의 메커니즘과 융합하여 단기, 중기, 장기 선박 항로 예측 성능을 향상시키는 AIS 데이터 기반의 궤적 예측 모델이다. 역사적 궤적 시퀀스와 역방향 궤적 시퀀스를 동시에 모델링함으로써, FRA-LSTM는 BiLSTM 및 Seq2seq 기준 모델 대비 단기 예측에서 최대 96.8% 향상되고 장기 예측에서 최대 90.1% 향상되는 정확도 향상을 달성한다.

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.

연구 동기 및 목표

• 현재의 선박 궤적 예측 방법이 단기 또는 장기 예측에만 집중함으로써 발생하는 정확도 한계를 해결하기 위해.
• 기존 모델들이 역사적 AIS 궤적 데이터로부터 종합적인 특징 추출이 부족함을 보완하기 위해.
• 선박 이동의 전방 및 역방향 시간적 의존성을 모두 포착하는 통합된 딥러닝 프레임워크를 개발하기 위해.
• 양방향 시퀀스 모델링을 활용하여 단기, 중기, 장기 궤적 예측 전반에 걸쳐 예측 성능을 향상시키기 위해.

제안 방법

• 이 방법은 표준 LSTM과 주의 메커니즘을 조합한 전방 하위 네트워크를 활용하여 역사적 궤적 시퀀스에서 특징을 추출한다.
• 역방향 하위 네트워크는 동일한 데이터에서 역행하는 궤적 패턴을 모델링하기 위해 양방향 LSTM(BiLSTM)과 주의 메커니즘을 사용한다.
• 양방향 하위 네트워크에서 유도된 특징 표현을 융합하여 선박 이동의 종합적인 맥락적 표현을 생성한다.
• 융합된 특징 표현은 양방향 시간 방향에서 유용한 보완 정보를 활용하여 궤적의 다음 위치를 예측하는 데 사용된다.
• 모델은 실제 AIS 데이터를 기반으로 엔드 투 엔드로 훈련되어 궤적 예측 성능을 최적화한다.
• 양방향 하위 네트워크 전반에 주의 메커니즘이 적용되어 더 관련성이 높은 역방향 또는 역사적 궤적 세그먼트를 동적으로 강조한다.

실험 결과

연구 질문

• RQ1 전방 및 역방향 LSTM 하위 네트워크의 융합이 다양한 시간 간격 예측에서 선박 궤적 예측 정확도 향상에 기여하는가?
• RQ2 전방 및 역방향 하위 네트워크에 주의 메커니즘을 통합함으로써 AIS 데이터에서 특징 추출이 어떻게 향상되는가?
• RQ3 제안된 FRA-LSTM 모델이 BiLSTM 및 Seq2seq 기준 모델 대비 단기, 중기, 장기 궤적 예측에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 전방 및 역방향 시간 의존성 모두를 모델링함으로써 예측의 일반화 능력과 강건성이 향상되는가?

주요 결과

• FRA-LSTM는 BiLSTM 및 Seq2seq 기준 모델 대비 단기 궤적 예측 정확도를 평균 96.8% 향상시킨다.
• 이 방법은 동일한 기준 모델 대비 중기 궤적 예측에서 평균 86.5%의 정확도 향상을 달성한다.
• 장기 궤적 예측에서는 FRA-LSTM가 BiLSTM 및 Seq2seq 모델 대비 평균 90.1%의 정확도 향상을 보였다.
• 전방 및 역방향 하위 네트워크를 주의 메커니즘과 융합함으로써 더 강건하고 맥락 기반의 궤적 예측이 가능해진다.
• 제안된 모델은 최근 이동 패턴뿐 아니라 역사적 이동 패턴까지 효과적으로 포착하여 다양한 시간 척도에서 예측 성능을 향상시킨다.