[논문 리뷰] Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive Treatment

Enmei Tu, Guanghao Zhang외 3명|arXiv (Cornell University)|2020. 01. 02.

Maritime Navigation and Safety참고 문헌 36인용 수 31

한 줄 요약

이 논문은 대규모 역사 AIS 궤적 데이터를 선박 경로 예측에 모델링하기 위한 포괄적 프레임워크를 제안하고, 이상치 제거, 간결한 특징 표현, 모션-트렌드 앙상블 학습을 결합하며, 여러 baselines에 비해 우수한 정확도를 시연한다.

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.

연구 동기 및 목표

• 비정형이고 대용량의 AIS 데이터에서 품질이 낮은 상태로 선박 경로를 예측하는 도전과제를 동기부여하고 다룬다.
• 자동 궤적 이상치 탐지, 간결한 샘플 표현, 모션-트렌드 앙상블 학습의 3부 프레임워크를 개발한다.
• 여러 선박 유형 및 지역에 걸친 실제 AIS 데이터셋에서 강건성과 정확성을 입증한다.

제안 방법

• 궤적 이상치를 감지: 급회전 및 자기 교차를 식별하고 개선된 Ramer-Douglas-Peucker 기반 접근법을 적용.
• 불규칙한 AIS 샘플로부터 로컬 좌표계로 변환하고 운동/정적 특징(위도/경도, 속도, SOG, COG 등)을 추출하여 균일하고 정보-rich 벡터를 구성한다.
• 샘플 클러스터링, 각 클러스터에 대해 클러스터 특화 모델(ELM)을 학습하고 가중치 방식으로 최상의 모델들의 예측을 융합한다.

실험 결과

연구 질문

• RQ1 과거 AIS 궤적 구간이 15–60분 간의 미래 선박 위치를 효과적으로 예측하도록 모델링될 수 있는가?
• RQ2 모션 패턴 특화 모델들의 앙상블이 다양한 AIS 데이터에서 단일 모델 기준선을 능가하는가?
• RQ3 샘플 표현과 이상치 제거가 선박 유형과 지역에 걸친 예측 정확도와 강건성에 어떤 영향을 미치는가?

주요 결과

시간 (분)	ELM	LS-SVM	MLP	GMM	GPR	당사
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

• 제안된 방법은 15–60분 범위에서 기저모델들(ELM, LS-SVM, MLP, GMM, Gaussian Process Regression)보다 예측 오차를 훨씬 낮게 달성한다.
• 예측 오차의 표준편차가 낮아 더 안정적인 성능을 시사한다.
• 정적 정보(선박 유형, 지역)를 포함하면 예측 정확도가 더욱 향상된다.
• 약 100 GB 규모의 AIS 데이터베이스로 180척의 선박으로부터 200 궤적이 평가에 사용되었다.
• 이 접근법은 실제 AIS 데이터세트에서 베이스라인보다 광범위하게 우수하다.