[논문 리뷰] Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways

Tom Legel, Dirk Söffker외 2명|arXiv (Cornell University)|2026. 03. 04.

Maritime Navigation and Safety인용 수 0

한 줄 요약

논문은 내수수로에서 선박 도메인 기반 가중치를 어텐션과 분리하고, 학습된 선박 도메인 값의 설명 가능성을 분석하며, 약 5분에 대해 약 40 m FDE의 정확도로 baselines와 비교 가능한 성능을 보이는 interaction-aware LSTM 기반 다중 선박 궤적 예측 모델의 세 가지 변형을 제안한다.

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.

연구 동기 및 목표

• 혼잡한 내수 수로에서 안전 및 교통 관리 강화를 위한 정확한 궤적 예측 동기 부여.
• 내부 맥락에서의 상호작용 인식 예측 접근법과 해석 가능성 조사.
• 해석 가능성을 위한 설명 가능성 및 대안 분석을 가능하게 상호작용 가중치를 어텐션과 분리하는 모델 개발.
• 향상된 예측이 우연한 상관이 아닌 실제 상호작용 인식에서 비롯되는지 평가.

제안 방법

• LSTM 인코더-디코더와 글로벌 Luong 스타일 어텐션을 이용해 다중 선박 궤적 예측을 함수로 공식화.
• 도 discretized encounter 유형에 기반한 숨김 상태 융합을 가중하기 위해 학습 가능한 ship-domain 매개변수 텐서 S(Γ,Θ,Φ) 도입.
• 측면 거리, 상대 방향, 거리 변화율로부터 선박 간 관계 값 Γ, Θ, Φ 정의.
• 세 가지 모델 변형 EA-DA, E-DA, E-DDA를 개발하여 상호 작용 가중치와 어텐션 분리, E-DDA는 맹점 디코더와 주의 디코더를 추가로 분리.
• Rhine AIS 데이터를 사용하여 예측 수평선에서 최종 변위 오차(FDE)로 평가.
• 상호 작용 비의존적 베이스라인과 비교 및 해석 가능성을 위한 선박 도메인 매개변수 분석.

실험 결과

연구 질문

• RQ1 학습 가능한 선박 도메인 매개변수가 대상 선박의 미래 궤적에 영향을 주는 encounter 유형을 효과적으로 나타낼 수 있는가?
• RQ2 상호 작용 가중치를 어텐션 메커니즘과 분리하는 것이 예측 정확도를 저하시키지 않으면서 설명 가능성을 향상시키는가?
• RQ3 다양한 encounter 유형이 포함된 실내 수로 시나리오에서 다른 모델 변형(EA-DA, E-DA, E-DDA)은 어떻게 수행하는가?
• RQ4 예측 개선이 실제 상호 작용 인식 때문인가, 아니면 다른 모델 요소 때문인가?
• RQ5 학습된 선박 도메인 값은 내수 맥락에서 상대 방향 선박 대 동일 방향 선박에 대한 주의(attention)와 관련해 어떤 시사점을 보여주는가?

주요 결과

• 최종 5-step horizon FDE는 약 40미터 수준이며, 제안된 모델들이 유사 연구에 비해 경쟁력 있는 정확도를 보인다.
• E-DA 변형이 EA-DA와 상호 작용 비의존적 베이스라인보다 수평선 전반에 걸쳐 더 낮은 오차를 보인다.
• E-DDA가 EA-DA를 능가하여 목표 처리와 이웃 처리의 분리 이점이 어텐션에서 나타난다.
• 학습된 선박 도메인 매개변수는 직관적 상호 작용 중요성과 일관되게 정렬되지 않으므로 정확도 향상이 순전히 상호 작용 인식 때문만은 아님을 시사한다.
• 분석 결과 이 아키텍처가 설명 가능성을 제공하여 반사실적(counterfactual) 분석 가능성을 열지만, 어텐션 메커니즘은 추가 개선이 필요하다.