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

Jin Chen, Xingchen Li+3 more|arXiv (Cornell University)|Jan 19, 2022

Maritime Navigation and Safety被引用 5

一句话总结

该论文提出FRA-LSTM，一种基于AIS数据驱动的轨迹预测模型，通过融合前向和反向LSTM子网络与注意力机制，提升短、中、长时程船舶轨迹预测性能。通过联合建模历史与反向轨迹序列，FRA-LSTM相较于BiLSTM和Seq2seq基线模型，在短时预测中准确率提升高达96.8%，在长时预测中提升高达90.1%。

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.

研究动机与目标

• 为解决现有船舶轨迹预测方法仅关注短时或长时预测而导致准确率有限的问题。
• 克服现有模型在从历史AIS轨迹数据中提取全面特征方面的不足。
• 开发一种统一的深度学习框架，以捕捉船舶运动中的前向与后向时间依赖性。
• 通过双向序列建模，提升短、中、长时程轨迹预测的整体性能。

提出的方法

• 该方法采用一个前向子网络，结合标准LSTM与注意力机制，从历史轨迹序列中提取特征。
• 一个反向子网络使用双向LSTM（BiLSTM）与注意力机制，对同一数据中的反向移动轨迹模式进行建模。
• 将两个子网络的特征表示进行融合，生成船舶运动的综合上下文表征。
• 利用融合后的特征预测轨迹中的下一个位置，充分结合两个时间方向的互补信息。
• 模型在真实AIS数据上进行端到端训练，以优化轨迹预测性能。
• 在两个子网络中均应用注意力机制，动态强调更相关的历史或反向轨迹片段。

实验结果

研究问题

• RQ1 前向与反向LSTM子网络的融合是否能提升多时间尺度下的船舶轨迹预测准确率？
• RQ2 在前向与反向子网络中引入注意力机制，如何增强从AIS数据中提取特征的能力？
• RQ3 所提出的FRA-LSTM模型在短、中、长时轨迹预测中，相较于标准BiLSTM与Seq2seq模型，性能提升程度如何？
• RQ4 同时建模前向与后向时间依赖性是否能提升船舶轨迹预测的泛化能力与鲁棒性？

主要发现

• 与BiLSTM和Seq2seq模型相比，FRA-LSTM在短时轨迹预测中的准确率平均提升96.8%。
• 在中时轨迹预测中，该方法相较相同基线模型实现了平均86.5%的准确率增益。
• 在长时轨迹预测中，FRA-LSTM相较于BiLSTM和Seq2seq模型，平均准确率提升达90.1%。
• 通过融合前向与反向子网络及注意力机制，实现了更鲁棒且上下文感知更充分的轨迹预测。
• 所提出模型能有效捕捉近期与历史运动模式，从而在多种时间尺度下提升预测性能。