[论文解读] Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive Treatment

Enmei Tu, Guanghao Zhang+3 more|arXiv (Cornell University)|Jan 2, 2020

Maritime Navigation and Safety参考文献 36被引用 31

一句话总结

本论文提出一个综合框架，用于对大量历史 AIS 航迹数据进行船舶路径预测，结合异常值移除、简洁特征表示和运动趋势集成学习，并在与若干基线相比显示出更高的准确性。

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.

研究动机与目标

• 在不规则、海量的 AIS 数据质量较低的条件下，推动并解决船舶路径预测的挑战。
• 构建一个三部分框架：自动轨迹离群检测、简洁样本表示，以及运动趋势集成学习。
• 在涵盖多种船舶类型和区域的真实 AIS 数据集上展示鲁棒性和准确性。

提出的方法

• 通过识别异常移动模式（急转弯和自相交）来检测轨迹离群，并应用改进的基于 Ramer-Douglas-Peucker 的方法。
• 通过将不规则 AIS 样本转换到局部坐标系并提取运动学/静态特征（纬度/经度、速度、SOG、COG 等），构建统一且信息丰富的特征向量。
• 通过对样本进行聚类、为每个簇训练簇特定模型（ELM），并通过加权方案融合表现最佳模型的预测，从而实现运动趋势集成学习。

实验结果

研究问题

• RQ1 历史 AIS 航迹片段是否能被有效建模，以在 15–60 分钟内预测未来的船舶位置？
• RQ2 基于多种运动模式的模型集成是否在多样化的 AIS 数据上优于单一模型的基线？
• RQ3 样本表示与离群值移除如何影响不同船舶类型与区域上的预测准确性与鲁棒性？

主要发现

Time (min)	ELM	LS-SVM	MLP	GMM	GPR	Ours
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

• 所提出的方法在 15–60 分钟区间相较基线（ELM、LS-SVM、MLP、GMM、Gaussian Process Regression）实现了显著更低的预测误差。
• 该方法的预测误差标准差更低，表明性能更稳定。
• 包含静态信息（船舶类型、区域）进一步提高预测准确性。
• 用于评估的 AIS 数据库约 100 GB，包含来自 180 艘船舶的 200 条轨迹。
• 该方法在真实世界 AIS 数据集上对基线取得了显著优势。