[论文解读] The Unsupervised Method of Vessel Movement Trajectory Prediction

Chih‐Wei Chen, Charles Harrison+1 more|arXiv (Cornell University)|Jul 27, 2020

Maritime Navigation and Safety参考文献 9被引用 4

一句话总结

本文提出了一种基于无监督聚类的轨迹重建（CBTR）方法，用于在无需训练数据的情况下，利用AIS数据预测船舶运动轨迹。通过在时间差、归一化误差距离和时空角度的三维特征空间中建模船舶运动，该方法通过选择路径拟合候选点来提高预测精度，在50%数据下采样条件下仍能达到超过99%的正确邻居率。

ABSTRACT

In real-world application scenarios, it is crucial for marine navigators and security analysts to predict vessel movement trajectories at sea based on the Automated Identification System (AIS) data in a given time span. This article presents an unsupervised method of ship movement trajectory prediction which represents the data in a three-dimensional space which consists of time difference between points, the scaled error distance between the tested and its predicted forward and backward locations, and the space-time angle. The representation feature space reduces the search scope for the next point to a collection of candidates which fit the local path prediction well, and therefore improve the accuracy. Unlike most statistical learning or deep learning methods, the proposed clustering-based trajectory reconstruction method does not require computationally expensive model training. This makes real-time reliable and accurate prediction feasible without using a training set. Our results show that the most prediction trajectories accurately consist of the true vessel paths.

研究动机与目标

• 解决在缺乏标注训练数据的情况下，利用稀疏、噪声大且采样不规则的AIS数据实时预测船舶轨迹的挑战。
• 克服监督学习模型在处理可变样本大小、不规则时间采样以及海上AIS流中高噪声时的局限性。
• 开发一种可扩展、符合大数据处理要求的方法，通过利用局部位置和运动学信息重建船舶轨迹。
• 在存在数据缺失和身份丢失的情况下实现高精度轨迹预测，适用于海上安全与导航。
• 在诺福克、弗吉尼亚州的真实和模拟区域AIS数据上，验证该方法在下采样条件下的鲁棒性。

提出的方法

• 将每个船舶点表示在三维特征空间中，该空间结合了点间的时间差、预测位置与实际位置之间的归一化误差距离，以及时空角度。
• 利用前向和后向预测位置（P⁺(xᵢ) 和 P⁻(xⱼ)）计算误差距离，以衡量路径拟合程度而非静态点之间的接近程度。
• 通过局部优化进行聚类：若误差距离最小化且满足角度约束，则连接点 xᵢ 和 xⱼ。
• 施加几何和时间约束：时间差 ≤ 1000 秒，时空角度 ≤ 84.26°（对于运动对）或 ≤ 18.19°（对于静止对），且空间距离 < 350 米。
• 通过阈值选择归一化误差距离和转向角（≤ 53.13°）来筛选合理的轨迹段。
• 采用贪心的局部搜索策略，迭代地将候选点合并为连贯的轨迹，避免全局模型训练。

实验结果

研究问题

• RQ1 无监督方法是否能从未标记的、噪声大且不完整的AIS数据中准确重建船舶轨迹，而无需任何标注训练数据？
• RQ2 与传统方法相比，所提出的三维特征空间（时间差、归一化误差距离、时空角度）在提升轨迹预测精度方面有多显著？
• RQ3 所提出的CBTR算法在数据下采样（如20%和50%点移除）条件下，其精度保持程度如何？
• RQ4 使用该方法正确聚类船舶路径的充分与必要条件是什么？
• RQ5 在具有不规则采样和身份缺失的真实区域海上数据中，该方法表现如何？

主要发现

• 所提出的CBTR方法在使用方法(1)对AIS数据集进行20%下采样时，正确邻居率分别为0.9960、0.9951和0.9942，表明其具有高度鲁棒性。
• 在50%下采样（方法1）条件下，正确邻居率仍保持在0.9924、0.9910和0.9892的高水平，证明其对数据缺失具有强适应能力。
• 该方法无需训练即可成功重建真实船舶轨迹，适用于实际海上运行环境中的实时部署。
• 理论分析表明，只有当满足特定几何和时间条件（如角度 ≤ 84.26°，时间间隔 ≤ 1000 秒）时，才能实现正确路径聚类。
• 该方法通过关注预测路径的拟合度而非静态点的接近度，优于传统方法，减少了错误连接。
• 由于依赖于局部运动一致性与预测建模，该算法在数据稀疏或受损时仍能保持高精度。