Building a Safer Maritime Environment Through Multi-Path Long-Term Vessel Trajectory Forecasting

要約

海上輸送は世界経済の成長を達成する上で最も重要であり、持続可能性と絶滅危惧種の海洋種の保護、特にクジラの大規模な個体群の保護という生態学的義務を同時に伴います。
この点において、自動識別システム (AIS) データは、船舶の動きに関するリアルタイムのストリーミング データを提供することで重要な役割を果たし、交通監視の強化を可能にします。
この研究では、人工の AIS データ シーケンスから長期的な船舶の軌道を予測することにより、AIS データを使用して船舶とクジラの衝突を防ぐことを検討しています。
このようなタスクのために、私たちは、1 ~ 3 時間の AIS データを入力として使用して、今後 12 時間の船舶の軌道を予測するために、双方向長期短期記憶ネットワーク (Bi-LSTM) を使用したエンコーダ/デコーダ モデル アーキテクチャを開発しました。
各軌道の潜在的なルートと目的地を参照する過去の AIS データから設計された確率的特徴をモデルに供給します。
次にモデルは、空間特徴学習用の畳み込み層と、時間特徴学習中にシーケンスの最近のタイムステップの重要性を高める位置認識アテンション メカニズムを活用することで、これらの追加特徴を考慮して船舶の軌道を予測します。
確率的特徴は、各特徴タイプに対してそれぞれ約 85% と 75% の F1 スコアを持ち、ニューラル ネットワークへの情報を増強する際の有効性を示しています。
私たちは、北大西洋セミクジラ (NARW) の生息地として知られるセントローレンス湾でモデルをテストしました。
当社のモデルは、さまざまな技術と機能を使用して 98% 以上の高い R2 スコアを達成しました。
これは、旋回時や経路選択時に複雑な決定を下せるため、他のアプローチの中でも際立っています。
私たちの研究は、海洋生物種の保存のためのデータエンジニアリングと軌跡予測モデルの可能性を強調しています。

要約(オリジナル)

Maritime transportation is paramount in achieving global economic growth, entailing concurrent ecological obligations in sustainability and safeguarding endangered marine species, most notably preserving large whale populations. In this regard, the Automatic Identification System (AIS) data plays a significant role by offering real-time streaming data on vessel movement, allowing enhanced traffic monitoring. This study explores using AIS data to prevent vessel-to-whale collisions by forecasting long-term vessel trajectories from engineered AIS data sequences. For such a task, we have developed an encoder-decoder model architecture using Bidirectional Long Short-Term Memory Networks (Bi-LSTM) to predict the next 12 hours of vessel trajectories using 1 to 3 hours of AIS data as input. We feed the model with probabilistic features engineered from historical AIS data that refer to each trajectory’s potential route and destination. The model then predicts the vessel’s trajectory, considering these additional features by leveraging convolutional layers for spatial feature learning and a position-aware attention mechanism that increases the importance of recent timesteps of a sequence during temporal feature learning. The probabilistic features have an F1 Score of approximately 85% and 75% for each feature type, respectively, demonstrating their effectiveness in augmenting information to the neural network. We test our model on the Gulf of St. Lawrence, a region known to be the habitat of North Atlantic Right Whales (NARW). Our model achieved a high R2 score of over 98% using various techniques and features. It stands out among other approaches as it can make complex decisions during turnings and path selection. Our study highlights the potential of data engineering and trajectory forecasting models for marine life species preservation.

arxiv情報

著者 Gabriel Spadon,Jay Kumar,Matthew Smith,Sarah Vela,Romina Gehrmann,Derek Eden,Joshua van Berkel,Amilcar Soares,Ronan Fablet,Ronald Pelot,Stan Matwin
発行日 2024-02-06 18:56:18+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.DM, cs.LG, math.PR パーマリンク