WAY: Estimación del Destino de Buques en Trayectorias Mundiales de AIS
WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory
December 15, 2025
Autores: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han
cs.AI
Resumen
El Sistema de Identificación Automática (AIS) permite la vigilancia marítima basada en datos, pero adolece de problemas de fiabilidad e intervalos irregulares. Abordamos la estimación del destino de los buques utilizando datos AIS de alcance global mediante un enfoque diferenciado que reformula las largas trayectorias de puerto a puerto como una estructura de secuencia anidada. Utilizando cuadrículas espaciales, este método mitiga el sesgo espacio-temporal preservando al mismo tiempo una resolución detallada. Presentamos una novedosa arquitectura de aprendizaje profundo, WAY, diseñada para procesar estas trayectorias reformuladas con el fin de estimar el destino a largo plazo con días o semanas de antelación. WAY comprende una capa de representación de trayectorias y bloques de Procesamiento Secuencial con Agregación de Canales (CASP). La capa de representación genera secuencias vectoriales multicanal a partir de características cinemáticas y no cinemáticas. Los bloques CASP utilizan atención multicanal y auto-atención para la agregación y el procesamiento de la información secuencial. Adicionalmente, proponemos una técnica especializada para la tarea, el Abandono de Gradiente (GD), que permite el entrenamiento de muchos-a-muchos con etiquetas únicas, evitando picos de retroalimentación sesgada mediante el bloqueo estocástico del flujo de gradiente en función de la longitud de la muestra. Los experimentos con datos AIS de 5 años demuestran la superioridad de WAY sobre los enfoques convencionales basados en cuadrículas espaciales, independientemente del progreso de la trayectoria. Los resultados confirman además que la adopción de GD conduce a mejoras en el rendimiento. Finalmente, exploramos el potencial de WAY para aplicaciones en el mundo real mediante el aprendizaje multitarea para la estimación del Tiempo Estimado de Llegada (ETA).
English
The Automatic Identification System (AIS) enables data-driven maritime surveillance but suffers from reliability issues and irregular intervals. We address vessel destination estimation using global-scope AIS data by proposing a differentiated approach that recasts long port-to-port trajectories as a nested sequence structure. Using spatial grids, this method mitigates spatio-temporal bias while preserving detailed resolution. We introduce a novel deep learning architecture, WAY, designed to process these reformulated trajectories for long-term destination estimation days to weeks in advance. WAY comprises a trajectory representation layer and Channel-Aggregative Sequential Processing (CASP) blocks. The representation layer generates multi-channel vector sequences from kinematic and non-kinematic features. CASP blocks utilize multi-headed channel- and self-attention for aggregation and sequential information delivery. Additionally, we propose a task-specialized Gradient Dropout (GD) technique to enable many-to-many training on single labels, preventing biased feedback surges by stochastically blocking gradient flow based on sample length. Experiments on 5-year AIS data demonstrate WAY's superiority over conventional spatial grid-based approaches regardless of trajectory progression. Results further confirm that adopting GD leads to performance gains. Finally, we explore WAY's potential for real-world application through multitask learning for ETA estimation.