WAY : Estimation de la destination des navires dans les trajectoires AIS mondiales
WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory
December 15, 2025
papers.authors: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han
cs.AI
papers.abstract
Le système d'identification automatique (AIS) permet une surveillance maritime fondée sur les données mais souffre de problèmes de fiabilité et d'intervalles irréguliers. Nous abordons l'estimation de la destination des navires à l'aide de données AIS à l'échelle mondiale en proposant une approche différenciée qui reformule les longues trajectoires port-à-port comme une structure de séquence imbriquée. En utilisant des grilles spatiales, cette méthode atténue le biais spatio-temporel tout en préservant une résolution détaillée. Nous introduisons une nouvelle architecture d'apprentissage profond, WAY, conçue pour traiter ces trajectoires reformulées afin d'estimer la destination à long terme plusieurs jours, voire semaines, à l'avance. WAY comprend une couche de représentation de trajectoire et des blocs de traitement séquentiel par agrégation de canaux (CASP). La couche de représentation génère des séquences vectorielles multi-canaux à partir de caractéristiques cinématiques et non cinématiques. Les blocs CASP utilisent une attention multi-têtes par canal et une auto-attention pour l'agrégation et le traitement de l'information séquentielle. De plus, nous proposons une technique spécialisée d'abandon de gradient (GD) permettant un entraînement many-to-many sur des étiquettes uniques, empêchant les pics de rétroaction biaisés en bloquant stochastiquement le flux de gradient en fonction de la longueur de l'échantillon. Les expériences sur des données AIS couvrant 5 ans démontrent la supériorité de WAY par rapport aux approches conventionnelles basées sur des grilles spatiales, quel que soit le stade de la trajectoire. Les résultats confirment en outre que l'adoption de GD entraîne des gains de performance. Enfin, nous explorons le potentiel d'application en conditions réelles de WAY via un apprentissage multitâche pour l'estimation de l'heure d'arrivée prévue (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.