WAY: Stima della Destinazione dei Vascelli nelle Traiettorie Mondiali AIS
WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory
December 15, 2025
Autori: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han
cs.AI
Abstract
L'Automatic Identification System (AIS) consente una sorveglianza marittima basata sui dati, ma soffre di problemi di affidabilità e di intervalli irregolari. Affrontiamo la stima della destinazione delle navi utilizzando dati AIS a scala globale proponendo un approccio differenziato che riformula le lunghe traiettorie porto-porto come una struttura sequenziale annidata. Utilizzando griglie spaziali, questo metodo mitiga il bias spazio-temporale preservando al contempo una risoluzione dettagliata. Introduciamo una nuova architettura di deep learning, WAY, progettata per elaborare queste traiettorie riformulate per la stima della destinazione a lungo termine, con giorni o settimane di anticipo. WAY comprende uno strato di rappresentazione della traiettoria e blocchi di Elaborazione Sequenziale con Aggregazione di Canale (CASP). Lo strato di rappresentazione genera sequenze vettoriali multicanale a partire da caratteristiche cinematiche e non cinematiche. I blocchi CASP utilizzano un meccanismo di attention multi-testa sui canali e self-attention per l'aggregazione e l'elaborazione delle informazioni sequenziali. Inoltre, proponiamo una tecnica specializzata per il task, il Gradient Dropout (GD), per abilitare un addestramento many-to-many su singole etichette, prevenendo picchi di feedback distorti bloccando stochasticamente il flusso del gradiente in base alla lunghezza del campione. Esperimenti su dati AIS di 5 anni dimostrano la superiorità di WAY rispetto agli approcci convenzionali basati su griglie spaziali, indipendentemente dalla progressione della traiettoria. I risultati confermano ulteriormente che l'adozione del GD porta a miglioramenti delle prestazioni. Infine, esploriamo il potenziale di WAY per applicazioni nel mondo reale attraverso l'apprendimento multitask per la stima dell'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.