WAY: 전 세계 AIS 궤적 기반 선박 목적지 추정

초록

자동식별시스템(AIS)은 데이터 기반 해상 감시를 가능하게 하지만 신뢰성 문제와 불규칙한 간격으로 데이터가 수집된다는 한계가 있습니다. 본 연구는 긴 항로 간 궤적을 중첩된 시퀀스 구조로 재구성하는 차별화된 접근법을 통해 전 세계적 범위의 AIS 데이터를 이용한 선박 목적지 추정 문제를 다룹니다. 공간 그리드를 활용하는 이 방법은 상세한 해상도를 유지하면서 시공간적 편향을 완화합니다. 우리는 이러한 재구성된 궤적을 처리하여 수일에서 수주 전에 장기 목적지 추정이 가능한 WAY라는 새로운 딥러닝 아키텍처를 제안합니다. WAY는 궤적 표현 계층과 채널-집계 순차 처리(CASP) 블록으로 구성됩니다. 표현 계층은 운동학적 및 비운동학적 특성으로부터 다중 채널 벡터 시퀀스를 생성합니다. CASP 블록은 다중 헤드 채널 어텐션과 자기 어텐션을 활용하여 정보를 집계하고 순차적 정보를 전달합니다. 또한 단일 레이블에 대한 다대다 훈련을 가능하게 하는 작업 전용 기울기 드롭아웃(GD) 기법을 제안합니다. GD는 샘플 길이를 기반으로 기울기 흐름을 확률적으로 차단하여 편향된 피드백 급증을 방지합니다. 5년간의 AIS 데이터에 대한 실험 결과, WAY는 궤적 진행 정도에 관계없이 기존의 공간 그리드 기반 접근법보다 우수한 성능을 보였습니다. 결과는 GD 채택이 성능 향상으로 이어짐을 추가로 확인합니다. 마지막으로, ETA 추정을 위한 다중 작업 학습을 통해 WAY의 실세계 적용 가능성을 탐구합니다.

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.

WAY: 전 세계 AIS 궤적 기반 선박 목적지 추정

WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory

초록

Support