WAY: Schatting van de bestemming van schepen in wereldwijde AIS-trajecten
WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory
December 15, 2025
Auteurs: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han
cs.AI
Samenvatting
Het Automatic Identification System (AIS) maakt datagestuurde maritieme surveillance mogelijk, maar kampt met betrouwbaarheidsproblemen en onregelmatige intervallen. Wij pakken de schatting van de bestemming van schepen aan met behulp van AIS-data op wereldwijde schaal door een gedifferentieerde aanpak voor te stellen die lange trajecten van haven tot haven herformuleert als een geneste sequentiestructuur. Door gebruik te maken van ruimtelijke rasters vermindert deze methode ruimtelijk-temporele bias terwijl de gedetailleerde resolutie behouden blijft. Wij introduceren een nieuwe deep learning-architectuur, WAY, die ontworpen is om deze herformuleerde trajecten te verwerken voor de schatting van de bestemming op lange termijn, dagen tot weken van tevoren. WAY bestaat uit een trajectrepresentatielaag en Channel-Aggregative Sequential Processing (CASP) blokken. De representatielaag genereert meerkanalen vectorsequenties uit kinematische en niet-kinematische kenmerken. CASP-blokken gebruiken multi-headed channel- en self-attention voor aggregatie en sequentiële informatieoverdracht. Daarnaast stellen wij een taakspecifieke Gradient Dropout (GD)-techniek voor om many-to-many training op enkele labels mogelijk te maken, waarbij bevooroordeelde feedbackpieken worden voorkomen door stochastisch de gradientstroom te blokkeren op basis van de steekproeflengte. Experimenten met 5-jarige AIS-data tonen de superioriteit van WAY aan ten opzichte van conventionele op ruimtelijke rasters gebaseerde benaderingen, ongeacht de trajectprogressie. Resultaten bevestigen verder dat de adoptie van GD leidt tot prestatieverbeteringen. Ten slotte onderzoeken wij het potentieel van WAY voor praktische toepassing via multitask learning voor ETA-schatting.
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.