WAY: Estimativa do Destino da Embarcação em Trajetórias AIS Mundiais
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
Resumo
O Sistema de Identificação Automática (AIS) permite a vigilância marítima baseada em dados, mas sofre de problemas de confiabilidade e intervalos irregulares. Abordamos a estimativa de destino de embarcações usando dados AIS de escopo global, propondo uma abordagem diferenciada que reformula trajetórias longas de porto a porto como uma estrutura de sequência aninhada. Utilizando grades espaciais, este método mitiga o viés espaço-temporal, preservando a resolução detalhada. Introduzimos uma nova arquitetura de aprendizagem profunda, WAY, projetada para processar essas trajetórias reformuladas para estimativa de destino de longo prazo, com dias ou semanas de antecedência. A WAY compreende uma camada de representação de trajetória e blocos de Processamento Sequencial Agregativo por Canal (CASP). A camada de representação gera sequências vetoriais multicanal a partir de características cinemáticas e não cinemáticas. Os blocos CASP utilizam atenção multicanal e auto-atenção para agregação e processamento sequencial de informações. Adicionalmente, propomos uma técnica especializada de *Gradient Dropout* (GD) para permitir o treinamento muitos-para-muitos com rótulos únicos, prevenindo picos de *feedback* tendenciosos ao bloquear estocasticamente o fluxo de gradiente com base no comprimento da amostra. Experimentos com dados AIS de 5 anos demonstram a superioridade da WAY sobre abordagens convencionais baseadas em grade espacial, independentemente do progresso da trajetória. Os resultados confirmam ainda que a adoção do GD leva a ganhos de desempenho. Por fim, exploramos o potencial da WAY para aplicação no mundo real por meio de aprendizagem multitarefa para estimativa de Hora Estimada de Chegada (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.