WAY: Прогнозирование пункта назначения судна по глобальным траекториям AIS

WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory

December 15, 2025

Авторы: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han

cs.AI

Аннотация

Система автоматической идентификации (АИС) обеспечивает мониторинг морской деятельности на основе данных, но страдает от проблем с надежностью и нерегулярными интервалами передачи. Мы решаем задачу прогнозирования пункта назначения судна с использованием глобальных данных АИС, предлагая дифференцированный подход, который преобразует протяженные порт-порт траектории во вложенную последовательную структуру. Используя пространственную сетку, данный метод снижает пространственно-временные искажения, сохраняя при этом детальное разрешение. Мы представляем новую архитектуру глубокого обучения WAY, разработанную для обработки этих реструктурированных траекторий с целью долгосрочного прогнозирования пункта назначения за несколько дней или недель. Архитектура WAY состоит из слоя представления траекторий и блоков канально-агрегирующей последовательной обработки (CASP). Слой представления генерирует многоканальные векторные последовательности из кинематических и некинематических признаков. Блоки CASP используют многоголовую канальную и самовнимательность для агрегации и передачи последовательной информации. Дополнительно мы предлагаем специализированную технику Gradient Dropout (GD), которая позволяет осуществлять обучение по схеме «многие-ко-многим» на одиночных метках, предотвращая всплески смещенной обратной связи за счет стохастического блокирования потока градиентов в зависимости от длины выборки. Эксперименты на 5-летних данных АИС демонстрируют превосходство WAY над традиционными подходами, основанными на пространственной сетке, независимо от стадии прохождения траектории. Результаты также подтверждают, что применение GD приводит к повышению производительности. Наконец, мы исследуем потенциал применения WAY в реальных условиях посредством многозадачного обучения для оценки времени прибытия.

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.