《Ocean Engineering》:An adaptive vessel trajectory prediction network with feature-time two-dimensional attention and learnable complex spectral modulation
编辑推荐:
•特征-时间二维注意力机制可提取关键的历史AIS信息。•可学习的复数谱调制可捕捉局部时频域船舶机动行为。•自适应门控机制可动态协调时间-频谱轨迹表征。•未来查询向量、LSTM解码器与联合损失共同支持多步轨迹预测。•实验表明,该模型在MSE、RMSE、MAE、ADE和FDE指标
- •
特征-时间二维注意力机制可提取关键的历史AIS信息。
- •
可学习的复数谱调制可捕捉局部时频域船舶机动行为。
- •
自适应门控机制可动态协调时间-频谱轨迹表征。
- •
未来查询向量、LSTM解码器与联合损失共同支持多步轨迹预测。
- •
实验表明,该模型在MSE、RMSE、MAE、ADE和FDE指标上均优于代表性基线方法。
引言
根据安联商业发布的《2025年安全与航运回顾》,2015年至2024年间,全球共报告了28,331起涉及总吨位超过100吨船舶的航运事件,其中包括2,875起碰撞事故和2,638起搁浅或触礁事件。仅2024年一年,全球就报告了3,310起航运事件,比上一年增长了约10%(Allianz Commercial, 2025)。碰撞和搁浅事故频繁发生在复杂导航场景中,例如航路交汇区域、港口进港和出港水域,或涉及船舶运动状态变化的情形。识别此类风险不仅需要观测当前船舶位置,还需要对其未来航向、位移趋势及潜在航线包络进行提前预估。在此背景下,基于历史航行数据预测船舶未来轨迹对于区域海上交通态势感知、异常运动检测和潜在冲突目标筛选具有重要意义(Li et al., 2023a)。
现有的船舶轨迹预测研究沿若干方法论路线发展,包括基于仿真的方法、统计方法、机器学习方法、深度学习方法以及混合方法(Li et al., 2023b, Jiang et al., 2026)。基于仿真的方法和统计方法通常具有清晰的物理可解释性和较高的计算效率,但其预测性能往往受限于预定义的运动假设和状态转移规则。机器学习和深度学习方法能够从历史AIS数据中学习复杂的非线性运动关系,其中LSTM和Transformer等模型增强了对船舶运动时间依赖性的建模能力。混合方法则进一步寻求整合物理先验知识、统计规律和数据驱动的表征。尽管已有实质性进展,但船舶轨迹同时包含持续性主导运动趋势和局部非平稳变化。如何从有限的历史观测中充分刻画这两类信息,同时在多步预测中减轻误差累积,仍然是一个未解决的挑战。
针对上述挑战,本研究提出了一种名为2D-LSMGNet的船舶轨迹预测模型,其中2D、LSM和G分别代表特征-时间二维注意力、可学习的复数谱调制和自适应门控。首先,特征-时间二维注意力模块在潜在特征维度和历史时间维度上进行差异化建模,使不同运动特征能够选择与其各自演化相关的历史信息。与此同时,频谱分支应用局部时频变换构建具有时间定位的频谱表征,并采用可学习的复数谱调制对不同时间位置、频率分量和潜在通道执行幅度调整和相位旋转。该设计使可学习的响应能够在局部时频空间中运作,使模型能够在保持时间定位的前提下调整局部谱分量的幅度和相对相位。随后,自适应门控机制对各个历史时间步和潜在通道估计融合系数,动态协调时间表征与频谱表征。接着,一组可学习的未来步查询向量从融合后的历史特征中提取每个预测时间步所需的信息。所得序列被送入LSTM解码器,生成后续12个时间步的轨迹预测。最后,训练过程中采用联合几何-运动学协调损失,对预测轨迹的分步位移、整体路径、运动方向和序列平滑性进行约束,从而减轻多步预测中的误差累积。
本文其余部分组织如下。第2节回顾了船舶轨迹预测的相关研究,并分析了现有方法的主要特点与局限性。第3节介绍了数据预处理流程和所提出的船舶轨迹预测框架。第4节描述了实验数据集和评估指标,随后进行了对比实验、计算效率分析、轨迹可视化、消融实验以及可学习的复数谱响应和自适应门控系数的可解释性分析。最后,第5节总结全文,讨论了本文的局限性及未来研究方向。
章节摘要
相关工作
自动识别系统(AIS)的广泛部署为船舶运动监测和轨迹预测提供了大量数据。现有研究主要聚焦于运动学和统计建模、非线性时间依赖学习、基于注意力的表征以及频域或多尺度特征提取。
传统方法通过运动方程或概率转移模式推断船舶未来状态。Wang等人(2023)结合了
方法论
本节展示了2D-LSMGNet的架构与实现,如图1所示。按照数据流,首先介绍问题形式化和AIS数据预处理,随后依次介绍时间分支和频谱分支、自适应门控融合与解码,以及训练目标。
实验结果与分析
为评估所提网络在船舶轨迹预测中的有效性,本研究利用真实AIS数据进行了对比实验、计算效率分析、跨区域泛化性评估、轨迹可视化、消融实验以及可解释性分析。本节首先介绍数据集、训练配置和评估指标,随后将所提模型与多个基线模型进行比较,并分析其预测
结论与讨论
本研究提出了2D-LSMGNet,以解决多步船舶轨迹预测中历史信息选择不足、局部非平稳变化表征不充分以及时间与频谱特征之间动态协调有限的问题。该网络将两层Bi-LSTM与特征-时间二维注意力相结合,从历史轨迹中提取连续运动信息。采用短时傅里叶变换和可学习的复数谱调制
CRediT作者贡献声明
李秋炎:撰写—初稿、软件、方法论。李云波:撰写—审阅与编辑、监督指导。喻思瑾:数据管理。
关于写作过程中使用生成式AI及AI辅助技术的声明
在本文撰写过程中,作者使用大型语言模型以提升稿件的可读性和语言质量。在使用该工具/服务后,作者对内容进行了审查和编辑,并对出版内容的全部责任负责。
利益冲突声明
作者声明,不存在已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
李秋炎|李云波|喻思瑾