Морское движение растет все больше и больше, создавая все более сложные навигационные условия для судов. Прогнозирование траектории движения судна на основе исторических данных AIS является жизненно важным методом снижения навигационных рисков и повышения эффективности управления морским движением.
В настоящее время использование машинного обучения или методов глубокого обучения для построения прогностических моделей на основе данных АИС стало основным направлением исследований в области прогнозирования траектории судна.
В пятом номере международного «Журнала морской науки и техники» («Journal of Marine Science and Engineering») за 2024 год, в статье «Искусственный интеллект в прогнозировании траектории корабля», авторами Цзиньцян Би, Хонген Ченг, Вэньцзя Чжан, Кексинь Бао, Пейрен Ван систематически оцениваются различные методы прогнозирования траектории, охватывающие классические подходы машинного обучения и новые методы глубокого обучения, чтобы выявить их соответствующие достоинства и недостатки.
В работе представлены результаты исследований, в которых применялись различные алгоритмы для прогнозирования траектории судна, включая регрессионные модели (RMS), искусственные нейронные сети (ANNs), фильтрацию Калмана (KF) и случайные леса (RFS) в машинном обучении, наряду с глубоким обучением, таким как сверточные нейронные сети (CNNs), рекуррентные нейронные сети (RNNs), долговременная кратковременная память (LSTM), сети с рекуррентными элементами (GRU) и сети от последовательности к последовательности (Seq2seq ) сети.
Была оценена и проанализирована эффективность прогностических моделей, основанных на различных алгоритмах, в задачах прогнозирования траектории.
Среди существующих исследований методы глубокого обучения демонстрируют значительную производительность и значительную потенциальную прикладную ценность для систем морского движения, которая может быть оценена в ходе будущей работы по исследованию прогнозирования траектории судна.
В введении статьи авторы обращают внимание на то, что сектор судоходства стал свидетелем появления новой технической инновации, известной как судоходство 4.0, в связи с растущей популяризацией и использованием облачных вычислений и Интернета вещей (IOT).
Согласно статистике, каждый день в океане бороздят просторы более 50 000 различных судов. Ожидается, что это число будет расти и дальше по мере расширения мировой судоходной отрасли, а также быстрого появления нового поколения морских автономных надводных кораблей (MASSS).
Отрасль морских перевозок сталкивается с новыми вызовами в результате увеличения количества морских судов. Важность обеспечения безопасности судовождения, особенно в предотвращении аварий при столкновении, возросла. Важной частью технологии для обеспечения безопасности судовождения является прогнозирование траектории. Он может не только повысить эффективность управления морским движением, но и помочь определить местоположение морских целей.
Точное предотвращение навигационных катастроф требует досконального понимания траекторий парусных судов. Процесс оценки будущего положения судна с использованием навигационных данных называется прогнозированием траектории судна. Он имеет решающее значение для планирования маршрута, предотвращения столкновений судов, автономной навигации и выявления необычных схем движения.
Недавние исследования показали, что технология, используемая для прогнозирования траекторий судов, в основном опирается на исторические данные о траектории и характеристики движения судов. В первом случае будущие положения судов оцениваются на основе кинематических уравнений, проектирующих траекторию на основе характеристик движения судна.
Оценить траекторию на основе характеристик движения судна в реальных приложениях чрезвычайно сложно из-за случайности и неопределенности движения судна в этом процессе, а также влияния элементов окружающей среды.
Для последнего подхода основным методом стало прогнозирование траектории судна на основе исторических траекторий. Траектория судна при плавании в океане имеет отличительные особенности. Аналогичные траектории движения обычно наблюдаются у судов, работающих в одной и той же акватории.
Используя их предыдущие данные в качестве руководства, возможно эффективно улучшить прогноз траектории благодаря точности характеристик траектории. Установленная на судах автоматическая идентификационная система (AIS) представляет собой систему мониторинга с самоотчетом, которая регистрирует навигационную активность судна в режиме реального времени и предоставляет записи для дополнительного анализа.
Эти записи содержат несколько типов информации, включая местоположения, маршруты, временные метки и идентификаторы. В настоящее время Международная конвенция по охране человеческой жизни на море (СОЛАС) требует, чтобы международные парусные суда валовой вместимостью более 300 тонн и все пассажирские суда устанавливали системы АИС.
Система AIS неуклонно превосходит другие источники данных в качестве основного источника для прогнозирования траектории судна и анализа морского движения из-за высокой частоты выборки, широкого охвата и удобства.
Развитие искусственного интеллекта (ИИ) способствовало развитию технологий обработки данных и интеллектуального анализа данных. Искусственный интеллект обладает уникальными преимуществами при составлении прогнозов с использованием крупномасштабных данных того же типа. В этой области прогнозирования траектории судна в исследованиях прогнозирования траектории с использованием исторических данных AIS использовался ряд методов машинного обучения и глубокого обучения, включая фильтрацию Калмана (KF), регрессию опорных векторов (SVR) и сети обратного распространения (BP), регрессию гауссовских процессов (GPR) и случайные леса (RFS), а также сверточные нейронные сети (CNNs), рекуррентные нейронные сети (RNNs), долговременную кратковременную память (LSTM), управляемую рекуррентную единицу (gated recurrent unit). GRU) сети и сети от последовательности к последовательности (Seq2seq).
В статье приведена таблица, в которой перечислены различные методы, которые применялись при прогнозировании траектории судна.
Технология искусственного интеллекта продемонстрировала значительную практическую ценность в прогнозировании траектории судна, они хорошо зарекомендовали себя во время тестирования.
В области прогнозирования траектории судна все еще существует потребность в дальнейших исследованиях для анализа преимуществ и недостатков методов прогнозирования, основанных на принципах, и дальнейшего определения их применимых сценариев.
Цель представленной статьи - провести обзор существующих методов прогнозирования траектории судна, обобщить преимущества и недостатки различных методов, проанализировать их применимость в различных сценариях и дать ценное руководство для исследований и приложений в смежных областях.
Разделы публикации организованы следующим образом: Во втором и третьем разделах представлен систематический обзор широко используемых методов машинного обучения и глубокого обучения. В четвертом разделе представлено краткое изложение результатов исследования в этой статье.
В статье сделаны выводы по следующим позициям:
Судоходная отрасль переживала быстрый рост в сочетании с внедрением MASS. Это привело к усложнению условий морского движения, создавая новые проблемы для планирования маршрута судна, безопасности навигации и управления движением. Точное прогнозирование траектории судна становится ключевым инструментом для эффективного решения этих проблем.
С развитием технологий искусственного интеллекта (ИИ) его применение для прогнозирования траектории показало значительную ценность. Учитывая необходимость разработки интеллектуальных систем морского движения в будущем, в этом документе представлен всесторонний обзор применения различных математических моделей и алгоритмов в прогнозировании траектории судна, чтобы выявить их преимущества и недостатки, а также пригодность в различных сценариях, связанных со сложным морским движением.
В подходах машинного обучения регрессионные модели обеспечивают легкий доступ к будущему положению судна, но с ограниченной точностью прогнозирования, в то время как прогностические модели, основанные на алгоритмах нейронных сетей, обеспечивают высокую точность в задачах прогнозирования траектории, но имеют большое количество параметров и высокую вычислительную сложность.
В методах глубокого обучения сверточные нейронные сети (CNN) эффективно извлекают объекты из данных траектории, но не подходят для обработки последовательных данных. Однако рекуррентные нейронные сети (RNN) эффективно извлекают пространственно-временные характеристики из исторических данных АИС и точно предсказывают будущие траектории в режиме реального времени.
Внедрение механизмов внимания также улучшило производительность моделей прогнозирования. Следует отметить, что производительность моделей seq2seq в прогнозировании траектории судна не такая благоприятная, как в других приложениях.
Опубликованное исследование предоставляет собой рекомендации для смежных областей, таких как обнаружение аномалий на морских судах, системы предупреждения об избежании столкновений, планирование маршрута и управление движением.
Авторы работы предполагают, что в будущих исследованиях прогнозирование траектории станет одной из ключевых технологий для достижения безопасной автономной навигации. Для решения различных задач морской навигации будущие исследования будут сосредоточены на повышении точности прогнозирования, производительности в режиме реального времени и возможностей обобщения моделей.
Сведения об источнике информации:
Искусственный интеллект в прогнозировании траектории корабля / Цзиньцян Би, Хонген Ченг, Вэньцзя Чжан [и др.]. – Текст: электронный // Журнал морской науки и техники = Journal of Marine Science and Engineering. - 2024. - №12(5): 769. - [На русском и английском языке]. – URL: https://www.mdpi.com/2077-1312/12/5/769 (дата обращения 14.05.2024). – Режим доступа: свободный.