基于LSTM的船舶航迹预测：深度学习与AIIS数据融合

本篇论文《基于LSTM的船舶航迹预测模型》由权波等四位作者共同完成，他们分别来自中国电子科技集团公司第10研究所成都天奥信息科技有限公司和电子科技大学信息与软件工程学院。该研究旨在应对海上交通日益复杂的需求，提升船舶交通服务系统（VTS）的决策效率。论文特别关注了船舶航行轨迹的多维度特性以及对预测精度和实时性的高要求。 文章提出了一种结合船舶自动识别系统（AIS）数据和深度学习技术的方法来改进船舶航行轨迹的预测。AIS数据被用来构建船舶航行轨迹的特征，这种特征是基于时间序列分析的重要组成部分。研究人员采用了循环神经网络（RNN）与长短期记忆（LSTM）模型的融合，即RNN-LSTM模型，其优势在于能够处理序列数据的长期依赖性，这对于航海轨迹预测至关重要，因为船舶运动往往受到历史路径和环境因素的显著影响。 通过在广州港的大量船舶AIS数据上进行模型训练，作者验证了这种方法的有效性和实用性。实验结果显示，RNN-LSTM模型预测方法表现出高的预测精度，且易于实施，这表明它在实际应用中具有很大的潜力。相较于传统的处理方式，这种基于深度学习的方法在处理复杂船舶运动模式时，能提供更为准确和及时的预测，从而帮助VTS做出更明智的决策，提高整体海上交通管理效率。因此，本文的研究对于提升海上交通系统的智能化水平具有重要的理论和实践价值。