Технологии глубокого обучения для прогнозирования маршрутов движения судов

Рассматриваются механизмы использования глубокого обучения для прогнозирования маршрутов движения судов. Интенсивность морского трафика стремительно растет: эффективное прогнозирование является одной из важнейших задач интеллектуальной транспортной системы. Глубокое обучение (Deep Learning, DL) – это подраздел машинного обучения, в котором используются многослойные искусственные нейронные сети для автоматического выявления сложных закономерностей в больших данных. В отличие от классического машинного обучения, DL-модели самостоятельно извлекают признаки (feature learning) без участия человека, что позволяет достигать высокой точности в компьютерном зрении, распознавании речи и генеративном ИИ. Глубокое обучение позволяет вычислительным моделям, состоящим из нескольких обрабатывающих слоев, изучать представления данных с несколькими уровнями абстракции.

1. Li, M. W., Han, D.F., Wang, W.L. Vessel traffic flow forecasting by RSVR with chaotic cloud simulated annealing genetic algorithm and KPCA // Neurocomputing. – 2015. – P. 243–255.

2. He, Y. et al. An improved Kalman filter model for short-term vessel traffic flow prediction // Journal of Navigation. – 2017.

3. Wang, Ch., Zhang, X., Chen, X., Li, R., Li, G. Vessel traffic flow forecasting based on BP neural network and residual analysis // 4th International Conference on Information, Cybernetics and Computational Social Systems (ICCSS). – 2017. – Pр. 350–354.

4. Yang, L., Hao, Y., Liu, Q., Zhu X. Ship traffic volume forecast in bridge area based on enhanced hybrid radial basis function neural networks // Proceedings of the International Conference on Transportation Information and Safety (ICTIS), Wuhan, China, 25–28. – June 2015. – Pр. 38–43.

5. Chen, L. et al. Stacked LSTM (long short-term memory) network for traffic congestion forecasting on realistic navigation maps // IEEE Transactions on Intelligent Transportation Systems. – 2016.

6. Lv, Y., Duan, Y., Kang, W., Li, Z., Wang, F. Y. Traffic flow prediction with big data: A deep learning approach // IEEE Transactions on Intelligent Transportation Systems. – 2015. – 16(2). – Pр. 865–873.

7. Zhang, J., Zheng, Y., Qi D. Deep spatio-temporal residual networks for citywide crowd flow prediction // Proceedings of the AAAI Conference on Artificial Intelligence (AAAI-17). – 2017.

8. Zhao, L., & Liu, Y. (2023). Hybrid Deep Learning Models for Real-time Ship Collision Avoidance and Path Planning. Reliability Engineering & System Safety, 231. – Рр. 108–124.

9. Li, S. et al. A Transformer-based Framework for Vessel Trajectory Prediction with Attention Mechanisms // Ocean Engineering. – 2022. – 244. – Pр. 110–135.

10. Wang, X. et al. Spatiotemporal Graph Convolutional Networks for Vessel Traffic Flow Forecasting in Complex Waterways // IEEE Transactions on Intelligent Transportation Systems, 2023. – № 24(8). – Pр. 8567–8582.

11. Zhang, M. et al. Diffusion Models for AIS Data Recovery and Trajectory Generation in Marine Navigation // Journal of Marine Science and Engineering. 2024. – № 12(2). – P. 341.