Angesichts der zentralen Bedeutung der maritimen Logistik für den globalen Handel ist eine genaue und effiziente Vorhersage der Schiffsbewegungen entscheidend für die Stärkung der Resilienz der Lieferkette und die Verbesserung der operativen Effizienz. Traditionelle physikalische und statistische Modelle scheitern jedoch oft daran, die multivariate, rauschbehaftete und stark gekoppelte Natur der maritimen Dynamik effektiv zu erfassen. In diesem Manuskript passen wir die DSformer-Architektur für die Vorhersage von Schiffsbewegungen an und nutzen ihr duales Sampling- und Dual-Attention-Design, um die mehrskaligen und variablenübergreifenden Abhängigkeiten in maritimen Daten zu adressieren. In drei realen Datensets reduziert der angepasste DSformer den Vorhersagefehler um 23 % und die Trainingszeit um 70 % im Vergleich zu 13 aktuellen Bestwerten (SOTA). Zudem identifizieren wir eine konsistente Beziehung zwischen Sampling-Strategien und Seeständen, bei der denses Sampling unter stabilen Bedingungen am besten abschneidet, während moderat spärliches Sampling mit Multi-Head-Attention die Robustheit unter turbulenten Umgebungen verbessert. Diese Ergebnisse wenden die neuen Fähigkeiten des Algorithmus auf das tägliche Management von maritimer Logistik an. Durch die Anpassung der Architektur an reale operationale Gegebenheiten und die Optimierung ihrer Schlüsselfaktoren ermöglicht der Ansatz eine effiziente, Echtzeit-Vorhersage von Schiffen und Entscheidungsunterstützung in globalen Lieferketten.
Ge et al. (Fri,) untersuchten diese Frage.