Durch Deep Learning gestützte Vorhersage von Schiffsbewegungen zur Verbesserung smarter Verkehrsservices im maritimen Internet der Dinge

Das maritime Internet der Dinge (IoT) hat sich kürzlich als revolutionäres Kommunikationsparadigma entwickelt, in dem eine große Anzahl von sich bewegenden Schiffen eng miteinander in intelligenten maritimen Netzwerken verbunden ist. Das enorme Wachstum der Schiffsbewegungen, die von den kombinierten Satelliten- und terrestrischen AIS (Automatic Identification System)-Basisstationen erfasst werden, könnte jedoch zu unzureichender maritimer Sicherheit und Effizienz führen. Um smarte Verkehrsservices im maritimen IoT zu fördern, ist es notwendig, die raum-zeitlichen Schiffsbewegungen genau und robust vorherzusagen. Dies ist vorteilhaft für Kollisionsvermeidung, maritime Überwachung und Erkennung abnormalen Verhaltens usw. Motiviert durch die starke Lernkapazität von tiefen neuronalen Netzwerken schlägt diese Arbeit ein auf AIS-Daten basierendes Vorhersagerahmenwerk vor, dessen Hauptbestandteil ein Long Short Term Memory (LSTM)-Netzwerk ist. Insbesondere wird die Modellierung der Verkehrskonfliktsituation von Schiffen, die unter Verwendung dynamischer AIS-Daten und des Konzepts der sozialen Kraft erzeugt wird, in das LSTM-Netzwerk eingebettet, um eine hochgenaue Vorhersage der Schiffsbewegungen zu gewährleisten. Darüber hinaus wird eine gemischte Verlustfunktion rekonstruiert, um unsere Vorhersageergebnisse in verschiedenen Navigationsumgebungen zuverlässiger und robuster zu machen. Mehrere quantitative und qualitative Experimente wurden an realistischen auf AIS basierenden Schiffsbewegungen durchgeführt. Unsere Ergebnisse haben gezeigt, dass die vorgeschlossene Methode eine zufriedenstellende Vorhersageleistung in Bezug auf Genauigkeit und Robustheit erzielen kann.