Prédiction de trajectoire de navire basée sur Bi-LSTM utilisant des données AIS regroupées par spectre

Selon les statistiques des accidents maritimes, la plupart des accidents de collision ont été causés par des facteurs humains. Dans une situation de rencontre, la prédiction de la trajectoire d’un navire est un bon moyen de connaître l’intention de l’autre navire. Cet article propose une méthodologie pour prédire la trajectoire du navire qui peut être utilisée pour un algorithme intelligent d’évitement de collision en mer. Pour améliorer la performance de prédiction, le clustering spatial basé sur la densité des applications avec bruit (DBSCAN) a été utilisé pour reconnaître le modèle de la trajectoire du navire. Étant donné que le DBSCAN est un algorithme de clustering basé sur la densité des points de données, il a des limitations dans le clustering des trajectoires avec des courbes non linéaires. Ainsi, nous avons appliqué la méthode de clustering spectral qui peut refléter une similarité entre les trajectoires individuelles. La similarité est mesurée par la distance de la plus longue sous-séquence commune (LCSS). Basé sur les résultats du clustering, le modèle de prédiction de la trajectoire du navire a été développé en utilisant la mémoire à court et long terme bidirectionnelle (Bi-LSTM). De plus, la performance du modèle proposé a été comparée à celle du modèle de mémoire à court et long terme (LSTM) et du modèle d’unité récurrente à porte (GRU). Les données d’entrée ont été obtenues par des techniques de prétraitement telles que le filtrage, le regroupement et l’interpolation des données du système d’identification automatique (AIS). À la suite de l’expérience, la précision de prédiction de Bi-LSTM s’est avérée être la plus élevée par rapport à celle de LSTM et GRU.