面向海事物联网的船舶航速预测：自适应小波分析与注意力不确定性建模的创新融合

本文提出了一种结合自适应小波分析（DWT）和注意力增强双向LSTM（ABi-LSTM）的创新框架，通过离散小叶变换提取船舶航速信号的频域能量特征，并集成上下界估计（LUBE）方法实现概率性航速区间预报。该模型在可靠性（PICP）、锐度（PINAW）和精度（MAE、RMSE）指标上均优于现有基准，其注意力权重的可视化分析为船舶操纵与预测不确定性关联提供了可操作的航海决策支持。

　　

¹亮点²

本研究通过离散小波变换（DWT）对船舶自动识别系统（AIS）轨迹中的速度波动进行多尺度特征提取，结合基于密度的聚类算法（DBSCAN）实现考虑时空动态的轨迹聚类。创新性地将注意力机制与双向长短期记忆网络（Bi-LSTM）融合构建ABi-LSTM架构，并引入上下界估计法（LUBE）直接输出预测区间。实验表明，该模型在天津港主航道的案例研究中显著提升了航速预测的可靠性和实用性。

³讨论⁴

本研究通过信号处理技术与神经网络架构的深度融合，为海事交通管理提供了创新的数据驱动解决方案。主要突破包括：

• •
  利用DWT技术从原始AIS数据中提取具有物理意义的航速动态特征，实现了船舶运行模式的精细化表征；
• •
  注意力机制使模型能动态捕捉关键速度突变，而LUBE方法通过构造预测区间显著增强结果的工程适用性；
• •
  通过可视化注意力权重揭示了船舶操纵动作与预测不确定性的内在关联，为智能航海决策提供了透明化解释。

⁵结论⁶

本文提出的ABi-LSTM框架成功解决了船舶航速信号波动性强、传统方法难以准确预测的难题。通过小波分析提取本质特征与注意力机制聚焦关键模式的协同作用，结合直接输出预测区间的LUBE方法，在保证可靠性的同时提升了预测精度。该研究为海事物联网环境下的船舶智能导航和风险预警提供了新的技术路径。