ST-FEiTNet：基于多尺度时空特征提取与跨模态频率增强的复杂海况船舶轨迹预测模型

本研究针对复杂海洋环境下船舶轨迹预测中异质环境因素融合不足、时空动态耦合建模不充分等挑战，提出了一种融合多尺度时空特征提取模块（MST-CTRG）和频率增强通道注意力机制（FECAM）的改进iTransformer网络（ST-FEiTNet）。通过构建"运动-环境"联合表征，整合船舶运动状态（SOG、COG）与海况动态特征（风、浪、流等），显著提升了1分钟、5分钟和10分钟预测精度（ADE指标分别提升12.8%、15.2%和16.6%），为复杂海况下的智能航海决策提供了重要技术支撑。

　　

随着经济全球化进程加速，海上运输量持续增长，船舶轨迹预测已成为提升海上交通安全和能效导航的关键技术。然而，现有方法在复杂海洋环境下存在明显局限：传统方法（如马尔可夫模型、高斯模型）仅依赖船舶位置信息，忽视了海洋环境因素对船舶操纵的实际影响以及多船间的交互关系；而基于循环神经网络（RNN、LSTM、GRU）的深度学习方法虽能捕捉时序特征，但存在误差累积和计算复杂度高的问题。更值得注意的是，当前主流Transformer架构（如TrAISformer）虽在长短期记忆协调方面表现优异，却未能有效整合环境动态与船舶间交互作用，导致在真实海洋场景中的预测精度受限。

为突破这些瓶颈，研究人员在《Ocean Engineering》发表了一项创新研究，通过设计ST-FEiTNet模型实现了复杂海况下的高精度轨迹预测。该研究主要采用三项核心技术：首先构建了融合AIS运动参数（经纬度、SOG、COG）与多源海况数据（风速、风向、流速、波高、Omaod550nm等）的"运动-环境"联合表征数据集；其次开发了多尺度时空特征提取模块（MST-CTRG），通过多尺度时序卷积（MSE-TCN）捕捉船舶运动的短中长期模式，结合通道拓扑优化图卷积（CTR-GC）建模船舶间社会交互；最后引入频率增强通道注意力机制（FECAM）利用离散余弦变换（DCT）提取频域特征，增强环境敏感特征的鲁棒性。实验数据源自丹麦卡特加特海峡和美国墨西哥湾的公开AIS数据集，涵盖6257艘船舶的航行轨迹与同步海况信息。

研究结果主要体现在四个方面：

1. 模型性能验证

通过与传统机器学习（RFR、SVR）和深度学习模型（LSTM、GRU、ST-Seq2Seq、CNN-BiLSTM）的对比实验，ST-FEiTNet在1分钟、5分钟和10分钟预测中的平均位移误差（ADE）分别降至0.0082海里、0.0363海里和0.0740海里，较基准模型最高提升16.6%，且推理速度提升12.9%，实现了精度与效率的平衡。

2. 模块贡献度分析

ablation实验表明，MSE-TCN模块通过多尺度卷积核捕获船舶运动的惯性特征（如加速和转向延迟），单独使用可使5分钟预测误差降低14.0%；CTR-GC模块通过编码相邻船舶的空间交互模式，贡献13.8%的精度增益；而FECAM模块通过频域依赖建模，显著抑制了非平稳场景中的高频噪声。

3. 海况特征影响机制

引入海况参数使预测精度进一步提升4.9%-8.6%，其中波高（VHM0）对中长期预测（10分钟）的贡献度达2.57%，风场参数主要影响短期预测，而洋流因船舶自动驾驶系统的主动补偿作用影响较弱。在波弗特6级（风速≥10.8m/s）高海况下，融合海况数据的预测精度较单一运动参数提升16.4%。

4. 跨区域鲁棒性测试

采用墨西哥湾飓风"Ian"期间（2022年9月）的极端天气数据测试，模型在零样本迁移下仍保持稳定预测能力，ADE误差控制在0.0021-0.0054海里范围内，证明了模型对非平稳海况的适应性。

该研究的结论强调，ST-FEiTNet通过多尺度时空特征联合提取与跨模态频率增强，有效解决了复杂海况下轨迹预测的三大核心问题：长程依赖建模、船舶间交互表征以及环境-运动耦合关系学习。所提出的"运动-环境"联合表征框架为海洋动态系统建模提供了新范式，其频域注意力机制对处理非平稳时间序列具有普适意义。未来研究可进一步优化海况特征工程，探索AIS与海况数据的多模态融合新方法，以增强模型在极端海洋环境下的泛化能力。