基于双注意力扩散模型的船舶轨迹预测

《Ocean Engineering》：Ship trajectory prediction based on dual attention diffusion model

提出基于双注意力扩散模型的船舶轨迹预测框架，利用扩散模型逐步消除不确定性，并通过Transformer与全局注意力机制捕获时空特征，平衡预测的多样性与准确性。在AIS数据集上验证方法有效性，解决传统统计方法与生成模型在复杂轨迹预测中的局限性。

　　船轨迹预测在海洋运营中具有广泛的应用价值，包括危机避让、目标跟踪和物体拦截等关键场景。然而，传统的预测方法由于其统计性形式，往往难以准确表达复杂的船轨迹变化。同时，确定性深度学习模型缺乏引入随机性的机制，因此无法捕捉船只运动的潜在多样性。此外，现有的大多数船轨迹生成模型在平衡预测结果的多样性和准确性方面存在不足。为了解决这些问题，本文提出了一种基于双注意力扩散模型的船轨迹预测框架，利用扩散模型来描述船只的未来轨迹，并将轨迹预测过程视为从模糊轨迹分布中逐步去除不确定性。为了平衡多样性和准确性，我们创新性地在解码器中引入了双注意力机制，结合Transformer和全局注意力模块，以同时捕捉时空线索和通道-空间交互，从而提升网络性能和预测精度。为了验证该方法的有效性，我们使用美国海岸自动识别系统（AIS）数据与基线模型进行了对比实验，同时进行了消融研究以深入分析该方法的适用性。

在海洋资源开发和领土水域日益重要的背景下，智能船舶驾驶系统将在不久的将来被广泛应用于民用货物运输领域。轨迹预测作为智能船舶驾驶系统发展的重要组成部分，其主要功能包括在紧急情况下协助避障、实现任务目标的跟踪以及完成可疑船只的拦截。尽管近年来研究人员在该领域取得了显著进展，但船轨迹预测仍面临诸多挑战，这些挑战主要源于船运动的复杂性。传统方法通常通过构建船运动模型并使用数学统计方法来获取船的预测轨迹。然而，这些方法由于数学表达能力有限，难以处理复杂船轨迹的预测。即使在相对简单的海上交通场景中，也难以达到令人满意的预测效果。随着深度学习在海洋工程领域的广泛应用，具备更强表达能力的深度学习框架为这一挑战提供了新的解决方案。

循环神经网络（RNN）是较早应用于船轨迹预测的模型之一。Nguyen等人在2018年提出了一种变分RNN，用于从数据中提取船只的隐藏行为模式。Gao等人在2018年使用双向长短时记忆网络（LSTM）进行船轨迹的在线预测。随后，由于LSTM网络在处理长序列数据方面具有良好的适应性，LSTM及其变体在船轨迹预测领域的应用逐渐增多。例如，Gao等人在2021年提出了TPNet与LSTM相结合的框架，以发挥各自的优势，并将物理约束整合进模型中，从而降低模型的复杂性和计算成本。Capobianco等人在2021年提出了基于RNN的编码器-解码器框架，利用LSTM来捕捉序列数据的时空依赖关系。Capobianco等人在2022年进一步扩展了递归编码器-解码器架构，使网络不仅能够生成船轨迹预测，还能估计相应预测的不确定性。

尽管像RNN和LSTM这样的确定性模型在时间序列预测中表现出色，但在预测结果的多样性和准确性方面仍面临技术瓶颈。越来越多的研究人员开始关注使用生成模型进行轨迹预测任务，其中生成对抗网络（GAN）和条件变分自编码器（CVAE）是最常用的模型。例如，Jia和Ma在2023年提出了一种条件时间生成对抗网络（CTGAN），通过适当的对抗训练策略，在轨迹生成器和意图分类器之间形成闭环，从而生成意图约束的船轨迹。Liu等人在2025年提出了一种新的船轨迹预测框架，结合多头注意力（MHA）和Wasserstein GAN，通过交替使用卷积层和注意力机制，提取桥区过船场景中的周期性模式。Han等人在2023年提出了基于CVAE的深度生成模型，用于学习未来轨迹的多模态概率分布，并建模船只之间的复杂交互。然而，这些模型通常难以在多样性和准确性之间取得平衡：GAN生成的样本虽然各不相同，但多样性较低，且与训练数据集过于相似；CVAE预测结果虽然具有多样性，但预测分辨率较低，准确性也不够理想。

现有的方法在解决船轨迹预测问题时各有其局限性。本文创新性地采用扩散模型来应对这一问题。扩散模型作为一种生成模型，主要用于图像处理，而非时间序列预测，因此本文提出了一种基于双注意力扩散模型（DAD）的船轨迹预测框架。DAD模型通过在解码器中引入双注意力机制（自注意力和通道-空间注意力），实现对潜在变量的学习，并模拟反向扩散过程的每一步，从而更直观地展示船轨迹分布从不确定到确定的转变过程。此外，该方法在预测结果的多样性和准确性之间取得了平衡，提供了更多潜在的预测方向。

本文的主要贡献包括以下几个方面：首先，我们引入了一种基于等位移重采样的预处理方法，对自动识别系统（AIS）数据进行预处理，人为地增加训练集中的空间特征，从而提升数据的可学习性。其次，我们建立了一个用于船轨迹预测的扩散模型。为了在预测结果的多样性和准确性之间取得平衡，我们将轨迹预测过程视为从模糊轨迹分布中逐步去除不确定性，最终通过去噪过程确定预测轨迹。第三，我们设计了一个基于双注意力机制的网络框架。该框架以Transformer作为主干网络，结合全局注意力模块，以提取数据特征。Transformer生成的上下文向量能够准确提取时间特征，而全局注意力模块则通过通道-空间注意力网络保留通道和空间特征，从而提升网络的整体性能。

在方法论部分，本文提出的基于双注意力扩散模型的船轨迹预测框架包括三个主要步骤。第一步是对原始AIS数据进行预处理，将其构建成一个数据集。该步骤主要包括定义纬度和经度范围、根据标签和航向对AIS数据进行分类等。由于AIS信号可能受到遮挡、传输错误或设备故障的影响，获取的船数据采样间隔通常是不规则的。第二步是数据的进一步处理，以确保其适合用于后续的模型训练。第三步是模型的训练和预测过程，其中我们将轨迹预测视为一个从模糊轨迹分布中逐步去除不确定性的过程。通过模拟反向扩散过程的每一步，网络能够生成更准确和多样化的预测结果。

在训练参数设置部分，本文使用的数据集来自美国海岸管理办公室的网站，包含来自河流、岛屿和河口三个不同环境的船AIS数据。这些数据作为训练和测试集，统称为AccessAIS数据集。数据描述了船在全球范围内的位置信息，涵盖了多种航行场景。为了验证本文提出的船轨迹预测方法在现实生活场景中的有效性，我们对数据进行了多方面的分析和处理，以确保其质量和适用性。此外，我们还对模型的训练过程进行了详细设置，包括优化器的选择、学习率的调整以及损失函数的定义，以确保模型能够稳定地收敛并达到最佳的预测效果。

在结论与讨论部分，本文基于海洋资源勘探和海域边界安全的需求，针对船航行过程中复杂运动模式的预测挑战，提出了一种基于双注意力扩散模型的船轨迹预测框架。该框架在预测结果的多样性和准确性之间取得了良好的平衡，能够提供更加丰富的预测方向。通过使用扩散模型来描述船的未来轨迹，并结合双注意力机制来提取时空特征和通道-空间交互，本文的方法在实际应用中表现出较高的性能和可靠性。此外，本文还通过对比实验和消融研究，验证了该方法的有效性，并分析了其在不同场景下的适用性。

在数据与材料的可用性部分，本文所使用的数据集和分析结果可以在合理请求的情况下，从对应作者处获得。为了确保研究的透明性和可重复性，我们对数据的来源和处理过程进行了详细说明，并提供了相关数据的访问方式。同时，我们还对实验过程中所使用的工具和方法进行了记录，以确保研究的完整性和可验证性。

在作者贡献声明部分，本文的作者们对研究的各个阶段做出了不同的贡献。Xueli Sheng负责撰写和审阅论文、项目管理以及概念设计。Bingyu Shi负责撰写原始论文、方法设计、研究调查和形式分析。Dawei Wang负责撰写原始论文、数据可视化和研究调查。Xian Xiu负责撰写和审阅论文以及概念设计。Yan Wang负责撰写和审阅论文以及数据可视化。Yuhang Yang负责撰写和审阅论文以及研究调查。这些贡献确保了研究的全面性和深入性，并为论文的完成提供了坚实的基础。

在利益冲突声明部分，作者们声明他们没有已知的可能影响本文研究结果的财务利益或个人关系。为了确保研究的客观性和公正性，我们对可能存在的利益冲突进行了排查，并确认所有研究工作均符合学术规范。此外，我们还对研究过程中所涉及的任何潜在利益冲突进行了说明，以向读者提供透明的信息。

在致谢部分，本文的研究工作得到了国家科技研发计划的支持，项目编号为2022YFC2807804。为了表达对支持机构的感谢，我们特别提到了该计划对研究的资助和推动作用。同时，我们还对参与研究的团队成员和合作单位表示了感谢，以肯定他们在研究过程中的贡献和支持。

综上所述，本文提出了一种基于双注意力扩散模型的船轨迹预测框架，旨在解决传统方法和现有生成模型在预测结果的多样性和准确性之间的不足。通过引入双注意力机制，结合扩散模型的特性，本文的方法在实际应用中表现出更高的性能和可靠性。同时，本文还通过对比实验和消融研究，验证了该方法的有效性，并分析了其在不同场景下的适用性。这些研究工作不仅为船轨迹预测领域提供了新的思路和方法，也为智能船舶驾驶系统的发展提供了有力的支持。