基于物理信息的多层双向长短期记忆网络（LSTMNet）动态海洋环境下的短期航标轨迹预测

《Frontiers in Marine Science》：Physics-informed LSTMNet for short-term marine buoy trajectory prediction under dynamic ocean environmental conditions

　　

摘要 引言： 航标是航行安全的重要基础设施，然而在动态环境强迫作用下，其位置可能持续变化。因此，实现航标位移的准确短期预测，对于航行安全、维护规划以及降低搜寻与回收成本具有重要意义。基于物理的模型往往依赖于精确定义的水动力和气象参数，而许多现有的数据驱动方法采用浅层、单向的循环架构，可能无法充分捕捉历史观测中蕴含的时间上下文信息。 方法： 为克服上述局限，本研究提出LSTMNet，一种用于下一步航标轨迹预测的两层双向长短期记忆网络（Bi-LSTM）。该模型从多变量航标观测中学习时间依赖关系，并在动态海洋条件下预测未来航标位置。 结果： 模型利用2026年5月某海洋航标采集的小时级观测数据进行评估。在独立测试集上，LSTMNet的平均大圆距离误差（geodesic distance error）达到18.297 m，相较于单层单向长短期记忆网络（LSTM）基线降低了9.747%。结果表明，将堆叠循环学习与双向时间编码相结合，能够提升对近期观测中上下文依赖关系的提取能力，并增强短期航标轨迹预测性能。 讨论： 所提出的框架为航标位移预测提供了一种实用的数据驱动方法，有望支持海上航行基础设施的更安全、更高效管理。

一、研究背景与问题提出

海洋航标（marine buoy）是海上交通安全基础设施的核心组成部分，广泛部署于港口、近岸水域、航道及内河水域。尽管航标被设计为保持在指定警戒圈内，但在风、浪、流、潮汐、系泊系统退化以及船舶碰撞等意外扰动共同作用下，其位置可能发生持续变化。航标过度位移将削弱其提供的导航信息的可靠性，增加偏航、碰撞和搁浅风险。因此，可靠的航标短期运动预测对航行安全、维护规划、漂移预警及航标及时回收具有重要意义。

现有航标及漂流物轨迹预测方法大致可分为三类：基于物理的模型、状态估计方法和数据驱动模型。基于物理的方法通过构建风、浪、流等环境驱动力方程并求解运动方程来描述物体运动，代表方法包括蒙特卡洛漂移模拟、SARMAP模型以及有限体积海洋模型（FVCOM）等。这类方法具有明确的物理可解释性，但预测性能高度依赖环境输入的精度与时空分辨率、水动力系数的设定以及局地海洋条件的表征，应用于新区域时往往需要大量参数校准或模型适配，且高分辨率数值模拟计算开销大，限制了其在快速业务化预测中的应用。状态估计方法如卡尔曼滤波（Kalman filter）、扩展卡尔曼滤波（extended Kalman filter）和无迹卡尔曼滤波（unscented Kalman filter）虽计算高效，但在物体运动高度非线性、环境强迫突变或观测存在较大缺失与非规则采样间隔时，性能可能显著下降。

随着海洋感知与物联网技术的发展，现代航标可搭载全球导航卫星系统（GNSS）接收机、风速仪、流速计等传感器，持续记录航标位置及风速、风向、流速、流向等多变量时间序列，为数据驱动模型提供了新的机遇。在数据驱动方法中，长短期记忆网络（LSTM）因其门控循环结构可缓解传统循环神经网络（RNN）的梯度消失问题而被广泛采用。然而，现有研究仍存在若干局限：其一，许多模型采用较浅或单向的循环架构，难以充分表征风、流、潮汐与航标惯性共同作用下产生的多尺度时间依赖；其二，环境强迫的表征较为有限，风与流作为矢量常仅以标量速度和方向角输入，角度变量在圆周边界处存在不连续性，且风与流的相对取向所蕴含的协同或对抗信息未得到充分利用；其三，针对系泊航标这一特定对象的深度学习研究相对较少，船舶或自由漂流物模型未必能直接迁移至系泊航标。

二、研究内容与核心结论

针对上述问题，本研究提出LSTMNet，一种两层双向长短期记忆网络（Bi-LSTM）模型，用于下一步航标轨迹预测。该框架整合多源环境观测，包括风速、风向、流速和流向，并施加时间同步、异常值处理、缺失值插补与归一化以提升数据一致性。本研究中“物理信息”（physics-informed）指将领域物理知识融入模型输入表征，而非在训练中显式施加控制方程约束。具体而言，研究识别航标位移的主要物理驱动力，将实测风与流变量转换为物理可解释的表征，包括水平矢量分量和风—流相对方向特征，并引入时间变量以刻画航标运动的时间依赖特性。处理后形成的13维输入向量经24小时滑动观测窗口组织，通过两层堆叠双向循环层渐进提取历史序列中的时间依赖与上下文关系，经dropout正则化后由全连接输出层映射至下一时刻航标的预测经纬度。模型使用2026年5月某海洋航标的小时级观测数据评估，在独立测试集上平均大圆距离误差为18.297 m，较单层单向LSTM基线降低9.747%，验证了堆叠循环学习与双向时间编码在提升航标短期轨迹预测性能方面的有效性。

三、关键技术方法

研究人员采用的主要技术方法包括：第一，物理信息特征工程，将风速、风向、流速、流向转换为正交水平矢量分量（wind_u、wind_v、current_u、current_v），并以正弦和余弦项编码风—流相对方向，同时引入小时、星期、月份三个时间变量，构成13维输入特征向量；第二，数据预处理，将分钟级环境观测重采样至与GPS位置记录一致的小时频率，方向变量采用圆统计而非算术平均聚合，并进行异常值剔除、缺失值插补和基于训练集统计量的z-score标准化；第三，LSTMNet网络架构，由两个双向LSTM层堆叠而成，每层每个方向含64个隐藏单元，前向与后向最终状态拼接形成128维序列级表征，经dropout（p=0.2）正则化后由全连接层输出预测经纬度；第四，统一评估框架，在一致的数据处理、训练与测试条件下，与单层单向LSTM、CNNBiGRUAtt、ResNetGRUAtt和AttBiGRU等代表性深度架构进行对比。样本数据来源于中国上海近海水域部署的一座业务化海洋航标监测系统。

四、研究结果

4.1 预测精度对比

在独立测试集上，LSTMNet取得18.297 m的平均大圆距离误差，较单层单向LSTM基线降低9.747%，表明两层双向架构结合物理信息特征能有效提升航标位置预测精度。

4.2 收敛行为

训练过程中LSTMNet展现出稳定的收敛特性，堆叠双向结构在训练集与验证集上的损失曲线均平滑下降，未出现明显过拟合现象，dropout正则化有效控制了模型复杂度。

4.3 轨迹重建

将LSTMNet的逐时预测位置与实测轨迹进行对比，预测轨迹与观测轨迹在整体走向和局部波动上均保持较高一致性，验证了模型对航标运动模式的捕捉能力。

五、讨论与结论

讨论部分指出，LSTMNet将物理引导的环境表征与分层时间编码相结合：特征工程描述了主要观测强迫的幅值、方向与相对取向，而堆叠Bi-LSTM学习其与系泊约束下航标位移的非线性时间关联。该框架为航标短期监测、位移预警、维护规划和海上安全管理提供了数据驱动的方法基础。研究同时指出，所提方法的鲁棒性与业务化泛化能力仍需在更多航标类型、季节、水动力环境、地理区域及预测时域上进行验证。结论部分总结认为，LSTMNet通过结合堆叠循环学习与双向时间编码，有效提升了从近期观测中提取上下文依赖关系的能力，增强了短期航标轨迹预测性能，为海上航行基础设施的安全高效管理提供了实用支持。