综述：基于深度学习的船舶轨迹预测方法系统综述 郭思远与马文尧

《Journal of Marine Science and Engineering》：A Systematic Review of Deep Learning-Based Methods for Ship Trajectory Prediction Siyuan Guo and Wenyao Ma

　　

摘要

随着全球航运业的迅速发展以及自动识别系统（AIS）数据的日益丰富，准确预测船舶轨迹对于确保航行安全和优化海上交通管理变得至关重要。本文系统回顾了基于深度学习的船舶轨迹预测方法的最新进展。我们对主流模型进行了全面分析，包括卷积神经网络（CNNs）、循环神经网络（RNNs）如长短期记忆网络（LSTM）和门控循环单元（GRU）网络、序列到序列（Seq2Seq）模型以及Transformer架构。从时空数据处理能力、预测精度和计算效率等方面对这些模型的性能进行了比较。此外，本文还探讨了这些方法在避碰和航线优化等实际应用中的效果。尽管取得了显著进展，但仍存在一些挑战，如数据质量问题、实时预测能力和模型可解释性。未来的研究方向可能集中在多源数据融合和轻量级模型设计上，以进一步提高预测性能。本调查旨在为研究人员提供有价值的参考，并为船舶轨迹预测技术的持续创新做出贡献。