基于GRU-SAT的场景中心多船舶轨迹预测
《Ocean & Coastal Management》:Scene-centric multi-vessel trajectory prediction via GRU-SAT
【字体:
大
中
小
】
时间:2026年07月22日
来源:Ocean & Coastal Management 5.9
编辑推荐:
•提出了一种以场景为中心的GRU-SAT框架,用于多船舶轨迹预测。•船舶间自注意力机制能够捕捉密集港口交通中的相互依赖关系。•辅助的成对距离回归模块起到多任务正则化作用。•在釜山港AIS数据上,GRU-SAT相比以场景为中心的基线方法提升了轨迹预测精度。•该辅助模块显著降低了近距
•提出了一种以场景为中心的GRU-SAT框架,用于多船舶轨迹预测。•船舶间自注意力机制能够捕捉密集港口交通中的相互依赖关系。•辅助的成对距离回归模块起到多任务正则化作用。•在釜山港AIS数据上,GRU-SAT相比以场景为中心的基线方法提升了轨迹预测精度。•该辅助模块显著降低了近距离船舶间的距离预测误差。
引言
海上运输每年处理的全球贸易量约为127亿吨,是国际货物运输的主要方式(联合国贸易和发展会议,2025年;克拉克森研究公司,2025年)。全球商船队规模的扩大以及船舶尺寸的增大,使得关键海上通道和港口进港区域的交通密度不断增加(Fan等人,2024年)。这种海上活动强度的增加意味着航行事故的概率上升,进而可能造成严重的环境与经济损失(Ant?o等人,2023年;Cai等人,2021年)。为确保这些高密度区域的安全,海事管理部门将船舶交通服务作为监测和管理海上交通的关键基础设施(Ma等人,2023年)。船舶交通服务中心的有效性取决于操作员在日益复杂的交通环境中保持清晰态势感知的能力(Zhang等人,2023年)。传统的船舶交通服务系统主要依靠自动识别系统提供的实时定位数据来监控船舶当前位置(Pallotta等人,2013年)。然而,随着海上船舶相遇频率的增加,船舶交通服务操作员面临着巨大的认知负担,这可能影响其工作表现,因此有必要开发有助于提升态势感知的分析工具(Song等人,2024年)。尽管有高分辨率的传感器数据可用,但目前的船舶交通服务框架往往处于被动状态,侧重于实时跟踪而非长期预测(Ma等人,2023年)。要了解海上交通流的复杂性,就必须识别出仅监测单艘船舶可能忽略的系统风险(Wen等人,2015年)。在没有预测分析工具的情况下,操作员只能依靠经验判断,而在涉及复杂运动模式的多船舶相遇情况下,这种方法可能不够可靠。能够预判近期交通状况的预测分析工具可以补充被动监测,助力提升态势感知能力(Ma等人,2023年;Liu等人,2025年)。自动识别系统的应用为通过时空序列分析海上交通提供了数据驱动的基础(Liang等人,2022年)。早期的研究利用机器学习及统计模型,如高斯过程模型,根据历史数据来预测船舶的未来状态(Rong等人,2019年)。但在复杂环境中,船舶运动的不可预测性要求采用更具弹性的计算架构来应对运动不确定性(Xin等人,2021年;Fan等人,2024年)。近期的研究通过引入注意力机制来提升预测性能,并增强不同特征之间的关联性(Korupoju等人,2025年)。基于Transformer的架构通过利用自注意力机制捕捉长距离时间关系,显示出克服顺序处理局限性的潜力(Nguyen和Fablet,2024年;Xue等人,2024年)。此外,通过特征增强等专门技术,也提升了长期轨迹预测的准确性(Lee等人,2026年)。除了简单的运动外,海上环境的复杂性还要求考虑各种环境因素(Korupoju等人,2025年)。研究表明,在港口进港区域,气象条件等外部变量对预测具有重要影响(Jiang和Lu,2020年;Korupoju等人,2025年)。这些因素会影响船舶的操纵性能,并决定可用的航行空间,因此在预测框架中需要对这些多样化的输入进行建模,以应对海上交通中存在的各种干扰因素(Ma等人,2023年)。在交通拥堵的情况下,要实现有效的船舶运动建模,就需要认识到每艘船舶都是在整体环境中所航行,而非孤立存在(Song等人,2024年)。在港口高密度区域,一艘船舶的轨迹会受到附近船舶的存在及其航行动作的显著制约(Ni等人,2025年),这就产生了单一船舶编码器无法捕捉的船舶间依赖关系。这一发现促使人们在行人及车辆运动预测等相关领域发展出多智能体及考虑交互作用的轨迹预测框架(Alahi等人,2016年;Gupta等人,2018年;Huang等人,2019年;Ngiam等人,2022年;Yuan等人,2021年),在这些领域中,社会聚合、图注意力机制以及基于场景的关系建模已成为常用工具。然而在海上轨迹预测领域,大多数方法仍然将船舶视为独立个体,只有少数方法开始探索基于图结构或考虑交互作用的建模方式(Liang等人,2022年;Zeng等人,2024年;Wan等人,2025年;S. Wang等人,2024年;Liu等人,2024年)。在多船舶轨迹预测中,一个核心问题在于模型是逐艘预测船舶,还是将它们作为一个整体在场景中共同预测。在以目标为中心的建模方式中,网络会生成某一指定船舶的未来轨迹,而周围船舶仅作为背景信息纳入输入。因此,要为场景中的N艘船舶生成预测结果,就需要进行N次独立的预测运算,且这些预测结果在推理时彼此之间没有关联。相比之下,以场景为中心的建模方式可以在一次预测运算中同时生成场景中所有船舶的未来轨迹:每艘船舶的嵌入向量都会对称地关注其他所有船舶,而共享的场景表示则形成了船舶间的二元结构,可通过基于船舶间关系的辅助损失函数对其进行优化。因此,以场景为中心的建模方式不仅在场景级推理时具有更高的计算效率,而且在结构上也更适合进行二元多任务监督。目前大多数海上轨迹预测工具仍采用以目标为中心的方式,而在统一的以场景为中心的框架下进行系统性的实证比较的研究还相对较少。为填补这一空白,本研究提出了GRU-SAT,这是一种以场景为中心的多船舶轨迹预测框架。该框架将门控循环单元时间编码器与船舶间自注意力变换器模块相结合,使得每艘船舶的嵌入向量都能关注同一场景中所有其他同时出现的船舶。经过处理后的具有交互意识的嵌入向量会通过共享的轨迹预测模块被映射到未来位置,同时也会被传递到一个成对距离回归模块,该模块在模型输出端生成连续的船舶间接近度得分。这个成对距离预测模块以预测时段内船舶间的最小距离作为监督信号,该距离直接来自真实的轨迹数据,它具有双重作用:在训练过程中可作为轨迹预测损失的多任务正则化因子,同时也能为后续需要利用船舶间接近度数据的应用提供辅助输出。该框架在釜山港的真实AIS数据集上进行了测试,并与六种基于场景中心的基线方法进行了对比,这些基线方法分别来自仅基于序列信息和考虑交互信息的两类方法。本研究的主要贡献如下:•我们提出了GRU-SAT,这是一种端到端的以场景为中心的多船舶轨迹预测框架,它将GRU时间编码器与船舶间自注意力机制相结合,能够在一次预测运算中为场景中的所有船舶生成相互关联的轨迹预测结果。•我们在共享的场景嵌入向量上增加了成对距离回归模块,该模块以预测时段内船舶间的最小距离作为监督信号,这一距离直接来自真实轨迹数据,无需额外的传感器或标注数据。通过损失权重调整实验表明,这种辅助监督机制作为一种温和的多任务正则化手段,能够在适当权重下提升轨迹预测的精度。•我们在釜山港的实际交通数据上验证了,采用船舶间自注意力的以场景为中心的预测方法,其轨迹预测精度优于仅基于序列信息和考虑交互信息的基线方法,而且所需的参数数量相当或更少。
相关片段
船舶轨迹预测
自动识别系统数据的广泛可用性为船舶轨迹预测奠定了数据驱动的基础,最近有一项综述(Zhang等人,2022年)对该快速发展的领域中的各种方法进行了全面总结。在该领域初期,研究主要集中在传统的机器学习方法上,例如高斯过程回归(Rong等人,2019年)、支持向量回归等。
问题定义
场景被定义为船舶交通服务监测区域的一个快照,即在长度为T+F步的滑动窗口内同时观测到的最多Nmax艘船舶,其中T表示历史数据长度,F表示未来预测时段。输入数据表现为一个轨迹张量X∈RN×T×D,其中包含T个历史时刻内的N艘船舶信息,每艘船舶由D=5个特征描述:纬度、经度、航速、余弦航向角和正弦航向角。一个填充掩码M∈{0,1}N用于标识为空的船舶位置。
实验部分
实验安排如下:第4.1节介绍了数据集、评估方案以及超参数设置。第4.2节展示了GRU-SAT与六种以场景为中心的基线方法的轨迹预测精度对比情况,第4.3节对对比结果进行了分析,并明确了船舶间自注意力机制的贡献。第4.5节评估了辅助的成对距离回归模块及其在近距离船舶间的误差特征,第4.6节则按相遇类型对辅助误差进行了分类分析。
结论
本文提出了GRU-SAT,这是一种以场景为中心的多船舶轨迹预测框架,它将门控循环单元时间编码器与船舶间自注意力变换器模块相结合,能够在一次预测运算中同时生成场景中所有船舶的未来轨迹。该框架从同一个共享的场景表示中输出两种结果:一个是轨迹预测结果,另一个则是成对距离回归结果,后者以预测时段内船舶间的最小距离作为监督信号。
CRediT作者贡献说明
Sangseok Lee:撰写——初稿、可视化、方法设计、数据整理、概念构建。Deuk Jae Cho:研究调查、概念构建。Wonhee Lee:撰写——审稿与编辑、验证、软件实现、概念构建。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了韩国海岸警卫队资助的韩国海洋科学技术振兴院(KIMST)的支持,项目编号为RS-2025-14322995。
Sangseok Lee|Deuk Jae Cho|Wonhee Lee
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号