基于深度学习方法的AIS与气象数据融合驱动的船舶靠泊轨迹预测

《Ocean Engineering》：Integrated AIS-meteorological data-driven ship berthing trajectory prediction based on deep learning approach

　　•本研究构建了一种基于数据驱动的框架，利用AIS数据和气象数据预测船舶靠泊轨迹。•研究提出了一种轨迹提取策略，用于从原始AIS记录中识别出靠泊轨迹。•研究还提出了一种基于序列到序列架构的双层增强网络（DLENet）。•实验结果表明，DLENet的预测误差低于基准模型及其他类似模型。•消融实验进一步验证了DLENet中各模块的有效性。

1. 引言
随着自主运输技术的发展（Liu等人，2025年），尤其是海上自主水面船技术的发展（Xu和Guedes Soares，2026年；Chen等人，2025年；Liu等人，2022年），自动靠泊技术作为自主导航系统的重要组成部分，由于其复杂的操作环境以及高精度的操控要求，一直被视为最具挑战性的环节之一（Liu等人，2024a年）。与在开阔水域的航行相比，靠泊通常发生在空间受限的区域（Liu等人，2023年），船舶在这些区域以低速行驶，且对风力和水流等外部干扰极为敏感（Wang和Zhang，2022年；Liu和Guedes Soares，2026年）。此外，靠泊还需要在有限的空间和时间范围内，对船舶的航向、速度和位置进行高精度协同控制。

近年来，为推动自动靠泊技术的发展，Han等人（2023年）指出，现有研究主要聚焦于靠泊状态感知和靠泊运动控制。在靠泊状态感知的研究中，通常使用激光雷达数据来模拟船舶靠泊过程中的空间和几何关系。通过点云处理、特征提取和目标跟踪等方法，可以实时感知并评估靠泊距离、角度、速度等参数（Qin等人，2026年；Guo等人，2025年；Wang等人，2025a年；Wang和Li，2025年；Chen等人，2023年；Hu等人，2022年）。尽管这些成果主要用于靠泊状态监测、行为预警以及辅助决策，但它们主要侧重于估算当前的靠泊状态，对于靠泊过程中未来运动轨迹的建模能力较为有限。

在自动靠泊控制方面的研究则主要集中在靠泊路径规划与运动控制上。早期的方法大多基于船舶的操纵性分析，通过速度控制来实现自动操纵（Wu等人，2021年）。随后，研究逐渐转向规划-控制分离的框架，再结合路径跟随算法或模型预测控制技术，以实现受限水域内的稳定靠泊控制（Han等人，2024a年）。同时，为了解决低速行驶时的强非线性问题以及环境干扰问题，一些研究引入了智能控制方法，如人工神经网络（ANN）（Im和Nguyen，2018年）、深度学习技术（Wang等人，2022年）以及强化学习技术（Mou和Zhu，2025年），用于进行靠泊决策和运动优化。这些研究表明，自动靠泊控制技术正逐步从专注于单一控制算法的研究，向综合性自主系统发展。

然而，在船舶自动靠泊系统中，轨迹预测作为连接环境感知、路径规划与运动控制的关键模块，对于预测靠泊船舶的未来运动趋势起着至关重要的作用。目前，针对靠泊轨迹预测的研究还相对较少。Shin和Yang（2025年）采用了三种深度学习方法，基于AIS数据建立了预测模型，为这一领域的研究提供了有益的借鉴。此外，还有一些从靠泊行为角度开展的相关研究。例如，Fang等人（2022年）开发了一种基于AIS的靠泊行为评估模型，为靠泊运动的安全性提供了参考。Wang等人（2025b年）提出了基于激光雷达数据的深度学习模型用于靠泊行为预测，展示了学习方法在支持智能港口运营方面的潜力。Lee等人（2020年）则运用机器学习方法预测靠泊速度的风险范围，并实现了靠泊风险预警。虽然这些研究为自动靠泊系统的发展奠定了良好基础，但关键的靠泊轨迹预测问题尚未得到充分研究。

因此，本研究旨在解决自动靠泊过程中的轨迹预测问题。具体而言，研究基于历史船舶靠泊相关的AIS数据和气象数据，将靠泊过程视为一个序列预测任务，并提出了一种基于深度学习的数据驱动型轨迹预测模型。在这一过程中，AIS数据中的静态参数（如吃水深度、船长和船宽）被作为约束条件，而气象参数（如风力和水流状况）则被转换为以船舶为参考的坐标系中的相应分量。最后，通过系统地评估预测的准确性和稳定性，该模型可为船舶自动靠泊系统的有效轨迹预测提供支撑。本研究的主要贡献如下：
(1)研究提出了一种靠泊轨迹提取策略，能够从原始AIS数据中系统地识别并构建高质量的靠泊轨迹样本。该策略通过纳入空间约束和速度限制，为预测靠泊轨迹提供了可靠的数据基础。
(2)研究提出了一种气象数据整合方法，通过将风力和水流数据转换为以船舶为参考的坐标系分量，使得深度学习模型能够有效捕捉环境干扰对低速靠泊操作的影响。
(3)研究提出了一种用于短期靠泊轨迹预测的模型，即双层增强网络（DLENet）。该模型通过联合分析历史AIS数据和气象数据，将靠泊过程视为一个序列到序列的预测任务。实验结果表明，DLENet的预测误差低于基准模型及其他同类模型。

接下来的章节结构如下：第2节阐述船舶靠泊轨迹预测所面临的挑战及解决方案。第3节介绍数据收集、靠泊轨迹提取与预处理以及数据增强与整合的过程。第4节介绍所提出的网络架构的方法论。第5节分析实验结果。最后，第6节给出结论。

2. 靠泊轨迹预测的挑战
为探讨适合用于靠泊轨迹预测建模的方法，表1总结了目前一些常用的轨迹预测方法。可以看出，现有的基于学习的船舶轨迹预测方法通常以历史AIS轨迹作为主要输入，再利用序列建模网络来训练时间依赖关系。其中，编码器-解码器架构在船舶轨迹预测中被广泛应用。例如，Billah等人（2022年）利用历史AIS观测数据研究了基于LSTM的编码器-解码器框架。Han等人（2024b年）则提出了一种序列到序列的生成模型，用于捕捉船舶之间的相互作用以及预测的不确定性。Zhang等人（2023年）进一步在编码器-解码器框架中加入了多种轨迹语义和船舶类型信息，形成了METO-S2S模型。这些研究证明了序列到序列模型在轨迹预测方面的有效性，也为本研究中的靠泊轨迹预测建模提供了设计思路。

表1. 船舶轨迹预测所用方法的总结

| 参考文献 | 使用的数据 | 使用的方法 | 研究场景 |
|----------|----------|----------|----------|
| Jiao等人（2026年） | AIS数据 | LLM4STP（一种大型语言模型） | 通用场景 |
| Zhao等人（2025年） | AIS数据、模拟数据 | 基于多维属性关系的Transformer模型 | 通用场景 |
| Shin和Yang（2025年） | AIS数据 | BiLSTM、Bi-GRU和Transformer模型 | 靠泊场景 |
| Luo等人（2025年） | AIS数据、环境数据 | 多模态RNN模型 | 通用场景 |
| Zhang等人（2025a年） | AIS数据 | DGCN-Transformer模型 | 多船场景 |
| Zhang等人（2025b年） | AIS数据 | DI-MTP模型 | 多船场景 |
| Li等人（2024a年） | AIS数据 | 差分LSTM模型 | 通用场景 |
| Li等人（2024b年） | AIS数据 | BiLSTM和BiGRU模型 | 通用场景 |
| Liu等人（2024b年） | AIS数据 | TCN和GRU模型 | 多船场景 |
| Han等人（2024b年） | AIS数据 | Seq2Seq模型 | 通用场景 |
| Bi等人（2024年） | AIS数据、环境数据 | 基于多头注意力的CNN和GRU模型 | 通用场景 |
| Capobianco等人（2023年） | AIS数据 | 循环式编码器-解码器网络 | 通用场景 |
| Zhang等人（2023年） | AIS数据 | METO-Seq2Seq模型 | 通用场景 |
| Syed和Ahmed（2023年） | AIS数据 | CNN和LSTM模型 | 通用场景 |
| Liu等人（2023年）、Billah等人（2022年） | AIS数据 | LSTM编码器-解码器模型 | 多船场景 |
| Feng等人（2022年） | AIS数据 | IS-STGCNN模型 | 多船场景 |

与在开阔水域的船舶轨迹预测相比，靠泊轨迹预测受到港口环境和低速行驶特性的更强约束。在靠泊过程中，船舶在有限的水域内航行，需要频繁调整航向和速度，这使得它们的运动更容易受到风力、水流以及码头周边空间限制的影响（Fang等人，2022年；Mwange等人，2025年）。因此，靠泊轨迹预测不仅需要基于历史AIS轨迹进行时间维度上的建模，还需充分考虑环境干扰因素。

从建模的角度来看，靠泊轨迹预测与一般的航行轨迹预测类似，因为两者都可以基于历史数据被转化为序列预测问题。不过，这两种轨迹预测场景在运动特性和环境约束方面存在显著差异。一般的航行轨迹预测通常发生在开阔水域，重点在于捕捉船舶在较长时间跨度内的运动趋势（Zhang等人，2025b年；Li等人，2024b年；Zhao等人，2023年）。而船舶靠泊则发生在受限的港口水域，船舶在此处以低速行驶，且极易受到外部环境条件的影响，尤其是风力和水流（Mwange等人，2025年）。同时，在这种场景下，船舶需要更频繁、更精确地进行操纵，这就对靠泊轨迹预测的准确性和稳定性提出了更高要求。在这样的背景下，靠泊轨迹预测面临着以下关键挑战：
(1)本研究聚焦于船舶靠泊阶段的轨迹预测，而所收集的AIS数据中包含大量船舶在停靠和离泊阶段的记录。因此，如何从原始AIS数据中准确识别并提取出靠泊轨迹，成为一个重要的挑战。
(2)气象数据与AIS数据在时间维度上存在不一致性，这使得深度学习模型难以掌握气象参数的影响程度。因此，正确转换和整合这些数据是提升轨迹预测性能的关键。
(3)船舶靠泊过程需要通过引擎控制和舵面调节来频繁改变航向和速度，这使得每艘船舶在靠泊时的运动表现都具有独特性。因此，提升模型的泛化能力成为一项重要的工程任务。

为解决原始AIS数据中同时存在靠泊、停靠和离泊阶段记录的问题，本研究首先确定了用于靠泊轨迹预测研究的目标码头。随后，通过定义合适的多边形水域范围并设定速度限制，提取该码头的所有AIS数据。最后，按照相同MMSI编号的原始时间顺序遍历这些数据，筛选出那些船舶速度首次降至0的数据，并将其作为靠泊轨迹数据保存下来。详细的技术规范将在3.2小节中介绍。通过这种方法，只有符合靠泊运动特征的轨迹片段才会被保留下来，用于模型的训练和评估。这样可以确保所构建的预测任务与靠泊场景高度契合，避免无关数据干扰模型的学习过程。

此外，现有研究也表明，将环境数据纳入船舶轨迹预测中可以提高模型性能。例如，Luo等人（2025年）和Bi等人（2024年）都针对一般航行场景，通过时空匹配直接融合AIS数据与气象环境数据，用于船舶轨迹预测建模。然而，本研究着眼于低速靠泊过程，并没有直接将原始气象数据作为一般的环境输入。 Instead，本研究将风速、风向、流速和流向转换为以船舶为参考的坐标系中的纵向和横向分量，从而为建模风力和水流干扰对靠泊轨迹的影响提供了更有意义的输入数据。

在真实的港口环境中，气象数据是以每小时为时间间隔更新的，而AIS数据通常每隔几分钟更新一次。这就导致同一轨迹上的气象数据在很长一段时间内都不会发生变化，因而可被视为深度学习任务中的准静态数据。换言之，模型会将这些数据视为噪声数据，无法理解它们对模型输出的影响。因此，有必要如3.4.2小节所述，将这些气象数据转换为以船舶为参考的坐标系中的时变分量。通过这样的转换，模型就能够了解环境干扰如何影响靠泊轨迹，进而提高预测的准确性和稳定性。

与那些仅针对单个码头进行建模的研究（Xue等人，2019年）不同，本研究使用的数据涵盖了四种不同的码头场景。引入多种码头数据为模型在训练阶段提供了多样的空间约束和操纵模式，有效降低了模型对特定靠泊条件的依赖性。需要指出的是，模型并不会获得有关这些码头的具体信息，因此它只能通过历史轨迹数据隐式地学习不同码头位置所带来的影响。该方法提升了模型在不同靠泊条件下的泛化能力。此外，为避免数据泄露，严格区分了训练集和测试集，从而确保模型在工程应用中的可行性和稳定性。总之，本研究系统地解决了靠泊轨迹预测中的关键问题，包括轨迹数据的构建、气象信息的整合以及模型泛化，为后续的轨迹规划与运动控制提供了可靠的轨迹信息支持。

3. 数据收集与预处理
数据质量是船舶靠泊轨迹预测建模性能的核心。图1展示了本研究中的完整数据预处理流程，该流程包含四个步骤，用于清洗和整合收集到的数据。详细内容将在以下小节中介绍。
下载：下载高分辨率图像（872KB）
下载：下载全尺寸图像
图1. 船舶靠泊轨迹预测的数据预处理流程

3.1 研究区域
本研究通过收集历史AIS数据来预测日照市岚山港的船舶靠泊轨迹。所研究的靠泊场景如图2所示，红色框标注的区域用于查询AIS数据，时间范围为2025年1月1日至2025年12月31日。黑色红星代表用于预测船舶靠泊轨迹的目标码头（一个石油码头，见图2(a)），而红星的不同位置则代表目标码头的不同泊位（见图2(b)）。数据收集结果显示，该港口水域面积足以支撑靠泊轨迹预测研究。同时，为提升预测模型的预测性能和稳定性，还在船舶靠泊作业期间收集了气象数据。
下载：下载高分辨率图像（553KB）
下载：下载全尺寸图像
图2. 靠泊场景的数据收集情况：(a) 数据区域与目标码头；(b) 不同泊位的位置
具体而言，本研究使用的AIS数据和气象数据来自“船舶价值可视化平台”（https://coes.voc.myvessel.cn/），是通过应用程序编程接口授权获取的。共请求了11项AIS数据参数（即时间戳、经度、纬度、地面航向角、航向、地面速度、吃水深度、船长、船宽、船名以及MMSI编号），以及5项气象参数（即时间戳、风速、风向、水流速度、水流方向）。这些请求的数据与靠泊轨迹预测的影响因素直接相关，尤其是航向和气象参数。

3.2 靠泊轨迹提取
根据收集到的AIS数据，共有383,357个数据点、1063条船舶轨迹以及347艘船舶。这些数据点的热力图如图3所示。可以看出，在本研究的靠泊场景中，目标码头同时停靠的船舶数量最多。此外，收集到的AIS数据涵盖了多种航行状态（如进港、靠泊、停泊和出港），且覆盖了整个港口水域。如果直接使用这些数据来构建靠泊轨迹预测模型，将会引入大量停泊状态和非靠泊状态的轨迹噪声，这可能会干扰本研究的目标并降低模型性能。因此，从AIS数据中准确提取靠泊轨迹是至关重要的一步。
下载：下载高分辨率图像（469KB）
下载：下载全尺寸图像
图3. 收集到的AIS数据热力图
为仅提取停靠在石油码头的船舶轨迹，可根据AIS数据的可视化结果，定义一个合适的多边形水域范围（即泊位前方的水域区域）来实现这一目标。然而，采用这种方法后仍发现有大量由港口作业船舶产生的噪声数据点，例如拖船和正在转运油品的油轮。为解决这一问题，在过滤靠泊轨迹数据时需对地面速度范围设置限制，因为船舶在靠泊操作过程中必须保持极低的速度。因此，采用了射线投射算法来判断某个轨迹点是否位于指定的多边形范围内；如果是，则需提取包含该点的所有轨迹。具体而言，指定的多边形范围由以下四组经纬度坐标界定：(a) 东经119.396880°，北纬35.090730°；(b) 东经119.408078°，北纬35.084478°；(c) 东经119.422669°，北纬35.103936°；(d) 东经119.411339°，北纬35.109625°。随后，按照时间戳和MMSI编号对数据集进行分组，并将地面速度的范围设定为0至2节，以此过滤出筛选后的轨迹数据集。总体而言，所提出的靠泊轨迹提取算法旨在识别满足以下两个条件的所有船舶轨迹：(1) 至少有一个轨迹点位于多边形范围内；(2) 该轨迹点的速度不超过2节。通过这一流程，最终得到了仅属于目标码头（见图2）的船舶轨迹。但由于本研究侧重于预测靠泊轨迹，上述提取的数据集仍包含相关的停泊状态和出港状态轨迹数据。因此，还需进一步优化该数据集，以获得仅包含船舶靠泊阶段的数据集。收集到的原始AIS数据是按照船舶在连续时间段内不同的靠泊阶段进行存储的。也就是说，通过时间和MMSI编号进行索引，具有相同MMSI编号的船舶会在连续时间内依次经历进港、靠泊、停泊和出港等完整阶段，而一旦MMSI编号发生变化，其状态就会重置。在之前的数据提取工作中，这种顺序结构依然得到了完整保留。因此，为聚焦船舶的进港和靠泊过程，会按每个MMSI编号的原始时间顺序遍历数据，提取从地面速度首次降至0时刻起的所有记录，并将其作为靠泊轨迹数据存储。这是因为在靠泊过程中，船舶的地面速度会从较高值逐渐降至0。而当船舶处于停泊状态时，地面速度基本为0；当船舶准备离泊时，地面速度又会从0逐渐升高到较高值。经过这一处理后，最终获得了54,929个AIS数据点、346条船舶轨迹以及218艘船舶的数据，所提取AIS数据的靠泊轨迹如图4所示。
下载：下载高分辨率图像（424KB）
下载：下载全尺寸图像
图4. 所提取AIS数据的靠泊轨迹可视化图

3.3 轨迹数据预处理
基于上一节提取的靠泊轨迹数据，初步的数据处理包括：(1) 检查各种AIS数据参数中的缺失值，并通过线性插值法进行填补；(2) 对那些位数不是9位或数值异常的MMSI编号进行修正；(3) 地面航向角和航向的值通常应在0到360°之间，若超出此范围则需删除。此外，根据航海经验，AIS数据在传输过程中可能受到信号干扰，从而导致GPS定位出现误差，使得船舶的位置信息无法被准确记录。如果不对这些误差进行过滤，将会严重降低数据质量，这对船舶轨迹预测模型而言是极为不利的。不难推断，如果相邻两个数据点中的一个位置异常，那么它们之间的间隔速度可能会超过允许的最大值。因此，可通过设定一个合理的速度范围来检测船舶是否存在位置异常，该范围遵循以下公式：
(1) vsog?2≤va≤vsog+2
其中，va为允许的速度值，vsog为地面速度的数值。显然，va是一个动态值，由不同时刻的地面速度值决定，它表示上下两个地面速度值之间2节的速度差范围。之所以要求va随vsog变化，是因为船舶靠泊过程需要逐步降低速度。接下来，为计算两个相邻点之间的间隔速度，首先需要计算它们之间的距离。假设在AIS数据中，t时刻有两个相邻点p1(x1,y1)，t+1时刻有两个相邻点p2(x2,y2)，则可使用哈弗辛公式（Shin and Yang, 2025）来计算两者之间的距离，公式如下：
(2) d=2R·arcsin?(sin2((y2?y1)/2)+cos(y1)·cos(y2)·sin2((x2?x1)/2))
其中，d为两个相邻点之间的距离（单位：公里）；R为地球半径，约为6371公里；y1和y2分别为两个点的纬度；x1和x2分别为两个点的经度。需要注意的是，在计算过程中这些经纬度坐标需要先转换为弧度。然后，可按照以下公式计算这两个点在当前时刻的间隔速度：
(3) vi=dΔt×1.852
其中，vi为间隔速度（单位：节），Δt为这两个点之间的时间差（单位：小时）。因此，经过过滤后的数据集必须满足以下条件：
(4) Dfilter={vi|vi?va}
其中，Dfilter为去除了异常轨迹点的过滤后数据集。为直观说明上述位置异常检测方法，这里举一个示例。某艘船舶的MMSI编号为477692200，计划靠泊日期为2025年3月9日，该船舶生成了37个靠泊轨迹点。通过所提出的方法检测异常位置后，图5展示了间隔速度值与地面速度值之间的对比结果，从而识别出了一个应被删除的异常轨迹点。该实验证明了该方法的有效性，非常适合用于解决轨迹数据预处理中的问题。
下载：下载高分辨率图像（390KB）
下载：下载全尺寸图像
图5. 通过比较间隔速度与地面速度来检测异常点
通过上述数据处理工作，最终获得了可用于轨迹预测建模的可靠AIS数据集。然而，由于船舶靠泊作业的复杂性，其性能会受到气象条件的极大影响，尤其是在没有防波堤的港口。因此，为提高预测模型的准确性，还需要进一步将气象数据整合到该数据集中并对其进行强化，这一过程将在下一小节中介绍。

3.4 数据增强与整合
3.4.1 轨迹数据增强
本文的目的是开发一种基于深度学习的靠泊轨迹预测模型，该方法的基本思路是以固定的时间间隔和固定的序列长度输入数据。但AIS数据的记录时间并不规律，这会给时间序列数据的分析与建模带来困难。因此，经过上述预处理得到的数据集在时间分辨率方面仍需进一步提升。为解决记录时间不规律的问题，本文提出了以下数据重采样方法。通常，三次样条插值法在解决这类问题时表现优异（Shin and Yang, 2025），但也可能出现不合理的数据值。不过，船舶靠泊时的运动过程是连续且平滑的，因此通过设定速度限制，就可以避免出现不合理的插值结果（如突然的跳变和加速度）。具体而言，速度阈值设为8.9节，这一数值为数据集中观测到的最大地面速度，目标时间间隔则设为1分钟（即每分钟生成一次数据）。在这一过程中，经度、纬度、航向、地面速度等参数都会被进行插值处理。所提出的插值方法能够在保留原始数据特征的同时，实现更精细的时间分辨率，从而便于生成连续时间间隔的轨迹数据集。接下来，为解决重采样后轨迹长度不一致的问题，会通过截断或填充的方式统一轨迹长度，同时保持时间的连续性。该方法将50个轨迹点设为标准长度，然后依据以下规则进行处理：1）如果同一艘船舶的靠泊轨迹点数量超过50个，则截取前50个点作为该船舶的全部轨迹点。需要注意的是，同一艘船舶可能会在不同时间多次靠泊，因此还需要一个联合时间戳索引来标识同一艘船舶的各条轨迹。2）如果同一艘船舶的靠泊轨迹点数量少于50个，则需要在轨迹前后进行适当填充，使其达到50个点的标准长度。具体而言，前面会重复使用第一个有效的轨迹点进行填充，后面则重复使用最后一个有效的轨迹点进行填充。该策略保持了原始靠泊轨迹的时间连续性，避免了位置跳变。通过这种预处理，可以得到时间间隔均匀且序列长度固定的靠泊轨迹数据集，以便用于后续的深度学习模型训练。表2展示了不同预处理流程下最终的轨迹数据点数量。表2. 不同处理流程下的数据点数量。数据集类型收集的数据集提取的数据集预处理后的数据集增强后的数据集数据点数383,35754,92952,14417,300船舶轨迹1063346346346船舶数量3472182182183.4.2 气象数据整合为提升轨迹预测模型的性能，本节将收集到的气象数据与增强后的靠泊轨迹数据相结合。AIS数据通常以较高的时间分辨率（分钟级）记录，而气象数据则以较低的时间分辨率（每小时）采集。由于船舶靠泊过程一般在一小时内完成，因此通过时间匹配将每小时的气象数据与AIS轨迹点对应起来。这样就得到了包含气象信息的船舶靠泊轨迹数据集。在真实的港口环境中，气象变量通常会在数十分钟到几小时内发生变化。鉴于AIS轨迹的分钟级采样以及本研究采用的短期预测范围，这些环境因素在单次靠泊操作中可视为近似静态的。如果不在深度学习建模中对这些气象变量进行适当转换，以体现它们对船舶运动的影响，那么它们就无法为下一步的靠泊轨迹预测提供有效支撑。因此，需要建立船舶运动坐标系来界定风力和水流的相对方向。如图6所示，该坐标系包括固定于空间的O?XY坐标系以及随船舶移动的Os?xy坐标系。具体而言，风向或水流方向与船舶航向之间的夹角可通过以下公式计算：(5)βw,c=θw,c?θHDG，其中βw,c为风向或水流方向与船舶航向的夹角；θw,c为风向或水流方向的角度；θHDG为船舶的航向角。下载：下载高分辨率图像（186KB）下载：下载全尺寸图像图6. 风向或水流方向的定义。随后，可在船舶坐标系中计算风速和水流速度的分量：(6)vw,cx=vw,c×|sinβw,c| (7)vw,cy=vw,c×|cosβw,c|，其中vw,cx为风速或水流速度在x轴上的分量，vw,cy为其在y轴上的分量。然而，根据公式(6)和(7)计算出的速度分量均为正值，深度学习模型会将其统一视为正向影响，这显然是不合理的。例如，当船舶在右舷靠泊时，若它受到来自右舷的风力或水流作用（即离岸风或离岸流），从船舶操纵的角度来看，这种环境影响是正面的；但反之则被视为负面影响。因此，为区分环境影响的正负，需将风向或水流的相对方向定义为：(8)θrelw,c=βw,c+180°，其中θrelw,c即为风向或水流的相对方向。需要注意的是，θrelw,c的计算值可能大于360°或小于0°，此时需通过取模运算将其映射到[0°,360°]范围内。如此，当θrelw,c≤180°时，表示风或水来自船舶的右舷；而当θrelw,c>180°时，则说明风或水来自船舶的左舷。进而，环境的负面影响可定义为：(9)psta={+1,θrelw,c≤180°?1,θrelw,c>180°} (10)ppor={?1,θrelw,c≤180°+1,θrelw,c>180°}，其中psta表示船舶在右舷靠泊，ppor则表示船舶在左舷靠泊。具体到本研究描述的靠泊场景中，船舶均为在右舷靠泊。因此，风速和水流速度的分量可按如下方式计算：(11)xberthw,c=psta×vw,cx (12)yberthw,c=psta×vw,cy，其中xberthw,c为风速或水流速度在x轴上的分量，yberthw,c为其在y轴上的分量。表3展示了整合后数据集的部分信息。在该表中，Wind-x、Current-x、Wind-y和Current-y分别表示在船舶固定坐标系中风速和水流速度的分量，这些数值是通过公式(5)–(12)计算得出的。表3. 用于深度学习建模的AIS与气象数据整合后的部分数据信息。时间戳MMSI经度（°）纬度（°）航向角（°）航向（°）航速（节）……风速x分量（m/s）风速y分量（m/s）水流速x分量（m/s）水流速y分量（m/s）2025/2/17 14:23447190000119.43239135.100271279.2266.44.4…?4.52?1.89?0.21?0.172025/2/17 14:24447190000119.43031035.100527273.0261.04.2…?4.33?2.30?0.19?0.192025/2/17 14:25447190000119.42887335.100616269.8259.34.0…?4.25?2.43?0.18?0.202025/2/17 14:26447190000119.42792435.100570269.1260.03.9…?4.29?2.37?0.18?0.192025/2/17 14:27447190000119.42713335.100469269.1261.03.8…?4.33?2.29?0.19?0.19…………………2025/06/24 16:04477615700119.45015935.096524261.7265.55.8…1.130.930.230.592025/06/24 16:05477615700119.44834535.096308261.8266.65.6…1.140.910.250.592025/06/24 16:06477615700119.44664235.096105262.1268.05.5…1.170.880.260.582025/06/24 16:07477615700119.44498035.095914262.6269.35.3…1.190.850.270.572025/06/24 16:08477615700119.44325335.095750263.7270.95.2…1.210.820.290.57…………………2025/12/13 12:20477095600119.41975235.101546270.2270.21.9…?5.75?2.070.240.052025/12/13 12:21477095600119.41921835.101546272.1272.11.6…?5.67?2.290.250.042025/12/13 12:22477095600119.41875535.101585275.0275.01.3…?5.58?2.480.240.032025/12/13 12:23477095600119.41837035.101681278.7278.71.1…?5.53?2.610.240.022025/12/13 12:24477095600119.41804535.101819282.78282.70.9…?5.49?2.690.250.02注：Wind-x、Current-x、Wind-y和Current-y分别表示在船舶固定坐标系中风速和水流速度的分量。由于整合后的数据集包含大量特征参数，分析特征与目标变量之间的相关系数是高效构建船舶靠泊轨迹预测模型的重要探索步骤，有助于降低过拟合风险。皮尔逊相关系数因其标准化特性及便于比较的特点而被广泛用于此目的（Ma等人，2024）。其定义如下：(13)ρ(x,y)=∑i=1n(xi?x￣)(yi?y￣)∑i=1n(xi?x￣)2∑i=1n(yi?y￣)2，其中ρ(x,y)为输入x与输出y的样本相关系数；xi和yi分别为这两个参数的第i个观测值；x￣和y￣为它们的均值；n为样本数量。此外，ρ(x,y)的取值范围满足?1≤ρ(x,y)≤1这一关系。当ρ(x,y)>0时，表明这两个参数之间存在正相关，否则为负相关。同时，系数值越大，说明两者相关性越强。在本研究中，输出变量为纬度和经度，因此需分别计算每个输入特征与这两个变量之间的相关系数。随后，可利用以下公式计算各样本特征的综合性重要性得分：(14)r=|ρ(x,ylon)|×0.5+|ρ(x,ylat)|×0.5，其中r为每个样本特征的综合性重要性得分；|ρ(x,ylon)|为经度的相关系数，|ρ(x,ylat)|为纬度的相关系数。由于经度和纬度的权重均设置为0.5，因此二者被视作同等重要。如表4所示，重要性排名前五的特征为航速、航向、航向角、吃水深度以及水流速y分量，这也直接表明水流速度参数对船舶靠泊有着显著影响。从综合性重要性得分来看，所有特征的值均超过0.02，说明这些特征与输出目标具有很强的相关性。因此，所有这些特征都将被用于靠泊轨迹预测模型的构建，其相关系数热图如图7所示。表4. 根据相关系数计算结果得出的特征重要性排序。排名特征与经度的相关系数与纬度的相关系数综合性重要性得分1航速0.900236?0.1200330.5101352航向0.6975260.0485900.3730583航向角0.1301660.1228890.1265284吃水深度0.0055510.1445890.0750705水流速y分量0.0838290.0456490.0647396风速y分量0.070739?0.0137890.0422647水流速x分量0.0452800.0336050.0394438船舶宽度0.010788?0.0625010.0366459船舶长度?0.004120?0.0461380.02512910风速x分量?0.005948?0.0387570.022353下载：下载高分辨率图像（593KB）下载：下载全尺寸图像图7. 输入参数与输出参数的相关系数热图。对输入参数与输出参数之间相关系数的分析为后续构建高效准确的轨迹预测模型奠定了坚实基础，有助于确保模型结构简洁且具备良好的可解释性，而这正是特征工程和数据驱动建模所要求的科学前提。4. 方法论4.1 问题定义在海上运输中，船舶的轨迹指的是其在气象条件影响下在海上行驶的路径。给定一个由轨迹数据集DT和气象数据集DM组成的靠泊轨迹数据集Dberth=DT∪DM。具体而言，收集到的轨迹数据集记为DT={T1,T2,T3,?,Ti,?,Tn?1,Tn}，每条轨迹表示为Ti={P1i,P2i,P3i,?,Pji,?,Pm?1i,Pmi}；其中Pji为第j个轨迹点，包含时间戳、MMSI、经度、纬度、航向角、航向、航速、吃水深度、船舶长度和船舶宽度等信息。而DM则是按时间顺序排列的气象参数数据集，包含风速x分量、风速y分量、水流速x分量和水流速y分量的信息。在本研究的预测任务中，总体目标是输出船舶未来的位置。因此，任务定义如下。以过去t个时间步的轨迹-气象序列作为输入：(15)Xt={x1,x2,x3,?,xt}，其中Xt包含了t个时间步的所有轨迹-气象信息。预测未来h个时间步内的靠泊轨迹位置作为输出：(16)Yt={yt+1,yt+2,yt+3,?,yt+h} (17)yt+h=(lont+h,?latt+h?)，其中Yt代表预测得到的轨迹位置集合，yt+h则为t+h时刻预测得到的经度与纬度坐标。靠泊场景要求预测结果具有短时间范围和高精度。本研究聚焦于短期轨迹预测，旨在学习一种非线性映射函数f(Xt,Yh)，以最小化预测轨迹与实际轨迹之间的误差。(18)f(Xt,Yh):Xt→Yh4.2 提出的网络架构在时间序列预测领域，基于序列到序列架构的模型被广泛应用，这类模型通常由编码器和解码器组成，用于描述历史序列与未来序列之间的映射关系（Han等人，2024b；Zhang等人，2023；Billah等人，2022）。船舶靠泊轨迹预测属于典型的时间序列建模问题，其目标是基于历史航行状态和环境信息，持续预测船舶未来的靠泊轨迹。DLENet的整体网络架构如图8所示。下载：下载高分辨率图像（809KB）下载：下载全尺寸图像图8. 用于预测靠泊轨迹的DLENet模型。与传统的基于GRU的编码器-解码器模型相比，所提出的DLENet进行了三项关键改进。首先，DLENet采用双层GRU编码器和解码器，以增强对历史AIS-气象序列的时间表征能力。其次，设计了残差输出分支，可直接将编码后的历史运动信息映射到预测位置，从而使解码器能够专注于模拟靠泊过程中的非线性运动变化。第三，在解码之前，将吃水深度、船舶长度和船舶宽度等静态船舶特征与编码后的动态表征信息相拼接。尽管这些结构组件并非新技术，但它们在船舶靠泊轨迹预测任务中已展现出良好的性能（Billah等人，2022；Zhang等人，2023；Han等人，2024b）。因此，该模型的核心创新并不在于单个神经网络组件本身，而在于将靠泊相关的领域知识与气象特征的变换相结合。尤其是靠泊轨迹提取策略，以及综合考虑船舶靠泊侧情况对风力和水流分量的处理方式，为短期靠泊轨迹预测提供了有力的输入支持。4.2.1 GRU单元GRU是一种用于处理序列数据的神经网络架构，它是循环神经网络（RNN）的改进版本，具备门控机制，可用于避免梯度消失问题（Cho等人，2014）。GRU通过重置门和更新门来控制历史信息与当前输入的影响；其内部门控机制如图9所示。下载：下载高分辨率图像（257KB）下载：下载全尺寸图像图9. GRU单元的机制示意图。当前记忆单元Yt?的重置门状态Rt和更新门状态Zt可通过以下公式计算：(19)Rt=σ(WR[Yt?1,Xt]) (20)Zt=σ(WZ[Yt?1,Xt]) (21)Yt?=tanh(WY[Rt·Yt?1,Xt]) (22)Yt=(1?Zt)·Yt?1+Zt·Yt?，其中WR、WZ和WY分别是Rt、Zt和Yt?的权重矩阵；[,]表示向量拼接运算符；σ为S形激活函数；tanh为双曲正切激活函数；Yt为输出结果。4.2.2 残差模块与拼接模块引入残差模块后，编码器提取的历史轨迹可直接映射到位置预测结果，再与解码器的输出相结合，从而生成最终的轨迹预测结果。这种设计使得解码器能够专注于学习复杂的运动变化，而残差模块则负责模拟稳定的趋势。从优化角度而言，该架构有助于减少深度网络训练过程中的不稳定问题，提升模型对环境干扰的抵御能力。此外，在靠泊轨迹预测任务中，船舶的未来运动不仅取决于历史位置和环境变化，还与船舶自身的属性有关。不同船舶在长度、宽度和吃水深度等方面存在差异，这些差异会影响它们的惯性响应、转向能力以及对环境干扰的敏感度。同时，同一艘船舶在单一轨迹上的静态特征可视为深度学习模型所需的准静态信息。因此，本研究将静态船舶特征与编码器提取的时间序列特征相拼接，这样模型在预测时就能充分考虑不同船舶的差异，进而提升其泛化能力。4.2.3编码器与解码器模块
对于GRU编码器，给定一个序列数据集X，编码器采用双层GRU逐步更新隐藏状态：
(23) Enc_vec(i)=GRUenc(i)(X)
其中i为GRU层数，在本研究中i=1,2；Yenc(i)为最终编码向量。随后，GRU解码器可表示为：
(24) Dec_hid(i)=GRUdec(i)([Enc_vec(i),S])
其中[Enc_vec(i),S]表示编码向量与静态船舶特征的拼接；解码器同样为双层GRU结构。具体而言，所提出的DLENet包含两个输出头，即残差输出头和解码器输出头，其计算方式如下：
(25) Res_pred=WR·Enc_vec
(26) Dec_pred=Wdec·Dec_hid
其中WR和Wdec分别为残差输出头和解码器输出头的权重；Enc_vec为编码向量；Dec_hid为解码过程中的隐藏状态。因此，最终输出为：
(27) Y?=Dec_pred+Res_pred

4.3 评估指标
为定量评估模型的预测性能，本研究在局部笛卡尔坐标系中计算预测误差。具体而言，对于每条航行轨迹，以该次航行的第一个轨迹点作为局部坐标原点，通过方位等距投影将经纬度坐标转换为以米为单位的局部笛卡尔坐标。每个时间步的预测误差定义为预测位置与真实位置之间的欧几里得距离。整体性能通过均方根误差（RMSE）、平均位移误差（ADE）和最终位移误差（FDE）来评估。RMSE反映对较大偏差的敏感度，ADE衡量轨迹预测的平均精度，FDE则用于评估最终靠泊位置的精度，其计算公式分别为：
(28) RMSE=1/N∑k=1N(Yk?Yk?)2
(29) ADE=1/N∑k=1N‖Yk?Yk?‖2
(30) FDE=1/T∑h=1T‖Yh?Yh?‖2
其中N为预测轨迹点的总数；T为轨迹总数；Yk和Yk?分别为第k个轨迹点的真实位置和预测位置；Yh和Yh?分别为每条航行最后一个轨迹点的真实位置和预测位置；‖·‖2表示二维欧几里得范数。

5 实验结果分析
5.1 实验设置
由于船舶靠泊过程中存在频繁的操纵指令和环境干扰，本研究聚焦于短期靠泊轨迹预测。同时，鉴于本研究收集的样本数量有限，采用了滑动窗口技术生成模型训练所需的样本。具体而言，设定固定的历史输入窗口长度为20，模型分别预测未来h=1,2,3,4,5步的船舶位置。由此，原始时间序列可被划分为大量输入样本，这既提升了数据集的利用效率，又满足了深度学习模型的训练需求。以一步预测为例，图10直观展示了滑动窗口方法的预测过程。因此，本研究采用开环环境下的直接预测方法，而非滚动预测方法。

下载：下载高分辨率图像（300KB）
下载：下载全尺寸图像
图10 滑动窗口方法的预测过程

为确保评估结果的客观性，所有对比模型均在统一的训练集（80%）上进行训练，验证集（10%）用于超参数优化，测试集（10%）用于最终性能评估及轨迹可视化。这样可以公平地衡量各模型的泛化能力。为防止数据泄露，数据集在航行层面进行严格划分，每条航行被定义为在1分钟连续时间间隔内具有相同MMSI的一组记录。此外，超参数优化主要针对隐藏维度、学习率和批量大小展开。图11展示了这些超参数的提琴箱图，结果表明最优的超参数设置为128、0.002和32。模型训练的整体超参数见表5。具体而言，DLENet的输出头及残差映射将128维的解码器隐藏状态转换为二维输出，所有可训练参数均采用PyTorch的默认初始化方式，无需额外手动设置。三维静态特征，包括吃水、船长和船宽，会与128维的GRU编码结果沿特征维度拼接，形成131维的解码器输入用于预测。

下载：下载高分辨率图像（279KB）
下载：下载全尺寸图像
图11 超参数优化后的提琴箱图：(a)隐藏维度；(b)学习率；(c)批量大小
表5 模型训练的超参数设置
超参数 值
隐藏维度 128
优化器 Adam
学习率 0.002
损失函数 MSE
批量大小 32
输入序列长度 20
训练轮数 60
预测范围 1-5步

为便于轨迹预测，还采用了Z分数法对数据进行标准化处理。实验在配备Apple M4芯片和24GB内存的macOS Sequoia 15.3操作系统上开展，所使用的深度学习框架为用Python开发的PyTorch。

5.2 定量分析
5.2.1 与基准模型的对比结果
为全面评估所提出的DLENet模型在靠泊轨迹预测方面的性能，本节从多个角度将DLENet与GRU、BiGRU、LSTM、BiLSTM和Transformer等主流基准模型进行对比。表6列出了这些基准模型的核心机制。为保证对比实验的一致性，所有模型均采用相同的 数据划分方式、输入窗口、预测范围、超参数设置及评估指标。由于这些模型在每个预测步骤都会基于固定的历史输入窗口来预测未来位置，因此DLENet未采用教师强制策略。DLENet以及基于循环神经网络的基准模型也都未使用Dropout，仅Transformer的Dropout值设为0.1。此外，GRU和LSTM均为单层循环神经网络，隐藏维度为128；BiGRU和BiLSTM均为单层双向循环神经网络，每个方向的隐藏维度也为128；Transformer则包含2层编码器、4个注意力头，模型维度为128，前馈层维度为256。所有模型均使用全连接输出头来预测轨迹点位置。

表6 对比实验用的基准模型
模型 机制 参考文献
GRU 通过门控机制解决长序列建模中的梯度消失问题。Bi等人（2024）
LSTM 与GRU类似，引入了单元状态和多种门控结构。Billah等人（2022）
BiGRU 双向GRU通过门控机制缓解梯度消失问题。Shin和Yang（2025）
BiLSTM 双向LSTM能够从两个方向捕捉时间依赖性。Shin和Yang（2025）
Transformer 自注意力机制可捕捉全局时空依赖性。Zhang等人（2025a）

表7和图12展示了基准模型的整体性能评估结果，可以看出，所提出的DLENet模型在三项指标上的预测精度均最高。以一步预测的结果为例，其RMSE为40.08米，ADE为28.84米，FDE为26.12米，相比BiGRU（RMSE为57.48米，ADE为38.17米，FDE为37.26米）分别降低了30.3%、24.4%和29.9%。在更长的预测范围（2-5步）下，DLENet也始终保持着最低的误差水平。总体而言，DLENet在靠泊轨迹预测任务中展现出更强的精度优势。为节省篇幅，后续的可视化结果仅基于一步预测的结果。

表7 基准模型的整体性能评估结果
模型 h=1 h=2 h=3 h=4 h=5
RMSEA DEFDE RMSEA DEFDE RMSEA DEFDE
GRU 60.46 42.43 38.82 71.94 48.59 40.93
LSTM 58.49 44.89 55.09 84.33 59.69 59.56
BiGRU 57.48 38.17 37.26 69.12 46.29 39.64
BiLSTM 61.20 41.34 41.31 62.34 42.61 40.57
Transformer 64.96 53.47 62.89 68.91 56.17 63.98
DLENet 40.08 28.84 26.12 55.29 37.60 33.91

图12 不同预测范围下基准模型的性能对比：(a)RMSE；(b)ADE；(c)FDE
图13展示了不同模型在一步预测中各训练轮次的测试ADE曲线。结果显示，DLENet在训练初期就能快速降低误差，并在大约20轮训练后趋于稳定。训练结束时，DLENet的最终ADE约为30米，远低于GRU、LSTM和Transformer等模型。这表明DLENet在训练效率和稳定性方面均优于对比模型，能在较低的训练成本下实现更出色的预测性能。这些对比结果体现了DLENet相较于基准模型的优势，且不存在严重的过拟合现象。

图13 对比基准模型的测试损失曲线
为进一步评估模型在整个数据集上的预测可靠性，本研究采用累积分布函数（CDF）对预测误差进行统计分析。如图14所示，在95%和90%的累积概率下，DLENet的每步预测误差分别为75.0米和58.8米。这一结果表明，DLENet在大多数样本和高误差场景下仍能保持良好的预测稳定性和鲁棒性。

图14 基准模型预测误差的累积分布
如图15所示，一步预测误差的箱线图结果显示，DLENet的中位误差为26.31米，低于GRU（30.69米）、LSTM（34.44米）和Transformer（47.83米）。与Transformer相比，DLENet的误差降低了45.0%。进一步分析ADE的95%置信区间后发现，DLENet的ADE为28.84米，而Transformer则为53.47米，降幅达46.0%。这些结果表明，DLENet不仅具有更高的平均预测精度，还在多种实验条件下展现出更强的统计稳定性和鲁棒性。

图15 不同的误差分布情况：(a)每步误差的箱线图；(b)带有95%置信区间的ADE
总体而言，这些分析结果涵盖了预测精度、训练收敛性、优化效率、鲁棒性以及泛化能力等方面。本节从定量角度系统验证了DLENet在靠泊轨迹预测任务中的性能优势，充分证明了其有效性及实际应用价值。

5.2.2 与相似模型的对比结果
为评估DLENet的预测性能，本小节探讨了结构类似的模型。具体而言，共采用了六种相似模型，其结果见表8。以BiGRU-2E2D模型为例，它是一种基于BiGRU的双层编码器-解码器模型，即由两层BiGRU单元负责编码，另外两层BiGRU单元负责解码。这些对比实验在与前述实验相同的条件下进行。

表8 相似模型的整体性能评估结果
模型 h=1 h=2 h=3 h=4 h=5
RMSEA DEFDE RMSEA DEFDE RMSEA DEFDE
BiGRU-2E2D 47.30 35.83 34.23 59.59 43.48
LSTM-2E2D 57.68 44.38 55.52 56.81 48.04
BiLSTM-2E2D 53.61 40.92 43.90 62.54 44.11
BiGRU-1E1D 53.89 36.54 35.92 59.77 42.16
LSTM-1E1D 49.12 32.15 40.50 46.66 38.83
BiLSTM-1E1D 57.89 42.04 42.86 65.87 48.27
DLENet 40.08 28.84 26.12 46.21 35.40

表8和图16的实验结果进一步验证了DLENet的性能优势，表明在不同编码和解码结构下，它在1-4步的预测范围内仍保持稳定领先。在5步预测范围时，尽管这些模型的整体ADE数值较为接近，但DLENet在FDE指标上的表现依然最佳，为53.94米，体现了其在靠泊精度方面的更强稳定性。需注意的是，本节中的所有模型都经过了重新训练，即便随机种子相同（本研究中随机种子设为42），由于Apple芯片的随机性以及深度模型训练的特性，测试结果仍可能存在轻微波动。

下载：下载高分辨率图像（336KB）
下载：下载全尺寸图像
图16 相似模型在不同预测范围下的性能对比：(a)RMSE；(b)ADE；(c)FDE
为进一步探究两次DLENet实验在不同预测范围结果上的差异，通过详细对比实验设置、数据量、最佳训练轮数、检查点以及各层的模型参数，进行了专项诊断分析。分析结果表明，从h=1到h=5，两次实验的参数设置和数据量均保持一致，说明观察到的差异并非由实验配置或数据划分不一致导致。在h=2时，两种实验的最佳训练轮数有所不同，基准模型实验的最佳轮数为50轮，相似模型实验为60轮，这说明h=2时的差异主要是由于在不同的训练轮数保存了最优模型所致。在h=5时，虽然两次实验的最佳训练轮数相同，但检查点仍存在差异，这意味着在相同轮数下两次训练得到的模型权重不同。因此，h=5时的差异主要由模型初始化或训练过程中的随机性造成。附录A进一步证明了DLENet具有更好的收敛性、预测精度以及可靠的预测性能。

5.3 模型鲁棒性分析
为进一步验证所提出的DLENet模型的性能稳定性，同时减少单种子实验中随机性可能带来的影响，本研究在原有基准模型的基础上，采用了多个随机种子进行了额外的鲁棒性分析。具体而言，共使用了五个随机种子（即42、123、456、789和999），进行重复训练和测试（Zhang等人，2026），所有参数配置都与基准模型的对比实验保持一致。使用不同的随机种子只是为了控制参数初始化和训练过程中的随机因素。

对于每一个对比模型，都在不同的预测范围内计算了RMSE、ADE和FDE数值。实验结果以均值±标准差的形式呈现，其中均值反映模型的平均预测性能，标准差则体现不同随机种子下结果的波动程度。为进一步量化平均性能估计的不确定性，还计算了95%置信区间，其计算公式为：(31)CI95%=x?±t0.975,n?1×s/n，其中x?为样本均值，s为样本标准差，n为样本数量，s/n为均值估计的不确定性，t0.975,n?1为t分布的临界值。如表9和图17所示，在所有预测时期内，DLENet的均方根误差、平均绝对误差和平均方向误差均最低。具体而言，在预测时距h=1的情况下，DLENet的均方根误差、平均绝对误差和平均方向误差分别为42.58±9.87、30.58±1.96和28.10±3.42。与基准模型相比，DLENet具有更高的稳定性，对随机初始化的敏感度更低，并且在所有预测时期内都能保持最优性能。此外，95%置信区间进一步表明，DLENet在不同预测时距下都能保持较低误差，且其在多种随机种子条件下的性能优势依然稳定。

表9. 不同预测时距下DLENet与基准模型的多种子性能对比
预测时距　指标（均值±标准差）　DLENet　GRU　LSTM　BiGRU　BiLSTM　Transformer
h=1　RMSE　42.58±9.87　57.12±6.85　69.09±4.98　57.20±5.25　48.89±6.42　62.51±7.16
　ADE　30.58±1.96　41.27±2.52　51.69±2.69　38.55±3.09　35.42±2.12　50.66±5.42
　FDE　28.10±3.42　38.57±3.38　53.32±6.10　36.64±2.31　40.28±3.21　59.50±8.06

h=2　RMSE　48.44±10.49　64.75±8.01　74.76±5.47　61.88±4.89　57.34±8.37　62.32±2.80
　ADE　35.55±2.18　47.26±3.14　56.84±2.97　43.77±2.54　41.99±2.49　51.93±2.38
　FDE　30.65±3.69　41.88±3.46　54.40±6.85　39.30±2.75　41.68±3.01　56.85±6.51

h=3　RMSE　53.74±9.43　69.71±6.17　81.95±5.75　65.47±4.34　65.48±8.84　70.59±3.51
　ADE　41.18±2.39　52.81±2.44　63.33±3.25　48.93±2.09　48.70±2.95　59.38±3.05
　FDE　34.54±3.30　44.04±2.57　55.71±4.95　42.95±1.78　45.21±3.37　62.67±8.02

h=4　RMSE　60.36±7.71　75.43±5.55　90.31±3.65　69.21±3.95　71.87±8.41　82.96±7.16
　ADE　47.96±2.34　59.02±2.51　70.68±2.83　53.83±1.98　55.00±2.64　70.72±6.83
　FDE　40.05±2.89　47.36±2.97　60.57±2.55　46.80±1.24　48.09±2.50　70.16±9.00

h=5　RMSE　68.54±6.38　83.10±4.92　100.16±2.89　74.84±3.65　78.13±7.33　92.53±9.06
　ADE　56.07±2.62　66.48±2.96　79.99±2.26　60.09±2.02　62.19±2.63　78.26±8.10
　FDE　47.26±4.05　54.01±2.79　66.32±3.75　53.36±1.77　55.32±3.79　74.37±8.14

下载：高分辨率图片（433KB）　下载：完整尺寸图片
图17. 不同预测时距下的多种子预测性能及95%置信区间：(a) 均方根误差；(b) 平均绝对误差；(c) 平均方向误差。

为判断DLENet与基准模型之间的差异是否具有统计学显著性，进一步采用了配对t检验进行分析。由于所有模型都是在相同的五种随机种子下进行测试的，因此可以根据对应的随机种子将结果配对。这样一来，针对每个评估指标，共进行了25次显著性检验，对应五个预测时距和五种基准模型。图18和附录B展示了所有预测时距下的显著性检验结果。结果显示，在均方根误差指标下，DLENet在25次比较中有20次表现出统计学上的优势（80.0%）；在平均绝对误差指标下，25次比较中有24次具备显著优势（96.0%）；而在平均方向误差指标下，25次比较全部呈现显著优势（100.0%）。这表明DLENet相较于大多数基准模型具有显著的性能提升，尤其是在平均绝对误差和平均方向误差指标上，其统计可靠性更强。少数不具显著性的结果出现在均方根误差指标下，涉及的基准模型为BiLSTM和BiGRU。

下载：高分辨率图片（406KB）　下载：完整尺寸图片
图18. 预测时距h=1时具有统计学显著性的多种子性能对比：(a) 均方根误差；(b) 平均绝对误差；(c) 平均方向误差。

基于上述分析，DLENet在各种随机初始化及训练随机性条件下都能保持出色的预测性能。结合均值±标准差、95%置信区间以及配对t检验的结果可以看出，DLENet在所有预测时距下都能实现最低的均值误差，且其相较于大多数基准模型的性能提升具有统计学显著性，进一步证明了该模型的稳健性与可靠性。

5.4 可视化分析

在本研究中，靠泊场景包含四个不同的泊位（即#6、#7、#8和#9泊位，见图2），这一设定大大提升了预测任务的复杂度与实际应用价值。这是因为所开发的深度学习模型不仅要学习船舶运动的时间序列模式，还需从历史轨迹数据中识别出目标泊位。因此，设置四个泊位的实验环境能为评估模型的泛化能力与实际应用价值提供更为严格且真实的验证条件。

为直观展示不同基准模型的预测性能，测试集中选取了四艘来自不同泊位的船舶作为详细对比对象。定性可视化结果分别呈现于图19、图20、图21和图22中，这些图表均在地理参考地图背景下，共同展示了历史轨迹、真实未来轨迹以及不同基准模型的一步滚动预测结果。同时，为提升可读性，图中明确标出了三个关键语义点：轨迹起点、预测起点和轨迹终点。

下载：高分辨率图片（607KB）　下载：完整尺寸图片
图19. #6泊位上基准模型预测结果的可视化展示。

下载：高分辨率图片（609KB）　下载：完整尺寸图片
图20. #7泊位上基准模型预测结果的可视化展示。

图19展示了2025年6月4日12:04至12:53期间，一艘船舶（MMSI编号：636020947）在#6泊位进行的靠泊过程的预测轨迹。在预测初期，所有模型都能较好地跟踪实际轨迹。但随着滚动预测步长的增加，GRU、LSTM及其双向变体逐渐出现较大的轨迹偏差，而DLENet在整个预测过程中始终与真实未来轨迹保持更高的一致性。

图20对应的是2025年7月5日06:30至07:19期间，另一艘船舶（MMSI编号：636017084）在#7泊位的靠泊过程。可以看出，传统的循环神经网络模型预测误差波动较大，导致预测轨迹与实际轨迹存在明显偏差，而DLENet的预测结果则几乎与实际轨迹完全吻合，这体现了它能够准确捕捉靠泊过程中船舶的连续航向调整行为。

与之前的分析类似，图21和图22分别展示了#8泊位和#9泊位的定性对比结果。在这两个靠泊场景中，基准模型的预测轨迹仍逐渐出现横向偏差，尤其在靠泊的最后阶段，误差更为明显。相反，DLENet能够始终保持与真实未来轨迹的一致性，展现出更强的预测稳定性。

下载：高分辨率图片（571KB）　下载：完整尺寸图片
图21. #8泊位上基准模型预测结果的可视化展示。

下载：高分辨率图片（588KB）　下载：完整尺寸图片
图22. #9泊位上基准模型预测结果的可视化展示。

5.5 消融实验分析

为分析所提出的DLENet模型中各结构组件对船舶靠泊轨迹预测的贡献，本研究分别对网络架构和输入特征开展了消融实验。通过这类实验，可以系统地揭示模型性能提升的来源及其工程合理性。需要说明的是，这些消融实验也是在与之前实验相同的实验设置和评估指标下进行的。

5.5.1 网络架构消融

为验证DLENet中各模块的有效性，本节设计了多种结构消融实验，相关结果见表10和图23。通过比较去除残差连接、解码器模块以及不同基于GRU的编解码器变体后的效果，定量分析了各模块对轨迹预测精度的影响。实验结果表明，完整的DLENet依然具备最佳的预测性能，具体分析如下：

(1)去除残差连接后（即无残差的DLENet），均方根误差上升至41.39米，相比完整版DLENet增加了3.2%。平均绝对误差和平均方向误差分别上升至30.33米和28.44米，增幅分别为5.2%和8.9%。这说明去除残差连接会增大预测误差，降低整体轨迹精度，表明残差结构有助于提升轨迹预测的短期稳定性。

(2)去除解码器后（即无解码器的DLENet），模型性能显著下降，三项指标分别上升至53.7米、39.7米和38.9米，相比完整版DLENet分别增长了34.1%、37.5%和49.0%。这表明解码器模块在生成精确的轨迹序列方面起着关键作用，尤其是在预测轨迹终点位置时。

(3)在与基于GRU的编解码器变体相比中，GRU-1E2D的性能仅次于DLENet，而经典的Seq2Seq模型GRU-1E1D的表现相对较弱，其三项指标分别为44.7米、31.2米和32.3米，相比DLENet分别高出11.5%、8.0%和23.7%。需要注意的是，DLENet的均方根误差为40.08米，略高于GRU-1E2D的39.6米，但它在平均绝对误差和平均方向误差指标上表现最佳，这说明DLENet更注重提升整体轨迹预测的精度，尤其是在降低平均误差和终点误差方面，具有明显优势。

表10. 网络架构消融的评估结果
架构消融　RMSEA　DE　FE
无残差DLENet　41.39　30.33　28.44
无解码器DLENet　53.72　39.66　38.92
GRU-2E1D　43.76　34.66　36.89
GRU-1E2D　39.61　30.15　27.14
GRU-1E1D（Seq2Seq）　44.70　31.15　32.32
DLENet　40.08　28.84　26.12

下载：高分辨率图片（491KB）　下载：完整尺寸图片
图23. 网络架构消融实验的性能对比。

综上所述，网络架构消融实验从定量角度充分证明了DLENet中各模块设计的合理性与必要性。其中，解码器模块对性能的提升贡献最大，残差模块以及编解码器结构设计也同样发挥着关键作用。

5.5.2 特征消融

在特征消融实验中，本研究使用的综合靠泊数据集包含了三类输入特征：(1)基于AIS的动态特征，即经度、纬度、纵摇角、横摇角和航向角；(2)反映外部环境影响的时变气象特征，即风速x、风速y、流速x和流速y；(3)作为条件信息的船舶静态特征，即吃水深度、船长和船宽。因此，为研究这些输入特征对模型训练过程的贡献，本节设计了三种特征消融实验：(1)不使用静态特征；(2)不使用气象特征；(3)仅使用动态特征。

实验结果见表11和图24，显示使用所有特征时，模型在各项指标上的表现均为最佳。去除静态特征后，所有指标均略有上升，这说明船舶的静态属性对轨迹预测有一定贡献。随后，去除气象特征会导致模型性能显著下降，三项指标分别上升至47.8米、37.7米和33.9米，相比使用所有特征时分别增长了19.2%、30.6%和29.9%。这表明气象条件会对船舶靠泊轨迹产生显著影响，是提升预测精度的关键因素。而仅使用动态特征时，模型性能也会大幅下降。这些结果说明，仅依靠实时船舶运动数据来精准预测靠泊轨迹极具挑战性，因此结合静态特征和气象特征对于获得最佳预测性能至关重要。

表11. 单步预测中输入特征消融的评估结果
特征消融　RMSEA　DE　FE
无静态特征　41.11　29.15　27.32
无气象特征　47.79　37.67　33.92
仅动态特征　49.30　38.90　37.30
DLENet　40.08　28.84　26.12

下载：高分辨率图片（351KB）　下载：完整尺寸图片
图24. 输入特征消融实验的性能对比。

5.6 讨论

实验结果表明，只要适当考虑外部干扰因素，采用数据驱动的方法就能够实现船舶靠泊轨迹的精准预测。与一般的航行轨迹预测相比，靠泊过程具有更强的非线性特征，需要更频繁地进行航向调整（Han等人，2026），且对环境因素的敏感度也更高，这些都给短期轨迹预测带来了更多挑战。本研究的结果为应对这些挑战及其影响提供了若干启示。

从实验结果可以得出的一个重要结论是，数据质量与场景一致性在船舶靠泊轨迹预测中至关重要。本研究专门开发了一种靠泊轨迹提取策略，用于筛选和构建高质量的相关样本。正因如此，所提出的DLENet模型才能在靠泊场景中实现较低的预测误差，这也得益于这种轨迹构建策略。这说明，在处理复杂的靠泊操作场景时，精心设计数据提取流程与模型开发同样重要。

另一个重要发现是环境干扰对船舶靠泊有着显著影响。特征消融实验表明，纳入风速和流速信息能够大幅提升预测精度，这说明在捕捉真实的靠泊行为时，必须充分考虑环境因素的影响，而不能将这些因素视为次要或可忽略的输入项。

此外，为评估所提出的DLENet模型的实际应用可行性，还分析了在相同硬件和软件环境下，该模型与基准模型的计算成本。评估指标包括可训练参数的数量、每个样本的平均推理时间以及每批数据的平均推理时间。由于本研究的工作量较大，此处仅汇报单步预测的结果，如表12所示。具体而言，DLENet包含368,772个可训练参数，在测试硬件上的单个样本推理时间为0.119毫秒，每批数据的推理时间为3.765毫秒。尽管DLENet并非最轻量级或最快的模型，但其推理延迟仍处于可接受范围。考虑到在对比实验中DLENet的预测误差最低，这些结果表明该模型在预测精度与计算成本之间取得了良好的平衡，具备用于短期靠泊轨迹预测的潜力。

表12.不同模型的计算成本比较。模型 可训练参数 每个样本的推理时间（毫秒） 每批次的推理时间（毫秒） GRU：70,530 0.111 13.498 LSTM：88,322 0.021 10.674 BiGRU：140,290 0.091 12.855 BiLSTM：175,874 0.036 11.200 Transformer：283,394 0.084 22.656 DLENet：368,772 0.119 37.655

尽管本研究取得了令人鼓舞的结果，但DLENet在其他港口或数据集上的泛化能力仍需进一步验证，因为不同的港口布局、船舶类型、交通状况和天气环境都可能影响靠泊模式。此外还存在一些局限性：1）数据集来自单个港口，气象数据的时间分辨率相对较低；2）所提出的模型未考虑拖船辅助作用；3）由于缺乏多港口数据和跨泊位标签，DLENet的泛化能力仍然有限。未来的工作可以通过引入更高分辨率的环境数据、多港口数据集，以及将轨迹预测与靠泊决策和控制模块相结合来拓展这项研究。

总体而言，本研究表明，有效的靠泊轨迹预测不仅需要先进的学习模型，还需要基于场景的数据准备以及对环境因素的充分考虑，这为开发可靠的自动靠泊系统提供了重要启示。

6. 结论

本研究通过在数据驱动框架中整合AIS和气象数据，探讨了船舶靠泊轨迹预测问题，旨在为自主靠泊系统提供准确可靠的支持。为提升轨迹数据和气象数据的质量，本研究建立了针对靠泊场景的轨迹提取方法。风力和水流信息还被转换为以船舶为参考的坐标系中的分量，从而便于对靠泊操作过程中的环境干扰进行有效建模。基于这些预处理步骤，本研究提出了用于靠泊轨迹预测的DLENet模型。实验结果表明，该模型具有更好的预测性能，能够较好地捕捉船舶靠泊过程中的复杂动态行为。从量化指标来看，在单步预测中，DLENet的预测精度较高，均方根误差为40.08米，平均绝对误差为28.84米，平均绝对百分比误差为26.12米。这一性能优于基准模型及类似的深度学习模型。总体而言，研究结果证实，包含完整气象信息的优质数据集有助于提高靠泊轨迹的预测精度。所提出的框架在实际应用中具备支持自动靠泊规划与运动控制的巨大潜力。未来的工作将致力于将该方法扩展到多港口数据集，引入更高分辨率的环境数据，并进一步将轨迹预测与靠泊操作决策相结合。

数据可用性说明

源代码和实验数据可应要求提供。

CRediT作者贡献说明

戴汉：形式分析、软件实现、模型验证、结果可视化、初稿撰写。王阳：方法设计、资源筹备、论文审阅与编辑。吴冰：研究指导、论文审阅与编辑。徐海通：论文审阅与编辑。C. Guedes Soares：研究指导、论文审阅与编辑。

戴汉|王阳|吴冰|徐海通|C. Guedes Soares