在极端天气条件下，结合船舶自动识别（AIS）系统以及风浪水流数据的双分支船舶轨迹预测方法

《Ocean Engineering》：A dual-branch vessel trajectory prediction method integrating AIS and wind-wave-current data under extreme weather conditions

　　• 提出了一种双分支TCN-BiLSTM框架，用于预测受台风影响的船舶轨迹。• 通过轨迹与环境匹配，构建了时空AIS–WWC特征矩阵。• 通过不同分支分别学习船舶运动 evolution 和局部WWC干扰特征。• 引入了MHA作为特征增强模块，用于融合轨迹表示。• 所提出的模型提高了短期预测精度和预测稳定性。

### 引言
随着智能感知、无线通信和自主船舶控制技术的快速发展，全球海运运输系统正在向Maritime 4.0和智能航运迈进（G. Xiao等人，2024年）。海运运输在全球贸易中发挥着基础性作用，其安全性和运营智能性与海上交通组织、风险预警和应急决策密切相关。随着船舶运营范围的扩大，航行环境变得越来越复杂，而自主水面船（MASS）的持续发展，主要基于人类经验的导航决策可能不再能满足复杂水域和动态环境下的安全要求（X. Zhang等人，2022年）。在台风等极端天气条件下，这种挑战尤为突出，因为风、波浪和洋流（WWC）的干扰可能影响船舶的速度、航向和轨迹演变。如果无法及时识别船舶的未来运动趋势，碰撞、航向偏离和搁浅的风险可能会增加。因此，船舶轨迹预测为船舶交通服务（VTS）、碰撞预警、航线规划和MASS的自主避碰系统提供了重要的基础。它已成为提高海上交通安全和智能管理的关键技术（X. Zhang等人，2022年；Raj和Kumar，2025年）。

自动识别系统（AIS）是船舶轨迹预测的主要数据来源。它连续记录船舶的位置、地面速度、地面航向、时间戳、船舶身份以及其他与导航相关的信息（Tu等人，2018年）。与手动观测或孤立的位置记录相比，AIS数据可以更完整地描述船舶在真实航行过程中的连续运动。因此，AIS数据已被广泛用于船舶轨迹重建、航行行为分析和未来轨迹预测（Yang等人，2022年；Li等人，2024年）。经过预处理，包括异常值去除、轨迹分割、重建和序列组织后，AIS轨迹可用于提取船舶运动模式和时空演变特征，从而支持预测模型的开发（Zhao等人，2025年）。现有的基于AIS的轨迹预测方法已经从运动学和统计模型发展到经典机器学习方法，最近的还有深度学习方法。尽管这些方法在建模策略上有所不同，但它们的目标都是从有限的历史观测数据中更准确地描述船舶的未来运动。

早期的基于AIS的船舶轨迹预测研究主要依赖于运动学模型、统计方法和经典机器学习算法。运动学和统计模型通常根据当前位置、速度和航向来预测船舶在短期内的未来位置，适用于船舶运动相对稳定的情况。代表性的方法包括结合数据驱动预测和基于船舶运动的估计的混合驱动方法（Liu等人，2022年）、用于概率不确定性建模的高斯过程模型（Rong等人，2019年）以及用于描述运动状态之间转换的马尔可夫模型（Guo等人，2018年）。随着历史AIS数据的日益丰富，支持向量回归（SVR）和k最近邻（KNN）等经典机器学习方法也被用来学习非线性轨迹变化或检索与当前航行状态相似的历史轨迹片段（Liu等人，2019年；M. Zhang等人，2022年）。与仅基于物理假设的模型相比，这些方法可以更好地利用历史AIS数据。然而，它们仍然依赖于手工设计的特征、相似轨迹的选择或简化的运动假设。当船舶经历速度变化、转向或轨迹偏差时，它们表示连续时间变化的能力仍然有限。

随着深度学习在序列数据建模方面的发展，船舶轨迹预测越来越多地转向基于历史AIS序列的时间特征学习。AIS轨迹具有很强的时间连续性，船舶的未来位置与前一段的距离、航向、转向趋势和位置变化密切相关。因此，循环神经网络及其变体（如长短期记忆（LSTM）、门控循环单元（GRU）及其双向结构被广泛用于建模船舶运动中的时间依赖性（Tang等人，2022年；Wang等人，2020年；Park等人，2021年；Yoo等人，2023年）。在此基础上，Seq2Seq和ConvLSTM模型进一步引入了编码器-解码器结构和时空特征提取机制到多步船舶轨迹预测中（You等人，2020年；Wu等人，2023年）。此外，注意力机制与GRU、BiGRU及相关循环结构结合使用，为历史轨迹片段分配不同的权重，减轻了长序列中关键状态信息的削弱（Bao等人，2022年；Lin等人，2023年）。集成CNN、TCN或ConvLSTM的混合模型进一步改善了局部特征提取和时间依赖性建模，而基于Transformer和时间-频率融合的方法被用来捕捉长距离依赖性和复杂轨迹模式（Cen等人，2024年；W. Liu等人，2024年；Liu等人，2024年；Wu等人，2024年；P. Wang等人，2024年；Song等人，2026年；W. Wang等人，2024年）。这些研究从不同角度改进了基于AIS的时间建模，但大多数仍主要关注船舶自身的历史运动信息。

在实际导航中，船舶运动不仅由历史位置、速度和航向决定。在极端天气或复杂海况下，特别是在台风事件期间，WWC干扰会严重影响船舶运动，导致速度变化、航向偏离和轨迹偏移。因此，仅依赖历史AIS轨迹的预测方法可能不足以描述船舶的实际运动变化。关于船舶稳定性的相关研究表明，风、波浪和洋流载荷的组合会影响偏航稳定性和运动响应，这表明从船舶动力学角度来看，在复杂海况下不能忽视环境干扰（Yu等人，2026年）。因此，将外部环境信息引入基于深度学习的轨迹预测模型有助于描述极端天气条件下的船舶轨迹演变。

最近的研究开始将外部环境和上下文信息纳入船舶轨迹预测中。Mehri等人（2023年）通过轨迹注释将AIS轨迹与水深、波高和波向等环境变量关联起来，并开发了一个具有环境感知能力的LSTM模型，以验证环境因素对预测准确性的贡献。Zhang等人（2023年）在真实操作条件下整合了AIS、水深、风、波浪和洋流数据，以预测船舶运动轨迹和运动不确定性。Liu等人（2026年）进一步将气象和海洋学变量（如风、波浪、涌浪和洋流）纳入轨迹预测框架，表明外部环境信息为分析复杂水道中的船舶轨迹变化提供了重要的补充约束。其他研究将环境数据和海洋结构信息引入到具有环境感知能力的轨迹预测框架中，进一步证明了多源上下文信息在真实导航条件下的模型适应性的价值（Esmaeili等人，2026年）。Bi等人（2024年）提出了一个CNNGRU-MHA模型，该模型融合了AIS和气象数据，并使用多头注意力机制提取影响轨迹预测的关键信息。Lin等人（2025年）提出了HDFormer，该模型通过轨迹和环境注意力整合了VMS轨迹、捕鱼努力分布和水文场，用于长时域捕鱼船舶预测。Yang等人（2026年）通过结合VMS数据、相似的历史轨迹、区域行为特征和水文因素，开发了FishMotionNet，以模拟更长时间范围内的捕鱼船舶运动。这些研究表明，环境信息可以提供超出AIS数据的补充约束。尽管如此，大多数现有方法要么在一般海况下整合环境变量，要么将它们视为未区分的输入特征，而台风事件期间WWC因素的短期时间干扰特征仍然研究不足。如何在极端天气下表征船舶运动特征与环境干扰特征之间的相互作用仍然是一个重要问题。

为了更好地表征极端天气下的WWC时间干扰特征以及AIS运动信息与环境干扰之间的相互作用，本研究以2023年的台风Khanun事件作为一个代表性的极端天气案例。基于AIS船舶轨迹数据，本研究引入了风、波浪和洋流变量，构建了一个AIS–WWC融合轨迹数据集，用于预测受台风影响的船舶轨迹。然后提出了一种双分支TCN-BiLSTM轨迹预测框架。在此框架中，BiLSTM分支从历史AIS轨迹中学习运动演变模式，而TCN分支从WWC环境序列中提取局部时间干扰特征。除了基本的融合路径外，还引入了基于MHA的特征增强模块，对船舶运动和门控WWC模态令牌之间进行 attention，从而在融合后提供自适应的特征增强。

本研究的主要贡献总结如下：首先，为极端天气场景构建了一个AIS–WWC融合轨迹数据集。AIS轨迹与风速、风向、波高、洋流速度和洋流方向等环境变量进行时空匹配，使模型输入包含台风事件期间的船舶历史运动状态和外部环境干扰。其次，开发了一种双分支TCN-BiLSTM轨迹预测模型，在特征融合之前分别编码AIS运动特征和WWC干扰特征。这种设计考虑了船舶运动序列和环境干扰序列在物理意义和时间变化模式上的差异。第三，引入了一个基于船舶运动的MHA特征增强模块，对两种模态令牌进行 attention，并为基本融合特征提供辅助残差增强。通过比较基本RNN模型、TCN-RNN组合模型和TCN-RNN-MHA模型，验证了所提出方法在极端天气条件下的有效性和适用性。

### 方法论
本节描述了所提出的AIS–WWC融合轨迹预测方法的工作流程。如图1所示，工作流程包括四个主要组成部分：AIS–WWC融合轨迹数据构建、双分支TCN-BiLSTM特征提取、基于MHA的特征增强和实验验证。首先，为了考虑环境干扰对台风影响下船舶运动的影响，将AIS轨迹和风、波浪及洋流环境数据...

### 实验设置和评估指标
基于上一节构建的AIS–WWC融合轨迹数据，进行了船舶轨迹预测实验。对于预处理后获得的每个连续轨迹子段，分割点设置在大约对应于按时间顺序排列的轨迹点总数的80%的索引处。对于每个滑动窗口，如果其预测目标位于分割点之前，则将该窗口分配到训练集；如果位于分割点之后，则分配到测试集...

### 讨论
实验结果表明，在极端天气条件下，AIS–WWC融合输入为船舶轨迹的短期预测提供了更全面的状态表示。传统的基于AIS的预测方法主要描述船舶自身运动状态的时间演变。然而，在受台风影响的期间，风、波浪和洋流干扰可能导致船舶速度、航向和局部轨迹演变的变化。通过时空匹配WWC...

### 结论和未来工作
本研究解决了台风影响下的短期船舶轨迹预测问题。通过整合AIS轨迹数据与风、波浪和洋流环境信息，构建了一个AIS–WWC融合轨迹数据集。基于该数据集，提出了一种结合双分支TCN-BiLSTM框架和基于MHA的特征增强模块的船舶轨迹预测方法。在所提出的模型中，BiLSTM分支形成船舶运动表示...

### CRediT作者贡献声明
ZhaoWei Guo：写作 – 审稿与编辑、撰写 – 原稿、验证、软件、方法论、概念化。
Fuguo Peng：写作 – 审稿与编辑、验证、监督、方法论。
Xiang Zhang：软件、方法论。
Haichen Sui：验证、概念化。
Panpan Zhang：数据整理、概念化。
Chunhe Tian：可视化、概念化。
Jinqiang Bi：写作 – 审稿与编辑、监督、概念化。

### 利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

### 致谢
本项工作得到了国家重点研发计划（项目编号：2024YFB2605404）和天津市科技计划项目（23YDPYCG00010，26KPKJRC00020）的财政支持。

ZhaoWei Guo | Fuguo Peng | Xiang Zhang | Haichen Sui | Panpan Zhang | Chunhe Tian | Jinqiang Bi