一种由大语言模型赋能的面向船舶边缘部署的轨迹预测方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：A large language model-empowered approach to trajectory prediction for edge deployment on ships

　　

• 首个基于大语言模型（LLM）的船舶轨迹预测方法，通过海事提示词融合轨迹数据与文本知识。
• 提出一种交互模块，建模船舶会遇并映射至语言空间以实现意图理解。
• 首次将先进建模技术与边缘设备的实际海事应用相结合。

**引言**

全球海事贸易的持续增长正在加速航运业向智能化和自主化转型（Lan等人，2025）。船舶轨迹预测（STP）是自主导航、避碰和港口调度的核心使能技术，其准确性、泛化能力和可靠性直接影响运输安全、运营效率和供应链韧性（Xiaocai等人，2022）。然而，现有的STP模型仍受限于强场景特定的设计、有限的泛化能力以及无法有效利用多模态数据或满足可解释性要求。相比之下，自然语言处理和计算机视觉等领域已通过基础大模型实现了强大的跨场景适应能力（Cai等人，2025，Zeng等人，2024）。在此背景下，开发具备模态融合能力的STP模型已成为实现智能航运的当务之急，而大语言模型（LLM）的出现为此目标提供了关键突破。

近年来，STP技术取得了显著进展，各种方法被探索以提升预测精度（Han等人，2024，Li等人，2025，Wang等人，2024b）。然而，在应对复杂多船导航场景时，准确的轨迹预测仍依赖于对导航上下文和船舶间交互的理解，这对于识别支配复杂会遇情形中船舶行为的潜在模式至关重要。早期研究，如支持向量机（SVM）（Jiang等人，2021）、马尔可夫模型（Zhang等人，2019）和高斯过程模型（GPM）（Wang等人，2024a），在处理时序依赖关系方面能力有限，导致长期预测性能较弱。深度学习的引入带来了长短期记忆网络（LSTM）（Hochreiter和Schmidhuber，1997）、门控循环单元（GRU）（Chengfeng等人，2025）和Transformer架构（Tay等人，2022），这些方法被广泛应用于STP任务，并在多个基准场景中展现出优越性能（Gong等人，2025，Ma等人，2025，Weihong等人，2025）。为进一步捕捉多船交互机制，研究人员引入了图神经网络（GNN）（Jiang等人，2024，Xiliang等人，2024）、注意力机制（Sheng等人，2025）和基于社会力的模型（Wen等人，2022）。通过显式建模船舶之间的时空关系，这些方法显著提高了多船场景下的预测精度。然而，现有方法仍面临两个关键挑战：首先，它们在多种海况下缺乏对复杂多船交互的有效建模能力，难以表征密集会遇或交叉航道中因适应性决策行为导致的轨迹不确定性，从而限制了模型在真实复杂环境中的泛化能力和可靠性。其次，它们在有效融合不同模态信息方面存在困难，未能将轨迹数据与反映导航状态的文本信息进行对齐和联合建模，从而阻碍了对船舶之间相对位置和动态速度变化的显式解构，限制了模型在复杂导航场景中识别船舶行为模式的能力。

最近，LLM在时间序列预测方面展现出巨大潜力（Jia等人，2024，Letian等人，2024a，Liang等人，2024）。其强大的上下文理解、常识推理和多模态集成能力，使得数值轨迹序列与非结构化文本信息之间能够有效融合，促进跨模态协同推理（Hongru等人，2025，Peng等人，2025）。这一能力直接解决了STP的一个核心瓶颈——难以显式描述和建模船舶之间的空间交互关系，以及无法有效整合轨迹数据与反映导航状态的文本知识。尽管LLM在相关时间序列任务中已取得突破，但其在STP中的应用仍属空白。基于这一差距，我们认为在单一建模框架内统一连续轨迹序列与离散语义文本，不仅能够深化不同模态数据的融合，还能增强对复杂海况下船舶交互行为的理解和推理，从而提高预测精度和场景适应性。

针对上述挑战，本文提出了LLM-EdgeSTP，一种支持边缘部署的基于LLM的船舶轨迹预测方法。该框架由四个核心模块组成。第一，海事语义提示工程将原始自动识别系统（AIS）轨迹数据转化为符合海事运营上下文自然语言提示，实现对时空数值序列文本行为的显式语义描述。第二，导航交互表征单元（NIRU）利用卷积网络和注意力机制的组合，计算目标船与其邻居之间的动态交互权重，显式捕捉避碰和会遇场景等导航意图。这些交互表征随后通过表征-语言重建块（RLRB）映射到LLM的词嵌入空间，为后续模型推理提供软提示表征。第三，基于LLM的轨迹预测模块采用轻量级LLM（如LLaMa、Qwen和Gemma）作为核心引擎，输入融合后的原始海事提示与重建交互语义，利用模型嵌入的海事知识、基于规则的推理和时序建模能力生成未来轨迹的自然语言描述，再通过输出投影层解码为精确的坐标序列。最后，边缘部署模块将整个管线部署到低功耗嵌入式硬件上，实现在设备上的推理，确保在资源受限环境中的实时、可靠预测性能。总体而言，LLM-EdgeSTP实现了轨迹数据与文本知识的深度跨模态融合，同时其显式交互建模和边缘友好架构共同保证了高预测精度、可解释性和工程实用性，为智能航运提供了可行的技术路径。

本文提出的LLM-EdgeSTP方法对STP领域做出了以下三点贡献：

（1）本研究提出了LLM-EdgeSTP，一种支持边缘部署的面向STP的LLM框架。通过将原始轨迹转化为海事语义提示，该框架实现了轨迹与文本知识的跨模态融合，弥补了传统方法在利用海事文本进行预测方面的不足，增强了导航模式建模能力和实际应用价值。

（2）设计了一种新颖的NIRU，将CNN和注意力机制相结合以建模动态多船交互。它进一步将交互信息映射到词嵌入空间，使LLM能够通过海事语义感知船舶交互。这突破了模型无法融合AIS交互关系与海事语义的瓶颈，建立了整合AIS与海事语义的双模态建模方法。

（3）本工作证明了在低功耗边缘硬件上部署LLM驱动的STP模型的可行性。通过模型量化和定制编译，LLM-EdgeSTP实现了稳定的设备端执行，推进了面向海事态势感知的实用辅助决策支持工具。

本文其余部分组织结构如下。第2节综述了船舶轨迹预测的相关工作及LLM在时间序列预测中的应用。第3节介绍了我们为边缘部署设计的基于LLM的船舶轨迹预测方法。第4节提供了实验结果，展示了所提方法的性能，并评估了其边缘部署效果。最后，第5节总结全文并概述了将LLM-EdgeSTP应用于海事系统的未来方向。

**小节摘要**

**船舶轨迹预测综述**

为清晰展示STP方法的演进轨迹，图1系统总结了自21世纪初以来该领域的主要技术方法，并将其分为四个阶段：（1）基于动力学或统计的方法；（2）基于传统机器学习的方法；（3）基于深度学习的方法；以及（4）新兴的基于LLM的方法，代表了未来有前景的方向。随着技术的进步，这些方法在……方面展现了逐步提升

**定义**

船舶轨迹指船舶在水面上随时间行进的路径，通常表示为按时间顺序排列的经纬度坐标序列。设 $X_{pre}^i = \{x_1^i, x_2^i, \cdots, x_{t_{pre}}^i\}$，其中 $X_{pre}^i$ 表示目标船 $i$ 的历史轨迹，$t_{pre}$ 为最后观测时间步的索引。时间 $t_{pre}$ 处的状态向量定义为 $x_{t_{pre}}^i = (lon_{t_{pre}}^i, lat_{t_{pre}}^i, sog_{t_{pre}}^i, cog_{t_{pre}}^i)$，包含船舶的经度、纬度、对地速度和艏向。

**数据描述与处理**

为严格评估所提LLM-EdgeSTP模型在复杂海事环境中的轨迹预测能力，我们在多个代表性高密度航行区域开展了一系列实验，并使用综合定量指标评估模型性能。具体而言，我们利用了来自三个不同海事区域的真实AIS轨迹数据：中国舟山港区（ZSP）、成山头海域（CJP）以及……

**结论**

本文提出了LLM-EdgeSTP，一种基于LLM的面向STP的框架，旨在实现真实海事环境中边缘设备上的高精度轨迹预测和智能决策。通过引入两个新颖组件——MSPU和NIRU，该框架实现了基于AIS的导航状态数据与海事语义知识的有效双模态融合。利用预训练LLM强大的上下文推理能力，LLM-EdgeSTP提供了高度……

**CRediT作者贡献声明**

Yi Zuo：写作——审阅与编辑，写作——原稿，可视化，验证，监督，软件，资源，项目管理，方法学，资金获取，形式分析，数据整理。Licheng Zhao：写作——原稿，可视化，验证，方法学，调查，形式分析，数据整理。Zhuo Sun：写作——审阅与编辑，资源，项目管理，方法学，资金获取，形式分析。

**利益冲突声明**

作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

Yi Zuo | Licheng Zhao | Zhuo Sun