.png){kind=icon}
返回
A Deep Ship Trajectory Clustering Method Based on Feature Embedded Representation Learning
.png){kind=icon}
OA
AI
DOI：10.3390/jmse14010081.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轨迹聚类对于识别非合作船舶的行为模式及船舶类型具有重要意义。然而，现有的轨迹聚类方法在提取跨时空尺度特征以及建模位置与运动特征的耦合关系方面存在局限性，这限制了聚类性能。为解决此问题，本研究提出了一种基于特征嵌入表示学习的深度船舶轨迹聚类方法（ERL-DTC）。该方法设计了基于时序注意力机制的多尺度特征聚合网络（TA-MAN），以实现从微观到宏观尺度的轨迹特征动态融合。采用双特征自注意力融合编码器（DualSFE）对轨迹的时空位置和运动特征进行解耦并联合表示。采用“预训练与联合训练”的两阶段优化策略，结合对比损失和聚类损失共同约束嵌入表示学习，确保其既保留轨迹相似性关系又适应聚类任务。在公开船舶轨迹数据集上的实验表明，对于四分类任务（K = 4），ERL-DTC相较于当前最佳深度聚类方法，准确率（ACC）提升了约14.1%，归一化互信息（NMI）和调整兰德指数（ARI）分别提高了约28.9%和30.2%。该方法实现了最高的轮廓系数（SC）和最低的戴维斯-布尔丁指数（DBI），表明其聚类结构更紧密且分离更清晰。此外，其推理效率相较于传统基于点匹配的方法提升了两个数量级，且模型复杂度未显著增加运行时间。消融实验和参数敏感性分析进一步验证了各模块设计的必要性及超参数设置的合理性。本研究为跨时空尺度的船舶轨迹特征学习与聚类提供了一种高效且稳健的解决方案。
Keyword:
trajectory clustering
embedded representation learning
temporal attention
feature fusion
joint training
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.8
论文数:
4.7K
被引数:
2.3W
机构
引用论文
Multi-ship encounter situation adaptive understanding by individual navigation intention inference基于个体航行意图推理的多船相遇态势自适应理解
.png){kind=icon}
PREAI
分享收藏分享收藏Unsupervised hierarchical methodology of maritime traffic pattern extraction for knowledge discoveryOAAI
OAAI分享收藏Self-supervised contrastive representation learning for large-scale trajectories大规模轨迹的自监督对比表示学习
PREAI
分享收藏Detection of AIS Closing Behavior and MMSI Spoofing Behavior of Ships Based on Spatiotemporal DataOAAI
OAAI分享收藏
查看更多内容