.png){kind=icon}
返回
A stacking-based ensemble learning model for intelligent ship trajectory interpolation
.png){kind=icon}
OA
AI
DOI：10.1016/j.ress.2025.111615.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完整的船舶轨迹由不规则自动识别系统(AIS)更新引起，这对船舶行为的可靠建模构成了严峻挑战，而这又是理解和管理工作复杂海上交通系统的基础。因此，船舶轨迹插值已成为重建缺失段并确保数据连续性的关键。然而，大多数现有方法采用单一的插值模型，不考虑变化的船舶行为，这限制了它们的适应性，并可能在多样化的交通场景中降低重建轨迹的准确性。本研究提出了一种堆叠轨迹插值模型(STIM)，能够根据船舶行为自适应地选择最合适的插值算法，以实现准确且鲁棒的船舶轨迹数据重建。具体而言，首先设计了一种基于马尔可夫的特征提取方法，将轨迹划分为反映行为模式的段，为模型的学习过程提供信息性输入。然后，在基础学习器中实现了五种广泛采用的插值方法（线性、多项式、三次样条、三次埃尔米特和运动学插值）进行初步预测。随后，基于Transformer的双分支多分类器赋能元学习器，学习段特征与插值性能之间的潜在关系，使模型能够在多样化的行为模式下支持可靠的轨迹重建。使用宁波—舟山港AIS数据的实验结果表明，STIM在处理多样化轨迹特征方面具有强适应性和可扩展性，与常规方法相比生成了更准确的插值轨迹。此外，还讨论了不同轨迹特征对插值结果的影响，这进一步验证了STIM在为优化未来基于轨迹的应用方案提供有价值的见解方面的优势。
Keyword:
Ship trajectory interpolation
Ensemble learning
Stacking model
Transformer
Feature extraction
Maritime traffic engineering
AIS data
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
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
引用论文
A framework for ship abnormal behaviour detection and classification using AIS data使用AIS数据进行船舶异常行为检测和分类的框架OAAI
OAAI分享收藏
The Algorithm of Determining an Anti-Collision Manoeuvre Trajectory Based on the Interpolation of Ship's State Vector.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏AISClean: AIS data-driven vessel trajectory reconstruction under uncertain conditionsAISClean: 不确定条件下AIS数据驱动的船舶轨迹重建OAAI
OAAI分享收藏Review and analysis of methods for assessing maritime waterway risk based on non-accident critical events detected from AIS data基于AIS数据非事故关键事件的海上航道风险评估方法综述与分析OAAI
OAAI分享收藏Path Prediction for Fishing Boats Using Attention-Based Bidirectional Gated Recurrent Unit基于注意力机制的双向门控循环单元的渔船路径预测
PREAI
分享收藏
查看更多内容