基于AIS的混合式船舶轨迹预测：面向非地面网络（NTN）的增强型海上导航

《Journal of Lightwave Technology》：AIS-based Hybrid Vessel Trajectory Prediction for Enhanced Maritime Navigation

为解决AIS数据采样不规则、环境动态变化及船舶行为异构性导致的轨迹预测难题，研究人员开展了一项基于速度的船舶轨迹预测研究。他们提出了一种LSTM-RA模型，通过预测经纬度速度而非绝对位置，结合注意力机制与残差连接，显著提升了预测精度与鲁棒性。该研究在Atlantic和Malaisie数据集上的实验表明，其模型在平均误差上优于现有基线，为下一代NTN生态系统中的海上导航安全提供了高效、可扩展的解决方案。

　　

在浩瀚的海洋上，成千上万的船只如同移动的城市，它们的航行安全不仅关乎船员的生命，也维系着全球贸易的命脉。为了保障航行安全，船舶自动识别系统（AIS）应运而生，它如同船舶的“身份证”，实时广播着船只的位置、航速和航向。随着非地面网络（NTN），特别是低地球轨道（LEO）卫星星座的兴起，AIS数据的覆盖范围已从近海延伸至远洋，为全球海事监控提供了前所未有的数据支持。

然而，这些海量的AIS数据并非完美无瑕。由于卫星信号覆盖不均、设备故障或人为关闭，AIS数据常常存在采样间隔不规则、数据缺失和噪声干扰等问题。传统的轨迹预测方法，如直接预测船只未来的经纬度坐标，在面对这种“脏乱差”的数据时，往往显得力不从心，预测误差会随着时间推移而累积，导致预测轨迹严重偏离实际航线，这对于需要高精度预测的避碰和导航决策来说是致命的。

为了攻克这一难题，来自卢森堡大学和OHB LuxSpace的研究团队独辟蹊径，提出了一种全新的“速度预测”框架。他们不再让模型直接“猜”出未来的位置，而是训练它去“学习”船只的运动规律——即预测船只在未来一段时间内的经纬度方向上的速度。这种思路的转变，使得模型能够更好地捕捉船舶的动态行为，并且对数据中的噪声和不规则性具有更强的鲁棒性。该研究成果已发表在《Journal of Lightwave Technology》上。

为了验证这一创新方法，研究人员构建了一套完整的技术流程。首先，他们从Atlantic和Malaisie两个真实海域收集了大规模AIS数据集，并进行了严格的数据预处理。与以往仅按船舶MMSI（海上移动业务标识码）分组不同，他们采用了基于时空阈值的轨迹分割方法，将长而杂乱的原始轨迹切割成多个时间上连续、空间上连贯的子轨迹，从而更好地保留了船舶的运动模式。随后，他们计算了每个子轨迹中相邻点之间的经纬度速度，作为模型学习的目标。

在模型设计上，研究团队构建了一个名为LSTM-RA的深度学习架构。该模型以长短期记忆网络（LSTM）为核心，能够有效捕捉时间序列中的长期依赖关系。为了进一步提升性能，他们在模型中集成了注意力机制，使模型能够动态地关注历史轨迹中对预测未来最关键的片段；同时引入了残差连接，有效缓解了深层网络训练中的梯度消失问题，确保了信息的顺畅流动。模型最终输出的是未来多个时间步的经纬度速度，通过简单的积分运算即可还原出预测的经纬度坐标。

研究结果令人振奋。在Atlantic数据集上的实验表明，该团队提出的速度预测方法取得了显著优于传统直接位置预测方法的性能。速度预测的平均位置误差仅为2.62公里，而直接位置预测的平均误差高达55.43公里，性能提升超过20倍。这一巨大差距凸显了速度预测策略在处理不规则和噪声数据方面的巨大优势。

在与主流深度学习模型的横向对比中，LSTM-RA模型同样表现优异。其平均预测误差（2.62公里）显著低于标准LSTM（5.74公里）、GRU（3.21公里）和Transformer（3.41公里）等基线模型。这表明，注意力机制和残差连接的引入，确实有效提升了模型捕捉复杂时空依赖关系的能力。

为了评估模型的泛化能力，研究人员还进行了跨域（Zero-shot）测试。他们将仅在Atlantic数据集上训练的模型，直接应用于Malaisie数据集进行预测，无需任何微调。结果显示，模型在Malaisie数据集上的平均误差为1.26公里，虽然略高于在该数据集上专门训练的模型（0.91公里），但仍保持了相当高的预测精度。这证明了该模型具备良好的跨区域泛化能力，能够适应不同海域的航行模式。

为了深入探究模型各组件的作用，研究团队进行了详尽的消融实验。结果表明，无论是移除注意力机制还是残差连接，模型的预测性能都会出现不同程度的下降。其中，移除残差连接导致误差从2.62公里上升至3.39公里；移除注意力机制导致误差上升至2.98公里。这充分证明了这两个组件对于提升模型性能缺一不可。此外，研究还发现，采用基于分割的轨迹分组方法，其预测误差（2.62公里）远低于传统的基于MMSI的分组方法（2.92公里），再次印证了高质量数据预处理对于深度学习模型的重要性。

综上所述，这项研究通过将轨迹预测问题从“位置回归”重构为“速度预测”，并结合精心设计的LSTM-RA模型与数据预处理策略，成功解决了AIS数据不规则和噪声干扰带来的挑战。该框架不仅在预测精度上实现了对现有方法的显著超越，还展现出了优异的泛化能力和鲁棒性。这项成果为下一代非地面网络（NTN）支持下的智能海事导航系统提供了坚实的技术基础，有望在船舶避碰、航线优化和海上交通管理等领域发挥重要作用，为构建更安全、更高效的海上交通环境贡献力量。