Improved context-sensitive transformer model for inland vessel trajectory prediction

物理学相关和基于模型的船舶轨迹预测非常准确，但需要特定的船舶知识，这并不总是实用的。基于机器学习的轨迹预测模型不需要专家知识，而是依赖于从大量数据中提取的隐式知识。最近提出了几种用于船舶轨迹预测的深度学习（DL）方法。开发的DL模型通常只处理与全局参考系统相关定义的船只（位移）位置信息。在内陆航行的情况下，这可能是有问题的，因为如果没有了解有限的可航空间，可能会确定不现实的轨迹。如果引入空间约束，例如通过实现一个额外的子模块来处理地图数据，然而，总体复杂性会增加。本文提出了将船舶位移信息和空间信息合并的方法，直接使用相关的航道和导航位移信息。通过这种方式，先前提出的上下文敏感分类变换器（CSCT）显示出了改进的空间意识。此外，CSCT适应于通过在推断期间启用辍学来评估模型的不确定性。该方法在不同内陆水路上进行了训练以分析其普适性。由于改进的CSCT获得了更低的预测误差并能够估计每个预测的可信度，因此它比先前开发的模型更适用于内陆航行中的安全关键应用。

本论文旨在解决内陆水运中船舶轨迹预测的问题。传统的基于物理模型的预测方法需要专业知识，而基于机器学习的方法虽然不需要专业知识，但需要大量数据。而本文提出的方法将船舶位移信息和空间信息相结合，解决了之前模型对空间限制的忽略问题。

本文提出了一种新的船舶轨迹预测方法，将船舶位移信息和空间信息融合，使用Classification Transformer（CSCT）模型，能够更好地考虑航道和导航限制，同时还能评估模型的不确定性。

本文提出的方法在多个内陆水路上进行了实验，结果表明其能够更准确地预测船舶轨迹，并能够评估每个预测的可信度。此外，本文还使用了dropout技术来评估模型的不确定性。本文的方法有望在内陆水运的安全关键应用中发挥重要作用。

近年来，基于深度学习的船舶轨迹预测方法得到了广泛研究。例如，基于长短时记忆网络（LSTM）和卷积神经网络（CNN）的方法。