Enhancing Maritime Trajectory Forecasting via H3 Index and Causal Language Modelling (CLM)

这篇文章讨论了船舶轨迹预测在人工智能领域的研究。传统方法主要依赖于使用LSTM、GRU网络和Transformer架构来预测时空序列。本研究提出了一种可行的替代方法，仅使用GNSS位置信息来预测船舶轨迹。它将这个时空问题看作是自然语言处理问题。AIS信息的纬度/经度坐标使用H3索引转换为单元格标识符。由于伪八进制表示法的存在，语言模型更容易学习H3索引的空间层次结构。该方法与在海事领域广泛使用的经典卡尔曼滤波器进行了比较，并引入了Fr\'echet距离作为主要评估指标。我们展示了在30分钟的上下文信息下，可以精确地预测长达8小时的船舶轨迹。我们证明了这种替代方法足以在全球范围内预测船舶轨迹。

本论文旨在通过仅使用GNSS位置信息，将船舶轨迹预测问题视为自然语言处理问题，并提出一种可行的解决方案。同时，将其与传统的Kalman滤波器进行比较。

论文的关键思路是使用H3指数将AIS消息的经纬度坐标转换为单元格标识符，并使用伪八进制表示法使语言模型更容易学习H3指数的空间层次结构。

论文展示了该方法在全球范围内预测船舶轨迹的有效性，并使用Fréchet距离作为主要评估指标。实验结果表明，在给定30分钟的上下文情况下，可以精确预测长达8小时的船舶轨迹。此外，论文还比较了该方法与传统Kalman滤波器的性能。

近期在这个领域中，研究人员使用LSTM、GRU网络和Transformer架构等传统方法来预测船舶轨迹。