یادگیری عمیق مکانی-زمانی برای مسیرهای دریایی: مدلی یکپارچه برای پیش بینی مبتنی بر رفتار کشتی ها

در حوزه ی ناوبری دریایی، پیش بینی دقیق مسیر کشتی ها یکی از الزامات حیاتی برای ارتقاء ایمنی دریانوردی، کاهش تصادفات، بهینه سازی مصرف سوخت و مدیریت هوشمند ترافیک دریایی است. در این پژوهش، یک چارچوب جامع و داده محور برای پیش بینی مسیر کشتی ها ارائه شده است که با بهره گیری از داده های واقعی سامانه ی شناسایی خودکار و داده های محیطی نظیر ارتفاع موج توسعه یافته است. داده های استفاده شده شامل مسیرهای حرکتی کشتی های حمل کانتینر، ماهیگیری و مسافربری در منطقه ی خلیج مکزیک بوده و با استخراج ویژگی های مشتق شده نظیر نرخ چرخش، شتاب، و مختصات جغرافیایی، یک مجموعه داده ی غنی و ساختاریافته تولید گردیده است. رای مدل سازی مسیر، از یک معماری ترکیبی مبتنی بر شبکه ی عصبی بازگشتی LSTM و مکانیزم توجه استفاده شده که توانایی بالایی در درک وابستگی های زمانی طولانی مدت و تمرکز تطبیقی بر نقاط کلیدی مسیر دارد. همچنین، به منظور افزایش تفسیرپذیری مدل و تحلیل سهم هر ویژگی در تصمیم گیری، از روش SHAP بهره گرفته شده است. نتایج حاصل از تحلیل ویژگی ها نشان داد که متغیرهای عرض و طول جغرافیایی، شتاب و ارتفاع موج موثر بیشترین نقش را در دقت پیش بینی دارند. ارزیابی تجربی مدل با استفاده از داده های آزمون و مقایسه با مدل پایه نشان داد که چارچوب پیشنهادی موفق شده است میزان خطای میانگین جابه جایی را تا حدود ۴۴% و خطای نهایی مسیر را تا حدود ۳۹% کاهش دهد. این دستاورد، موید اثربخشی ترکیب یادگیری عمیق مکانی-زمانی با تحلیل تفسیرپذیر ویژگی ها در پیش بینی دقیق مسیر کشتی ها است. این چارچوب می تواند به عنوان زیرساختی قابل اتکا برای توسعه ی سامانه های کمک ناوبری، هدایت کشتی های خودران، مدیریت ورود و خروج بنادر هوشمند و نیز پیش بینی ترافیک دریایی مورد استفاده قرار گیرد. همچنین، قابلیت تعمیم آن به دیگر انواع شناورها و مناطق دریایی مختلف وجود دارد.

کلیدواژه ها:

Vessel trajectory prediction ، Attention mechanism ، LSTM-Attention model ، Spatio-temporal modeling ، Maritime navigation ، پیش بینی مسیر کشتی ، مکانیزم توجه ، مدل LSTM-Attention ، مدلسازی مکانی-زمانی ، ناوبری دریایی