🤖 AI

AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks

本文表明，通过使用来自墨西哥湾和纽约湾的 AIS 数据，记忆增强神经网络在预测船舶轨迹方面显著优于标准的深度学习基准模型，凸显了外部记忆机制对于海上安全与效率的价值。

原作者： Wonmo Koo, Sanha Chang, Heeyoung Kim

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Wonmo Koo, Sanha Chang, Heeyoung Kim

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇使用简单语言和日常类比对该论文进行的解释。

核心思想：教计算机像人类一样“记忆”

想象一下，你正在试图猜一个朋友下一步会怎么走。如果你已经看过他走这条路线一百次了，你就知道他通常会在咖啡馆那里左转。但如果你从未见过他右转，那么当他真的右转时，你可能会感到惊讶。

人类擅长这一点是因为我们拥有记忆。我们不仅仅是在进行数学计算，我们还会回想起过去的经验来预测未来。

这篇论文提出了一个简单的问题：我们能否给计算机一个类似的“记忆”，来预测船只的航行路径？

研究人员发现，答案是肯定的：给计算机一个可以存储过去航行轨迹的外部“笔记本”，会让它在预测船只下一步走向时表现得更出色，甚至优于目前顶尖的计算机模型。

问题所在：预测船舶路径

船只在海洋中航行，我们通过一种叫做 AIS（自动识别系统）的系统来追踪它们。这就像一本数字日志，不断更新着船只的位置、速度和方向。

预测船只的去向非常困难，因为：

大多数时候，船只是在巡航。 它们以稳定的速度直线行驶（就像通勤开车去上班的人）。
有时，它们会做出奇怪的行为。 它们可能会为了避开风暴或另一艘船而急转弯（就像司机为了躲避坑洼突然转向）。

目前的计算机模型擅长处理“巡航”部分，但在面对“奇怪”的机动动作时经常会感到困惑。它们试图学习交通规则，却会忘记过去行程中的具体细节。

解决方案：具备“记忆增强”功能的计算机

研究人员使用了一种特殊类型的 AI，称为记忆增强神经网络（MANN）。

你可以把这种 AI 想象成一名正在参加考试的学生：

标准 AI： 这个学生试图仅凭课堂上背诵的规则来解决问题。如果遇到棘手或不寻向的情况，他们可能会猜错。
新型 AI (MANTRA)： 这个学生拥有一份**“小抄”**（外部记忆），里面记录了过去问题的案例及其解决方案。当他们看到一个新的情况时，会快速翻阅小抄，寻找类似的过去案例并模仿其解决方案。

在论文中它是如何运作的：

笔记本： AI 阅读成千上万次的过往航行记录。它将“过去”（船只在哪里）和“未来”（接下来去了哪里）记录在数字笔记本中。
搜索： 当一艘新船出现时，AI 会查看这艘船“现在”的位置，并在笔记本中搜索在类似位置出现过的过去船只。
预测： 它提取那些相似航行记录中的“未来”部分，并利用它们来猜测这艘新船的去向。

一个关键的转折点： 研究人员意识到，对于船舶来说，仅仅知道它们“在哪里”是不够的。你还需要知道它们的速度有多快（地面速度/SOG）以及航向如何（地面航向/COG）。因此，他们在“小抄”条目中加入了这些细节，使记忆更加准确。

实验：海洋测试

团队使用来自两个繁忙区域的真实数据对该系统进行了测试：

墨西哥湾（一个巨大的开放区域）。
纽约湾（一个靠近海岸的繁忙区域）。

他们将他们的“记忆 AI”与六种其他顶尖计算机模型进行了对比。这些其他模型就像是那些没有小抄的“标准学生”。其中一些模型非常复杂，试图研究船只之间是如何相互作用的，但它们仍然缺乏对单个过去行程的具体记忆。

结果：完胜

结果令人印象深刻。这款记忆 AI（被称为 MANTRA）以巨大优势击败了所有其他模型。

评分： 在墨西哥湾，与最好的竞争对手相比，新模型将平均路径的预测误差降低了高达 46%，将终点位置的预测误差降低了 55%。
一致性： 它不仅仅赢了一次；它每一次都赢了，即使是在更长的预测窗口内（预测未来 30 分钟的路径）也是如此。
获胜原因： 论文指出，由于船只经常重复相同的路线（巡航），但偶尔也会进行罕见的机动动作，因此拥有一个存储了精确过去案例的笔记本，能帮助 AI 同时识别出那些枯燥、重复的行程和那些罕见、棘手的行程。

他们没做的事情（重要的局限性）

论文非常明确地说明了他们做了什么以及没做什么：

他们并没有尝试直接预测船只如何相互交流或如何避免碰撞。他们专注于纯粹基于船只自身历史记录来预测路径。
他们还没有在实时的船舶导航系统中测试此技术。这是一种使用历史数据的计算机模拟。
他们在这次特定的测试中没有包含天气或船舶大小的信息（尽管他们提到未来可能会这样做）。

总结

这篇论文证明了为 AI 提供一个存储过去航行轨迹的“记忆库”，是预测船舶去向的一种强大方式。这就像是将 GPS 从仅仅显示地图，升级为能够记住你上次是如何驾驶的 GPS，从而使其能更准确地猜测你的下一步行动。

技术摘要：基于记忆增强神经网络的 AIS 船舶轨迹预测

问题陈述
准确的船舶轨迹预测对于海事态势感知、碰撞规避和航线优化至关重要。虽然深度学习方法已被广泛应用于利用自动识别系统（AIS）数据执行此类任务，但现有方法往往难以捕捉完整的船舶行为谱系。船舶运动具有特征明显的频繁、重复的巡航模式，以及稀有但多样化的操纵行为。标准序列模型可能无法显式地保留特定的实例级轨迹模式，尤其是在操纵事件较为稀少的情况下。本文研究了记忆增强神经网络（MANNs）——这类在行人及道路车辆预测领域已取得成功的技术——是否能有效解决海事领域的这些挑战。

方法论
作者提出了一项基于 MANTRA（用于轨迹预测的记忆增强神经网络）的实证研究，该模型是一种被适配用于 AIS 数据的典型 MANN 架构。其核心方法论涉及一个外部记忆机制，用于存储和检索“过去-未来”编码对。

数据表示： 模型利用空间位置（经度、纬度）以及动态导航属性：地面航速（SOG）和地面航向（COG）。SOG 和 COG 作为输入协变量 ( $x_t$ ) 与位置 ( $y_t$ ) 一起被纳入，这体现了它们在船舶轨迹预测中的重要性。针对缺失的 AIS 数据，采用了插值法进行处理，并使用二进制指示器来标记原始未观测到的位置。
记忆构建： 采用了一个由过去编码器 ( $g$ $g$ )、未来编码器 ( $h$ $h$ ) 和解码器 ( $d$ $d$ ) 组成的自动编码器框架。
- 过去编码器处理观测到的历史记录 $[y_P, x_P]$ 以生成过去编码 ( $\pi$ )。
- 未来编码器处理地面真值未来数据 $[y_F, x_F]$ 以生成未来编码 ( $\delta$ )。
- 这些配对被用于训练系统以重构未来轨迹。
记忆控制器： 控制器 ( $c$ ) 管理外部记忆 $\Omega$ 。它根据“新颖性”评分决定是否将新的轨迹段 $(\pi, \delta)$ 写入记忆。该评分源自当前段的预测误差 ( $e_i$ )；如果模型无法利用现有记忆准确预测某个片段，控制器将被训练将该片段写入记忆，以捕捉缺失的模式。
预测阶段： 在推理阶段，模型计算新查询轨迹的过去编码。它通过余弦相似度从 $\Omega$ 中检索出前 $K$ 个最相似的记忆项。检索到的未来编码被解码以生成 $K$ 个多模态轨迹预测，从而考虑船舶运动中固有的不确定性。

核心贡献

首次实证研究： 据作者所知，这是首个专门将基于记忆的轨迹预测应用于基于 AIS 的船舶轨迹数据的研究。
性能提升： 研究表明，引入外部记忆机制相比缺乏记忆机制的深度学习基准模型，实现了显著的性能提升。
处理多模态性： 该方法通过显式存储实例级编码，有效地捕捉了常见的巡航模式和稀有的操纵行为，其表现优于仅依赖时间依赖性或智能体间交互的模型。

实验结果
实验在墨西哥湾和纽约湾两个区域的 AIS 数据上进行。提出的 MANTRA 模型与六个基准模型进行了对比，包括 STGAT、Social-STGCNN、TransformerTF、AgentFormer、Social-Implicit 和 TUTR。

指标： 性能通过在 10、20 和 30 分钟预测时界下的平均位移误差（ADE）和最终位移误差（FDE）进行评估。
定量结果： MANTRA 一致地优于所有基准模型。
- 墨西哥湾： 与表现最好的基准模型相比，MANTRA 在 10 分钟、20 分钟和 30 分钟时界下，将 ADE 最高降低了 46.4%，将 FDE 最高降低了 54.7%。
- 纽约湾： 改进幅度在 ADE 上最高达到 33.3%，在 FDE 上最高达到 27.7%。
稳定性： MANTRA 在所有设置中均表现出最小的标准误差，表明与基准模型相比，其性能在不同随机种子下更加稳定。
定性分析： 可视化结果证实，MANTRA 在巡航和操纵场景下均能紧密匹配地面真值轨迹。

意义与主张
论文声称，基于记忆的方法代表了船舶轨迹预测的一种强大范式。通过显式保留实例级的轨迹表示，模型可以从特定的过去实例中学习，而不仅仅是依赖于广义的统计模式。这种能力对于海事作业尤为重要，因为在这些作业中，稀有的操纵事件对于安全至关重要，但在标准训练分布中却并不常见。

作者总结道，虽然目前的研究侧重于空间和动态导航数据，但未来的工作可以整合高维上下文变量（如船舶类型、天气、水道几何形状）以及量化预测不确定性的方法。本研究为在海事 AI 应用中使用外部记忆奠定了坚实的实证基础。