В.Е. Марлей1, А.Н. Терехов2, Ю.А. Гатчин3, В.И. Милушков4, Н.Н. Лиманский5

1,4,5 Государственный университет морского и речного флота им. адмирала С.О. Макарова (Санкт-Петербург, Россия)
2 Санкт-Петербургский государственный университет (Санкт-Петербург, Россия)
3 Санкт-Петербургский национальный исследовательский университет информационных технологий,
 механики и оптики (Санкт-Петербург, Россия)
 1vmarley@mail.ru, 2ant@tercom.ru, 3gatchin1952@mail.ru, 4 info@sohoware.ru, 5info@sohoware.ru

Постановка проблемы. В настоящее время в России нет доступных и открытых данных, которые можно использовать для обучения нейронных сетей, необходимых для точного прогнозирования судоходного трафика. Это создает сложности в разработке эффективных моделей, учитывающих особенности российского морского трафика, и вынуждает использовать зарубежные или синтетические данные, что снижает точность и надежность прогнозов.

Цель. Разработать метод прогнозирования морского трафика на основе анализа исторических данных автоматической идентификационной системы (AIS) с использованием сети длительной краткосрочной памяти (LSTM).

Результаты. Рассмотрена эффективность использования сети LSTM для анализа исторических данных AIS, что позволило значительно повысить точность прогнозов движения судов и обеспечить безопасность морских операций. Разработана модель, доказавшая свою практическую ценность в условиях отсутствия данных в реальном времени.

Практическая значимость. Предложенный подход улучшает управление морским трафиком, снижая риски аварий и обеспечивая безопасность судоходства. Модель может быть использована для прогнозирования маршрутов судов и интеграции новых функций, таких как мониторинг состояния судов и предотвращение их столкновений.

Марлей В.Е., Терехов А.Н., Гатчин Ю.А., Милушков В.И., Лиманский Н.Н. Прогнозирование состояния судоходного трафика на основе временных рядов данных автоматической идентификационной системы с применением сети длительной краткосрочной памяти // Динамика сложных систем. 2024. Т. 18. № 4. С. 28−40. DOI: 10.18127/j19997493-202404-03

1. Милушков В.И., Лиманский Н.Н. Интеграция гибридного полуконтролируемого и контрастного обучения для автоматической классификации дефектов в производственных данных: повышение точности контроля качества продукции // Перспективы науки. 2024. Вып. 6 (177).
2. Милушков В.И., Лиманский Н.Н. Обнаружение аномалий в роботизированных системах: сравнительный анализ ConvLSTM с механизмом внимания и традиционных подходов // Перспективы науки. 2024. Вып. 6 (177).
3. Dang X.K., Tran T.D., Tran M.H., Pham T.D.A. Inland Waterway Transport in Vietnam: Strategies to Improve Transportation Efficiency during COVID-19 Pandemic. IOP Conference Series: Earth and Environmental Science. 2022. V. 1072. № 1. P. 12006–12012. https://doi.org/10.1088/1755-1315/1072/1/012006
4. The International Maritime Organization. AIS Transponders. Retrieved from http://www.imo.org/en/OurWork/Safety/Navigation/ Pages/AIS.aspx. 2022.
5. Gudevada, V., Apon, A., & Ding, J. Data Quality Considerations for Big Data and Machine Learning: Going Beyond Data Cleaning and Transformations. International Journal on Advances in Software. 2017. V. 10. № 1. P. 1–20.
6. Коценко А.А., Горячкин Б.С., Базанова А.Г., Марущенко А.В., Варламов О.О. Модель описания миварных сетей в формате двудольных и трехдольных ориентированных графов для принятия решений и обработки информации в машиностроительном ИИ // Динамика сложных систем – XXI век. 2024. № 1. С. 5–17.
7. Панов М.А., Ищенко Е.А. Современные комплексы мониторинга и оповещения о событиях: обеспечение оптимального использования ресурсов и функционирования информационных систем и процессов // Динамика сложных систем – XXI век. 2024. № 1. С. 18–31.
8. Семенюк С.С., Каблуков А.В., Григоров А.С. Определение местоположения источников радиоизлучений разностно-дальномерным методом на основе роевого интеллекта // Динамика сложных систем – XXI век. 2024. № 1. С. 51–57.
9. Liu D., Rong H., Guedes Soares C. Shipping route modelling of AIS maritime traffic data at the approach to ports. Ocean Engineering. 2023. V. 289. Article 115868. https://doi.org/10.1016/j.oceaneng.2023.115868
10. Wang X., Wang W. Study on the maritime trade pattern and freight index in the post-epidemic era: Evidence based on dry bulk market Automatic Identification System (AIS) data. The Asian Journal of Shipping and Logistics. 2024. V. 40. № 1. P. 1–10. https://doi.org/10.1016/j.ajsl.2023.09.002
11. Falcon R., Abielmona R., Blasch E. Behavioral Learning of Vessel Types with Fuzzy Rough Decision Trees. FUSION 2014 – 17th International Conference on Information Fusion. Salamanca, Spain. 2014. P. 1–8.
12. Mascaro S., Korb K., Nicholson A. Learning Abnormal Vessel Behaviour from AIS Data with Bayesian Networks at Two Time Scales. Tracks a Journal of Artists Writings. 2010. P. 1–34. https://doi.org/10.1016/j.ijar.2013.03.012
13. Evgeniou T., Pontil M. Support Vector Machines: Theory and Applications. Conference: Machine Learning and Its Applications, Advanced Lectures. 2001. V. 2049. P. 249–257. https://doi.org/10.1007/3-540-44673-7_12
14. Guyon I., Weston J., Barnhill S., Vapnik V. Gene selection for cancer classification using Support Vector Machines. Machine Learning. 2002. V. 46. № 1–3. P. 389–422. https://doi.org/10.1023/A:1012487302797
15. Senthil D., Suseendran G. Sequence Mining-Based Support Vector Machine with Decision Tree Approach for Efficient Time Series Data Classification. Advances in Intelligent Systems and Computing. 2020. V. 1016. P. 3–17. https://doi.org/10.1007/978-981-13-9364-8_1
16. Chih W.H., Chih C.C., Chih J.L. A Practical Guide to Support Vector Classification. Department of Computer Science, National Taiwan University. Taiwan. 2003.
17. Nembrini S., König I.R., Wright M.N. The revival of the Gini importance? Bioinformatics. 2018. V. 34. № 21. P. 3711–3718. https://doi.org/10.1093/bioinformatics/bty373
18. Rong H., Teixeira A.P., Guedes Soares C. Ship trajectory uncertainty prediction based on a Gaussian Process model. Ocean Engineering. 2019. V. 182. P. 499–511. https://doi.org/10.1016/j.oceaneng.2019.04.024
19. Nguyen D., Fablet R. A Transformer Network With Sparse Augmented Data Representation and Cross Entropy Loss for AIS-Based Vessel Trajectory Prediction. IEEE Access. 2024. V. 12. P. 21596–21609. https://doi.org/10.1109/ACCESS.2024.3349957
20. Bao K., Shang D., Wang R., Ma R. AIS big data framework for maritime safety supervision. Proceedings – 2020 International Conference on Robots and Intelligent Systems, ICRIS. 2020. P. 150–153. https://doi.org/10.1109/ICRIS52159.2020.00045
21. Wang S., Li Y., Xing H. A novel method for ship trajectory prediction in complex scenarios based on spatio-temporal features extraction of AIS data. Ocean Engineering. 2023. V. 281. Article 114846. https://doi.org/10.1016/j.oceaneng.2023.114846
22. Pedrielli G., Xing Y., Peh J. H., Koh K.W., Ng S.H. A real time simulation optimization framework for vessel collision avoidance and the case of Singapore strait. IEEE Transactions on Intelligent Transportation Systems. 2020. V. 21. № 3. P. 1204–1215. https://doi.org/10.1109/TITS.2019.2903824
23. Shi W., Hu L., Lin Z., Zhang L., Wu J., Chai W. Short-term motion prediction of floating offshore wind turbine based on muti-input LSTM neural network. Ocean Engineering. 2023. https://doi.org/10.1016/j.oceaneng.2023.114558
24. Doğan E. LSTM training set analysis and clustering model development for short-term traffic flow prediction. Neural Computing and Applications. 2021. V. 33. № 17. P. 11175–11188. https://doi.org/10.1007/s00521-020-05564-5
25. Park S.H., Kim B., Kang C.M., Chung C.C., Choi J.W. Sequence-to-Sequence Prediction of Vehicle Trajectory via LSTM Encoder-Decoder Architecture. 2018 IEEE Intelligent Vehicles Symposium (IV). 2018. https://doi.org/10.1109/IVS.2018.8500658
26. Cho K., Van Merriënboer B., Gulcehre C., Bahdanau D., Bougares F., Schwenk H., Bengio Y. Learning phrase representations using RNN encoder-decoder for statistical machine translation. EMNLP 2014 – 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference. 2014. P. 1724–1734. https://doi.org/10.3115/v1/d14-117
27. Panchal F.S., Panchal M. Review on Methods of Selecting Number of Hidden Nodes in Artificial Neural Network. International Journal of Computer Science and Mobile Computing. 2014. V. 3. № 11. P. 455–464.
28. Wen X., Li W. Time Series Prediction Based on LSTM-Attention-LSTM Model. IEEE Access. 2023. V. 11. P. 48322–48331. https://doi.org/10.1109/ACCESS.2023.3276628