یادگیری عمیق مکانی-زمانی برای مسیرهای دریایی: مدلی یکپارچه برای پیش‌بینی مبتنی بر رفتار کشتی‌ها

در حوزه‌ی ناوبری دریایی، پیش‌بینی دقیق مسیر کشتی‌ها یکی از الزامات حیاتی برای ارتقاء ایمنی دریانوردی، کاهش تصادفات، بهینه‌سازی مصرف سوخت و مدیریت هوشمند ترافیک دریایی است. در این پژوهش، یک چارچوب جامع و داده‌محور برای پیش‌بینی مسیر کشتی‌ها ارائه شده است که با بهره‌گیری از داده‌های واقعی سامانه‌ی شناسایی خودکار و داده‌های محیطی نظیر ارتفاع موج توسعه یافته است. داده‌های استفاده‌شده شامل مسیرهای حرکتی کشتی‌های حمل کانتینر، ماهیگیری و مسافربری در منطقه‌ی خلیج مکزیک بوده و با استخراج ویژگی‌های مشتق‌شده نظیر نرخ چرخش، شتاب، و مختصات جغرافیایی، یک مجموعه‌داده‌ی غنی و ساختاریافته تولید گردیده است. رای مدل‌سازی مسیر، از یک معماری ترکیبی مبتنی بر شبکه‌ی عصبی بازگشتی lstm و مکانیزم توجه استفاده شده که توانایی بالایی در درک وابستگی‌های زمانی طولانی‌مدت و تمرکز تطبیقی بر نقاط کلیدی مسیر دارد. همچنین، به‌منظور افزایش تفسیرپذیری مدل و تحلیل سهم هر ویژگی در تصمیم‌گیری، از روش shap بهره گرفته شده است. نتایج حاصل از تحلیل ویژگی‌ها نشان داد که متغیرهای عرض و طول جغرافیایی، شتاب و ارتفاع موج موثر بیشترین نقش را در دقت پیش‌بینی دارند. ارزیابی تجربی مدل با استفاده از داده‌های آزمون و مقایسه با مدل پایه نشان داد که چارچوب پیشنهادی موفق شده است میزان خطای میانگین جابه‌جایی را تا حدود 44% و خطای نهایی مسیر را تا حدود 39% کاهش دهد. این دستاورد، موید اثربخشی ترکیب یادگیری عمیق مکانی-زمانی با تحلیل تفسیرپذیر ویژگی‌ها در پیش‌بینی دقیق مسیر کشتی‌ها است. این چارچوب می‌تواند به‌عنوان زیرساختی قابل اتکا برای توسعه‌ی سامانه‌های کمک‌ناوبری، هدایت کشتی‌های خودران، مدیریت ورود و خروج بنادر هوشمند و نیز پیش‌بینی ترافیک دریایی مورد استفاده قرار گیرد. همچنین، قابلیت تعمیم آن به دیگر انواع شناورها و مناطق دریایی مختلف وجود دارد.

spatio-temporal deep learning for maritime routes: a unified model for behavior-aware vessel prediction

accurate vessel trajectory prediction is a critical requirement for enhancing maritime safety, reducing collision risk, optimizing fuel consumption, and enabling intelligent traffic management at sea. in this study, a comprehensive and data-driven framework is proposed for vessel trajectory prediction, developed using real automatic identification system (ais) data and relevant environmental information such as significant wave height. the dataset includes movement trajectories of cargo vessels, fishing vessels, and passenger vessels within the gulf of mexico. a rich and structured dataset was constructed by extracting derived features such as turn rate, acceleration, and geographic coordinates. to model the trajectories, a hybrid architecture based on long short-term memory (lstm) networks and an attention mechanism was implemented, enabling the model to effectively learn long-term temporal dependencies and adaptively focus on critical segments of vessel routes. in addition, shapley additive explanations (shap) were used to enhance the interpretability of the model and analyze the contribution of each feature to the prediction process. the feature analysis revealed that latitude, longitude, acceleration, and wave height played the most significant roles in improving predictive accuracy. experimental evaluation using a held-out test dataset and comparison with a baseline lstm model demonstrated that the proposed framework reduced the average displacement error (ade) by approximately 44% and the final displacement error (fde) by about 39%. these results confirm the effectiveness of combining spatiotemporal deep learning with interpretable feature analysis for precise vessel trajectory forecasting. the proposed framework offers a reliable foundation for developing navigation support systems, autonomous ship routing, smart port management, and maritime traffic forecasting. furthermore, it can be extended to various types of vessels and other maritime regions.