تعیین پارامترهای موثر زمینه‌ای در پیش‌بینی آنی موقعیت کشتی با استفاده از یادگیری عمیق

حدود 80% از حمل‌ونقل جهانی در بستر دریا انجام می‌شود؛ بنابراین، به‌منظور حفظ ایمنی عبورومرور کشتی‌ها، پیش‌بینی دقیق حرکت آنها اهمیت ویژه‌ای دارد. ازآن‌جاکه پارامترهای زمینه‌ای گوناگونی در حرکت کشتی‌ها تاثیر می‌گذارد، یکی از چالش‌های اصلی در حوزه محاسبات زمینه‌ آگاه حرکت کشتی‌ها شناسایی پارامترهای زمینه‌ای بهینه موثر در حرکت کشتی است که ضرورت تحقیق حاضر را می‌رساند. در این راستا، با استفاده از شبکه عصبی حافظه طولانی کوتاه‌ مدت و انتخاب پارامتر به‌شیوه پوشانه (wrapper)، اقدام به شناسایی پارامترهای زمینه‌ای بهینه برای پیش‌بینی حرکت کشتی شد. به این منظور، داده‌های سیستم شناسایی خودکار کشتی‌ها، جمع‌آوری‌شده در دسامبر سال 2017 از ساحل شرقی آمریکا، به‌کار رفت. تمامی ترکیبات ممکن از سه پارامتر زمینه‌ای سرعت، جهت و احتمال حضور کشتی در هر نقطه از دریا، با روش پوشانه، در مدل پیش‌بینی یادشده ارزیابی شد. در ارزیابی‌ها، 70% از داده‌ها برای آموزش و مابقی برای اعتبارسنجی متقابل به‌کار رفت. طبق نتایج، پارامترهای سرعت و احتمال حضور به‌منزله پارامترهای زمینه‌ای بهینه شناسایی شد؛ به‌صورتی‌که دقت مدل با ورودی‌های بهینه 26.98% بهتر از مدلی است که در تمام پارامترهای زمینه‌ای در دسترس به‌منزله ورودی به‌کار رفته و نیز 16.14% بهتر از مدل بدون زمینه است؛ بنابراین، شناسایی پارامترهای زمینه‌ای بهینه از میان پارامترهای در دسترس و استفاده از آنها می‌تواند به بهبود دقت کمک کند

Finding Optimal Contextual Parameters for RealTime Vessel Position Prediction Using Deep Learning

About 80% of world transportation happens at sea. Therefore the safety of vessels, in particularduring vessels’ movement, is crucially important. As different contextual parameters affect vessels’movement, selecting optimal contextual parameters is one of the main changes in vessels’ ContextAware movement analysis. Toward this end, a Long ShortTerm Memory (LSTM) network is usedfor wrapper feature selection to identify optimal contextual parameters for vessels’ movementprediction. To do this, the Automatic Identification System (AIS) dataset from the eastern coast of theUnited States of America collected from December 2017 is used. All possible combinations of threecontextual parameters, including speed, course and vessels’ presence probability in different positionsat sea, were evaluated using the wrapper method in the LSTM network. In all evaluations, 70% ofdata was used for training and the remaining for crossvalidation. The results selected speed andpresence probability as optimal contextual parameters for vessel movement prediction. The modeltrained with optimal contextual parameters is 26.98% more accurate than a model trained with allavailable contextual parameters and 16.14% better than a model without contextual parameters.Therefore, selecting optimal parameters from available contextual parameters can help improve theaccuracy of vessels’ predictions. Keywords: ContextAware, Long ShortTerm Memory, AutomaticIdentification System, wrapper, Movement prediction, Context.