چارچوب استاندارد هوش مصنوعی برای یکپارچه‌سازی داده‌های چندمنبعی در ناوبری ایمن

این مقاله یک چارچوب نوآورانه و استاندارد برای یکپارچه‌سازی و تبادل داده‌های چندمنبعی در سامانه‌های دریایی هوشمند مبتنی بر هوش مصنوعی معرفی می‌کند. داده‌های سامانه ais ، gps و حسگرهای محیطی در یک شبیه‌سازی واقع‌گرایانه در خلیج‌فارس (25-28° شمالی، 50-54° شرقی) با فرمت json استانداردسازی شدند که با استاندارد بین‌المللی iho s-100 هم‌راستا است. این چارچوب از الگوریتم k-means برای خوشه‌بندی کشتی‌ها، مدل‌های lstm چندلایه برای پیش‌بینی دینامیک ریسک و موقعیت و یک نسخه بهینه‌شده از الگوریتم a* با تابع هزینه ترکیبی (فاصله جغرافیایی و جریمه ریسک) برای تولید مسیرهای کم‌ریسک بهره می‌برد. این بهینه‌سازی در الگوریتم a* با افزودن مولفه ریسک و انطباق با شرایط پویای دریایی، کارایی مسیریابی را در حضور موانع متحرک و ثابت بهبود بخشیده است. همچنین، یک مکانیزم پیش‌بینی آنلاین ریسک برای شبیه‌سازی زمان واقعی توسعه یافت. نتایج تجربی نشان داد که مدل lstm با دقت 99.51% در پیش‌بینی ریسک عملکردی استثنایی داشت، و الگوریتم a* بهینه‌شده مسیرهایی با 3002 نقطه کم‌ریسک تولید کرد. این چارچوب با بهبود قابل‌توجه ایمنی و ناوبری هوشمند، پتانسیل بالایی برای هم‌راستایی با استانداردهای جهانی و کاربرد عملی در محیط‌های دریایی پیچیده دارد.

a standard ai-based framework for multi-source data integration in maritime safety and navigation

this paper presents an innovative and standardized framework for integrating and exchanging multi-source data in ai-based intelligent maritime systems. data from the automatic identification system (ais), global positioning system (gps), and environmental sensors were standardized in json format within a realistic simulation environment of the persian gulf (25–28°n, 50–54°e), aligned with the international iho s-100 standard. the proposed framework employs the k-means algorithm for vessel clustering, multilayer lstm models for dynamic risk and position prediction, and an optimized version of the a* algorithm with a hybrid cost function combining geographic distance and risk penalty to generate low-risk routes. the optimization of the a* algorithm, through the inclusion of a risk component and adaptation to dynamic maritime conditions, enhanced route planning performance in the presence of both static and moving obstacles. moreover, an online risk prediction mechanism was developed for real-time simulation. experimental results demonstrated that the lstm model achieved an outstanding 99.66% accuracy in risk prediction, while the optimized a* algorithm generated routes with 3,002 low-risk points. this framework significantly enhances maritime safety and intelligent navigation, showing strong potential for alignment with global standards and practical deployment in complex maritime environments.