基于深度学习且具备集群感知能力的船舶轨迹预测技术，用于海上交通管理

《Ocean & Coastal Management》：Cluster-aware deep learning-based vessel trajectory prediction for maritime traffic management

船舶轨迹预测的两阶段框架IDCMSA-MSIFE通过密度聚类和空间可达性关系分组异质轨迹，结合多源AIS数据（坐标、COG、SOG）的自注意力机制与双向LSTM时序建模，优化损失函数提升预测精度。实验表明其优于七种基准方法，为海事安全与交通管理提供数据驱动解决方案。

　　

李艳|宋岚|杨再莉|李环环

中国武汉大学测绘与遥感信息工程国家重点实验室

摘要

准确的船舶轨迹预测对海上安全和交通管理至关重要。尽管自动识别系统（AIS）数据提供了宝贵的时空信息，但由于交通模式的异质性和船舶行为的动态性，可靠的预测仍然具有挑战性。本研究提出了一种两阶段、基于聚类的框架IDCMSA-MSIFE，该框架将轨迹聚类与多源深度学习相结合，以提高预测的准确性和鲁棒性。在第一阶段，开发了一种改进的基于密度的聚类方法（IDCMSA），通过将轨迹映射到特征点并检测它们在基于网格的结构中的密度可达性关系来识别代表性的交通模式。这一过程能够区分复杂海洋环境中的不同导航行为。在第二阶段，将每个簇中的轨迹输入到多源信息融合增强（MSIFE）深度学习网络中。该模型通过自注意力机制整合了多种来自AIS的特征，包括轨迹坐标、地面航向（COG）和地面速度（SOG），同时双向长短期记忆（Bi-LSTM）单元捕捉时间运动动态。为了提高训练稳定性和预测一致性，在损失函数中添加了校正项。在来自两个海域的真实世界AIS数据集上的实验结果表明，我们的框架在准确性和鲁棒性方面优于七个基准模型，证明了其在导航支持和碰撞风险缓解方面的价值。本研究为更安全的海上管理提供了一种数据驱动的方法。

引言

经济全球化加剧了货物、原材料和资源的跨境流动，导致国际贸易活动日益频繁（W. Xing等人，2023年）。作为全球商业的支柱，运输服务是不可或缺的，因为没有运输服务，国家之间的货物流动就无法实现（Baeza等人，2022年）。在各种运输方式中，海上运输仍然是主要选择，因为与航空或管道运输相比，它的成本显著较低，载货能力显著更高（Y. Li等人，2024年）。随着海上运输的发展，船舶交通量激增，受限水道内的互动变得更加频繁。因此，这导致了更大的交通压力和更高的拥堵及碰撞事故风险（Gan等人，2023年）。交通拥堵会降低运营效率并增加运输成本，而碰撞可能导致灾难性后果，包括人员伤亡、财产损失和环境污染（Liu等人，2025年）。这些挑战凸显了迫切需要先进的技术解决方案来支持主动的海上风险缓解。

船舶轨迹预测是解决这些问题的关键研究重点。通过分析历史船舶运动模式的变化，轨迹预测模型可以推断出未来的船舶位置，从而提前识别潜在的高风险遭遇（H. Li等人，2024年；Wang等人，2025年）。如图1所示，准确预测轨迹发展趋势使海事当局能够及时识别易发生碰撞的区域并采取及时干预措施。

基于位置的服务（LBS）和海上物联网（IoT）的最新创新进一步推动了这一领域的发展。自动识别系统（AIS）作为海上物联网的核心组成部分，提供了关于船舶导航、锚泊和系泊活动的高频动态和静态信息（Liang等人，2025年）。动态属性包括时间戳、地理坐标、地面航向（COG）和地面速度（SOG），而静态属性包括船舶类型、尺寸和海事移动服务标识（MMSI）（Shu等人，2024年）。这些丰富的AIS数据为数据驱动的船舶轨迹预测奠定了基础，支持了海上态势感知以及智能交通系统（ITS）在海洋环境中的更广泛发展（见图2）。

丰富的数据使得研究新的AI解决方案以预测船舶轨迹成为可能。深度学习（DL）（Shin和Yang，2025年）和神经网络（NN）（Deng等人，2025年）模型由于其捕捉大规模AIS数据集中嵌入的非线性模式的能力而成为船舶轨迹预测的突出工具。尽管DL通过更深更复杂的层扩展了传统NN的架构（Li等人，2025年），但一个共同的局限性仍然存在：大多数现有研究在目标区域的所有轨迹上训练单一预测模型。在船舶运动表现出多样结构模式的复杂水道中，将不同类型的轨迹混合在单一模型中可能会掩盖特定轨迹类型的独特特征，从而降低预测的准确性和稳定性。为了解决这一挑战，一些研究在模型训练之前采用了根据空间和时间模式对轨迹进行分类的聚类技术（Alam等人，2024年；Park等人，2021年；Yang等人，2022a）。

基于这一想法，本研究开发了一个两阶段预测框架。其目标是提高准确性、鲁棒性和可解释性。重点是在复杂的海上环境中预测船舶轨迹。在这种环境中，许多最先进的方法无法提供可靠的预测。所提出的框架由两个部分组成。首先是称为改进的基于密度的聚类方法（IDCMSA）的新颖轨迹聚类算法。其次是名为多源信息融合增强（MSIFE）网络的多源信息融合深度学习模型。这两个部分共同构成了IDCMSA-MSIFE轨迹预测框架。

本研究为推进船舶轨迹预测和解决海上智能交通研究中的空白提供了四个关键贡献：

(1)

开发了一个集成的分层预测框架（IDCMSA-MSIFE）。

构建了一种新的两阶段轨迹预测方法。该框架首先进行轨迹聚类以减少数据异质性并提高聚类精度，然后对每个簇进行独立的基于DL的训练以增强预测可靠性。这种分层结构克服了现有单一模型方法的局限性。

(2)

提出了用于船舶轨迹聚类的IDCMSA算法。

通过将每个轨迹通过多维缩放（MDS）映射到一个点，将这些点投影到密度矩阵中，并应用卷积来检测空间可达性关系，设计了一种新颖的聚类技术。具有密度可达性关系的轨迹被分组到同一个簇中。这种方法保留了基于密度的聚类的优势（例如，带噪声的应用程序的基于密度的空间聚类（DBSCAN）），同时解决了其缺点：（i）消除了对复杂超参数调整的需求；（ii）提高了对轨迹噪声的鲁棒性。

(3)

开发了用于多源轨迹学习的MSIFE网络。

MSIFE模型充分利用了多源AIS信息、轨迹坐标、COG和SOG，通过基于注意力的特征融合机制。双向长短期记忆（Bi-LSTM）单元捕捉时间演变模式，而三个校正损失项增强了反向优化，使模型能够更好地学习复杂的轨迹动态并实现更高的预测准确性。

本文的其余部分组织如下。第2节介绍了船舶轨迹聚类和预测的文献综述，强调了激发提出该框架的现有研究空白。第3节介绍了关键定义，描述了AIS数据集，并解释了数据预处理程序。第4节详细阐述了IDCMSA和MSIFE的理论原理，包括所提出方法解决的现有方法的局限性。第5节报告了验证框架有效性的消融实验和比较实验结果。第6节总结了主要发现，讨论了实际意义，并概述了未来的研究方向。

节选

文献综述

近年来，由于对准确预测的需求不断增加，以支持安全和高效的海上运营，船舶轨迹预测取得了实质性进展。文献中的一种常见策略是首先对目标区域内的轨迹进行聚类，然后对每个簇的特定子集训练NN或DL模型，以生成未来时间步的预测。为了明确地用证据定义这一策略，并系统地理解现有研究，

初步

本节提供了理解所提出的预测框架所需的基本定义和数据结构，然后详细描述了用于验证方法的实验数据集。此外，由于AIS数据是以不规则的时间间隔记录的，在轨迹预测之前需要进行插值。因此，第3.1节定义、第3.2节实验数据集描述和第3.3节AIS数据预处理部分分别介绍了正式定义和数据集描述。

方法论

本研究提出了一种创新的船舶轨迹预测框架，它具有新的特点，可以解决第2.3节中提到的研究空白，并在轨迹表现出更多不规则和交互模式时提高船舶轨迹预测的准确性。核心思想是首先在研究区域内对轨迹进行聚类，然后为不同的轨迹类别训练单独的预测模型，以提高准确性和稳定性。由此产生的模型可以同时整合多种

实验结果与分析

本节评估了所提出的IDCMSA-MSIFE模型在船舶轨迹预测方面的有效性和鲁棒性。使用来自两个海域（CfdP和CsJP）的真实AIS数据集进行了比较实验，涵盖了传统的神经网络、深度学习方法和现代模型。然后研究了关键参数对预测性能的影响，随后进行了消融研究，以隔离所提出模型中各个组件的贡献

结论

本研究提出了IDCMSA-MSIFE，这是一个统一的船舶轨迹预测框架，它结合了改进的聚类方法和多源融合网络。IDCMSA算法通过消除手动定义超参数的需求并展示了对复杂水道中噪声的更高鲁棒性来改进基于密度的聚类。在此聚类步骤的基础上，MSIFE网络利用轨迹坐标、COG和SOG来学习丰富的运动特征，同时

CRediT作者贡献声明

李艳：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据整理。宋岚：撰写——审阅与编辑、资金获取、调查、正式分析、可视化、概念化、项目管理。杨再莉：撰写——审阅与编辑、验证、方法论、正式分析。李环环：撰写——审阅与编辑、可视化、验证、方法论、正式分析、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究的工作得到了国家自然科学基金（NSFC）的财政支持，资助编号为42407114和52571407。