تعيين پارامترهاي مؤثر زمينه اي در پيش بيني آني موقعيت كشتي با استفاده از يادگيري عميق

Finding Optimal Contextual Parameters for Real-Time Vessel Position Prediction Using Deep Learning

حدود 80% از حمل ونقل جهاني در بستر دريا انجام مي شود؛ بنابراين، به منظور حفظ ايمني عبورومرور كشتي ها، پيش بيني دقيق حركت آنها اهميت ويژه اي دارد. ازآن جاكه پارامترهاي زمينه اي گوناگوني در حركت كشتي ها تاثير مي گذارد، يكي از چالش هاي اصلي در حوزه محاسبات زمينه آگاه حركت كشتي ها شناسايي پارامترهاي زمينه اي بهينه موثر در حركت كشتي است كه ضرورت تحقيق حاضر را مي رساند. در اين راستا، با استفاده از شبكه عصبي حافظه طولاني كوتاه مدت و انتخاب پارامتر به شيوه پوشانه (Wrapper)، اقدام به شناسايي پارامترهاي زمينه اي بهينه براي پيش بيني حركت كشتي شد. به اين منظور، داده هاي سيستم شناسايي خودكار كشتي ها، جمع آوري شده در دسامبر سال 2017 از ساحل شرقي آمريكا، به كار رفت. تمامي تركيبات ممكن از سه پارامتر زمينه اي سرعت، جهت و احتمال حضور كشتي در هر نقطه از دريا، با روش پوشانه، در مدل پيش بيني يادشده ارزيابي شد. در ارزيابي ها، 70% از داده ها براي آموزش و مابقي براي اعتبارسنجي متقابل به كار رفت. طبق نتايج، پارامترهاي سرعت و احتمال حضور به منزله پارامترهاي زمينه اي بهينه شناسايي شد؛ به صورتي كه دقت مدل با ورودي هاي بهينه 26.98% بهتر از مدلي است كه در تمام پارامترهاي زمينه اي در دسترس به منزله ورودي به كار رفته و نيز 16.14% بهتر از مدل بدون زمينه است؛ بنابراين، شناسايي پارامترهاي زمينه اي بهينه از ميان پارامترهاي در دسترس و استفاده از آنها مي تواند به بهبود دقت كمك كند

About 80% of world transportation happens at sea. Therefore the safety of vessels, in particular during vessels’ movement, is crucially important. As different contextual parameters affect vessels’ movement, selecting optimal contextual parameters is one of the main changes in vessels’ Context- Aware movement analysis. Toward this end, a Long Short-Term Memory (LSTM) network is used for wrapper feature selection to identify optimal contextual parameters for vessels’ movement prediction. To do this, the Automatic Identification System (AIS) dataset from the eastern coast of the United States of America collected from December 2017 is used. All possible combinations of three contextual parameters, including speed, course and vessels’ presence probability in different positions at sea, were evaluated using the wrapper method in the LSTM network. In all evaluations, 70% of data was used for training and the remaining for cross-validation. The results selected speed and presence probability as optimal contextual parameters for vessel movement prediction. The model trained with optimal contextual parameters is 26.98% more accurate than a model trained with all available contextual parameters and 16.14% better than a model without contextual parameters. Therefore, selecting optimal parameters from available contextual parameters can help improve the accuracy of vessels’ predictions. Keywords: Context-Aware, Long Short-Term Memory, Automatic Identification System, wrapper, Movement prediction, Context