FRA-LSTM：基于前向和反向子网络融合的船舶轨迹预测方法
摘要：基于自动识别系统（AIS）数据驱动的前向子网络和后向子网络融合的长短期记忆（LSTM）方法用于预测船舶轨迹。通过结合LSTM和注意机制来挖掘前向历史轨迹数据的特征。同时，后向子网络结合双向LSTM（BiLSTM）和注意机制来挖掘后向历史轨迹数据的特征。最后，通过融合前向和后向子网络的输出特征生成最终预测轨迹。基于大量实验证明，与BiLSTM和Seq2seq方法相比，我们提出的方法在预测短期和中期轨迹的准确性平均提高了96.8％和86.5％。此外，在预测长期轨迹方面，我们的方法的平均准确性比BiLSTM和Seq2seq方法高出90.1％。
作者：Jin Chen, Xingchen Li, Ye Xiao, Hao Chen, and Yong Zhao
论文ID：2201.07606
分类：Computers and Society
分类简称：cs.CY
提交时间：2023-04-05