نوع مقاله : مقاله پژوهشی

نویسندگان

• علی اصغر آل شیخ ¹
• سعید مهری ²

¹ استاد دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

² دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

حدود ۸۰% 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 تأثیر می‌گذارد، یکی از چالش‌های اصلی در حوزة محاسبات زمینه‌ـ آگاه حرکت کشتی‌ها شناسایی پارامترهای زمینه‌ای بهینة مؤثر در حرکت کشتی است که ضرورت تحقیق حاضر را می‌رساند. در این راستا، با استفاده از شبکة عصبی حافظة طولانی کوتاه‌ـ مدت و انتخاب پارامتر به‌شیوة 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 ۲۰۱۷ 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، ۷۰% از داده‌ها برای آموزش و مابقی برای اعتبارسنجی متقابل به‌کار رفت. طبق نتایج، پارامترهای سرعت و احتمال حضور به‌منزلة پارامترهای زمینه‌ای بهینه شناسایی شد؛ به‌صورتی‌که دقت مدل با ورودی‌های بهینه 26.98% بهتر از مدلی است که در تمام پارامترهای زمینه‌ای در دسترس به‌منزلة 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

کلیدواژه‌ها

• زمینه‌ـ آگاه
• شبکة حافظة طولانی کوتاه‌مدت
• سیستم شناسایی خودکار کشتی‌ها
• روش پوشانه
• پیش‌بینی حرکت
• زمینه

عنوان مقاله [English]

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

نویسندگان [English]

• Ali Asghar Alesheikh ¹
• Saeed mehri ²

¹ Full Prof., Dep. of Geomatics Engineering, K.N. Toosi University of Technology, Tehran

² K. N. Toosi University of Technology

چکیده [English]

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.

کلیدواژه‌ها [English]

• Context-Aware
• Long Short-Term Memory
• Automatic Identification System
• wrapper
• Movement prediction
• Context