ƯỚC LƯỢNG QUỸ ĐẠO CHUYỂN ĐỘNG CỦA TÀU BIỂN  SỬ DỤNG MẠNG NƠ-RON LSTM TRÊN DỮ LIỆU AIS QUY MÔ LỚN

Nguyễn Quang Thi; Nguyễn Trung Tấn; Phạm Minh Kha; Lê Văn Nhu

doi:10.34238/tnu-jst.13454

ƯỚC LƯỢNG QUỸ ĐẠO CHUYỂN ĐỘNG CỦA TÀU BIỂN SỬ DỤNG MẠNG NƠ-RON LSTM TRÊN DỮ LIỆU AIS QUY MÔ LỚN

Thông tin bài báo

Ngày nhận bài: 20/08/25 Ngày hoàn thiện: 13/11/25 Ngày đăng: 13/11/25

Các tác giả

1. Nguyễn Quang Thi , Trường Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Trung Tấn, Trường Đại học Kỹ thuật Lê Quý Đôn
3. Phạm Minh Kha, Trường Đại học Kỹ thuật Lê Quý Đôn
4. Lê Văn Nhu, Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Việc ước lượng chính xác quỹ đạo chuyển động của tàu thuyền đóng vai trò then chốt trong đảm bảo an toàn hàng hải, nâng cao hiệu quả vận hành và hỗ trợ ra quyết định theo thời gian thực trong các hệ thống giám sát hàng hải. Với sự gia tăng mạnh mẽ của dữ liệu từ Hệ thống Nhận dạng Tự động (AIS), các mô hình học sâu đã cho thấy tiềm năng lớn trong việc mô hình hóa động học không gian–thời gian phức tạp của chuyển động tàu thuyền. Nghiên cứu này đề xuất một phương pháp dựa trên mạng LSTM (Long Short-Term Memory) để dự đoán quỹ đạo tương lai của tàu thuyền dựa trên dữ liệu AIS quy mô lớn. Chúng tôi tiến hành tiền xử lý và phân đoạn dữ liệu AIS nhằm xây dựng các chuỗi dữ liệu có cấu trúc phục vụ huấn luyện, và áp dụng kiến trúc LSTM được thiết kế riêng để nắm bắt được cả các phụ thuộc ngắn hạn lẫn dài hạn trong dữ liệu quỹ đạo. Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội so với các phương pháp truyền thống về độ chính xác và độ bền vững, đặc biệt trong các môi trường hàng hải đa dạng. Nghiên cứu này tạo nền tảng vững chắc cho việc triển khai hệ thống dự báo chuyển động tàu theo thời gian thực, đồng thời hỗ trợ các ứng dụng phát hiện bất thường hàng hải và quản lý giao thông đường biển.

Từ khóa

Quỹ đạo; Hệ thống nhận dạng tự động; Mạng LSTM; Điều hướng tàu thuyền; Dữ liệu quy mô lớn

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] I. Ali, "The world's maritime industry in the 21st century: Challenges, expectations, and directions," South East Asian Marine Sciences Journal, vol. 2, no. 2, pp. 64-75, 2025.

[2] ITU - R, “M. Series: Technical characteristics for an automatic identification system using time-division multiple access in the VHF maritime mobile band,” in Recommendations, ITU: Geneva, Switzerland, 2014, pp. 1371-1375.

[3] M. Riveiro, G. Pallotta, and M. Vespe, "Maritime anomaly detection: A review," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 8, no. 4, 2018, Art. no. e1266.

[4] J.R. Van Dorp and J. R. W. Merrick, "On a risk management analysis of oil spill risk using maritime traffic pattern simulation," Annals of Operations Research, vol. 132, pp. 265–287, 2004.

[5] J. Schulz et al., "Multiple model unscented kalman filtering in dynamic bayesian networks for intention estimation and trajectory prediction," 2018 21st International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2018, pp. 1467-1474.

[6] S. Hochreiter and J. Schmidhuber, "Long Short-Term Memory," Neural Computation, vol. 9, no. 8, pp. 1735–1780, 1997.

[7] F. Altché and A. de La Fortelle, "An LSTM network for highway trajectory prediction," 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2017, pp. 353-359.

[8] X. Ma, Z. Tao, Y. Wang, H. Yu, and Y. Wang, "Long short-term memory neural network for traffic speed estimation using remote microwave sensor data," Transportation Research Part C: Emerging Technologies, vol. 54, pp.187–197, 2015.

[9] S. Capobianco, N. Forti, L. M. Millefiori, P. Braca, and P. Willett, "Recurrent encoder–decoder networks for vessel trajectory prediction with uncertainty estimation," IEEE Transactions on Aerospace and Electronic Systems, vol. 59, no. 3, pp. 2554-2565, 2022.

[10] C. H. Yang, C. H. Wu, J. C. Shao, Y. C. Wang, and C. M. Hsieh, "AIS-based intelligent vessel trajectory prediction using bi-LSTM," IEEE Access, vol. 10, pp. 24302-24315, 2022.

[11] S. Capobianco, L. M. Millefiori, N. Forti, P. Braca, and P. Willett, "Deep learning methods for vessel trajectory prediction based on recurrent neural networks," IEEE Transactions on Aerospace and Electronic Systems, vol. 57, no. 6, pp. 4329-4346, 2021.

[12] Z. Liu et al., "Hybrid deep learning models for ship trajectory prediction in complex scenarios based on AIS data," Applied Ocean Research, vol. 153, 2024, Art. no. 104231.

[13] T. Yu et al., "Vessel trajectory prediction based on modified LSTM with attention mechanism," 2024 4th International Conference on Neural Networks, Information and Communication Engineering (NNICE), IEEE, 2024, pp. 912-918.

[14] X. Wang and Y. Xiao, "A deep learning model for ship trajectory prediction using automatic identification system (AIS) data," Information, vol. 14, no. 4, 2023, Art. no. 212.

[15] S. Rahmani, A. Baghbani, N. Bouguila, and Z. Patterson, "Graph neural networks for intelligent transportation systems: A survey," IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 8, pp. 8846-8885, 2023.

[16] J. Jiang, Y. Zuo, Y. Xiao, W. Zhang, and T. Li, "STMGF-Net: a spatiotemporal multi-graph fusion network for vessel trajectory forecasting in intelligent maritime navigation," IEEE Transactions on Intelligent Transportation Systems, 2024, pp. 21367 – 21379.

DOI: https://doi.org/10.34238/tnu-jst.13454

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ