标题: AIS Data-Driven Maritime Monitoring Based on Transformer: A Comprehensive Review AIS 数据驱动的船舶监控综述作者: Zhiye Xie, Enmei Tu, Xianping Fu, Guosheng Lin, Yi Han来源: 2025 International Joint Conference on Neural Networks (IJCNN)DOI: 10.1109/IJCNN64981.2025.11228006GitHub: https://github.com/eyesofworld/Maritime-Monitoring📌 一句话总结全面综述 Transformer 模型在 AIS 数据驱动的海事监控领域的应用，涵盖轨迹预测、行为检测、行为预测三大核心任务，并公开 19,016 艘船舶、6.4 亿条消息的高质量数据集。任务核心方法应用价值轨迹预测生成式/分类式 Transformer碰撞预防、交通管理行为检测阈值法/聚类/自监督异常检测、安全监控行为预测Transformer 状态分类风险预判、航线优化一、研究背景1.1 行业背景海运业承担全球**80%**的国际货物运输行业正经历数字化转型：AI、大数据分析等技术正在革新运营模式面临安全、效率和可持续性的压力，需要快速适应全球需求变化1.2 AIS 系统简介自动识别系统（AIS）的核心作用：增强雷达功能，提供船舶识别和定位信息根据 SOLAS 公约强制要求（300 总吨以上国际航行船舶）通过 VHF 无线电波广播和接收位置信息数据类型：动态信息：位置、速度、航向静态信息：船舶类型、名称航次信息：目的港、预计到达时间1.3 研究挑战AIS 数据海量，完整潜力长期未被挖掘原始 AIS 数据常包含异常值和缺失值VHF 网络波动通信信道拥塞干扰导致复杂海洋环境和动态航海活动要求有效提取数据模式二、Transformer 模型的优势2.1 核心特性自注意力机制：可同时关注序列中所有位置并行计算：显著提升处理效率长距离依赖捕捉：克服 RNN/LSTM 的长距离依赖问题多注意力头：增强特征子空间分析能力2.2 相比传统方法的优势| 对比项 | RNN/LSTM | Transformer ||----------|–|| 长距离依赖 | 难以有效捕捉 | 通过自注意力机制精准捕捉 || 并行计算 | 顺序处理 | 支持大规模并行 || 时间序列 | 短期序列为主 | 适合超长时间序列 || 特征提取 | 逐步传递 | 全局特征提取 |三、数据集与数据清洗3.1 数据集构建数据来源：从综述论文中收集公开数据集数据清洗：过滤异常值（经纬度、对地航速 SOG、对地航向 COG）筛选数据点 60 条、记录时长 1 小时的船舶轨迹按船舶导航记录分段最终数据集：19,016 艘船舶6 种船舶类型约 6.4 亿条 AIS 消息3.2 6 种船舶类型统计特征船舶类型航行特征客船、渔船、游艇、帆船短途航行，航程和时间跨度较短油轮、货船、拖船长途航行，持续时间长、距离远统计规律：长尾分布，大多数船舶集中在归一化值 0.1 以下四、核心任务一：船舶轨迹预测4.1 生成式轨迹预测核心思想：将轨迹预测视为生成问题，强调轨迹的连续性和动态变化性特点：通过学习历史轨迹分布，生成未来一段时间内的完整轨迹通用性强，适用于各种场景对多船轨迹预测任务表现优异代表性方法：作者数据量方法应用Billah et al.125K 条GRU, LSTNet, Transformer短期轨迹预测Li et al.16,185 条轨迹Transformer短期轨迹预测Liu et al.3,174 条轨迹Transformer + GCN + RegLSTM多船轨迹预测Huang et al.336,573 条轨迹Transformer + CNN短期轨迹预测Xiong et al.3,898 条轨迹Informer多船长期轨迹预测4.2 分类式轨迹预测核心思想：将轨迹预测视为分类问题，将未来位置或状态分类为离散类别特点：对复杂航线或高随机性船舶轨迹稳健将复杂轨迹简化为离散类别代表性方法：作者数据量方法应用Nguyen et al.7.12 亿条消息TrAISFormer长期轨迹预测Donnandt et al.7.7K 条轨迹Context-Sensitive Classification Transformer内河船舶短期预测Takahashi et al.-TrAISFormer渔船轨迹预测4.3 应用场景海事安全：碰撞预防、紧急救援交通管理：流量预测、航道规划港口管理：港口