GL‐LoiterDNet: A Hybrid Model for Ship Trajectory Prediction in Loitering Activity Scenarios
Notice bibliographique
Résumé
In loitering activity scenarios, vessels frequently execute course changes within localized maritime spaces, often exhibiting extreme turning maneuvers that generate ultralong, dense, and highly nonlinear spatiotemporal trajectories. Traditional prediction models demonstrate limitations in processing dynamically changing trajectory features, leading to insufficient prediction accuracy under such loitering conditions. To address this challenge, this study proposes a GL‐LoiterDNet, a hybrid deep learning–based vessel trajectory prediction model. The model incorporates multidimensional trajectory characterization features including speed fluctuations, navigational positions, and course differentials. It integrates 1D convolutional neural networks (1D‐CNN), bidirectional gated recurrent units (BiGRU), and bidirectional long short‐term memory (BiLSTM) networks to capture both localized abrupt variations and long‐term evolutionary patterns in loitering trajectories, thereby mitigating feature degradation phenomena. Experimental validation using trajectory data from vessels in Sagami Bay, Japan, demonstrates that the GL‐LoiterDNet model outperforms 14 baseline models in prediction accuracy and robustness. The model exhibits rolling multistep trajectory prediction capability for loitering scenarios, achieving an average positioning error below 0.7 km within 10‐min prediction windows. This research can provide reliable theoretical and data‐driven support for continuous vessel positioning and monitoring in complex maritime operation scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».