船舶轨迹预测换用Transformer：平均位移误差降到0.18公里，单次前向就给出预测区间
核心概要
船舶轨迹预测不再依赖循环网络或多次采样。此前基于AIS的模型要么只看本船历史、要么只靠他船聚类，概率区间还要多次前向近似。这里把本船历史位置与局部KDE热图一起送入Transformer，并用分位数损失训练，在丹麦水域三个测试区上平均位移误差约0.18公里，单次前向即输出预测区间。
深度剖析
水面船舶的短期轨迹预测改由Transformer类模型直接给出带区间的预测，而不是先给单条轨迹再另行估计不确定性。 此前基于AIS的预测多依赖LSTM等循环网络，概率区间则通过蒙特卡洛丢弃或GAN多次采样近似，推理耗时明显更高。 在丹麦大带海峡、法尔斯特博雷夫和厄勒海峡三个测试区各两万条轨迹上，Transformer与Performer的平均位移误差约0.18公里，而LSTM-GAN为0.378公里，线性回归与高斯过程基线更高。
模型把本船过去的位置序列和所在局部水域的历史通行密度一起编码，从而能预判仅凭本船历史看不出的转向。 只用本船历史的方法无法得知航道走向，容易把船预测成继续直行；只用他船聚类的做法又忽略本船自身运动。 局部热图由二维核密度估计生成并裁剪到本船周围，经卷积网络编码后与时间特征拼接；在大带海峡和法尔斯特博雷夫，带热图的模型优于不带热图的版本。
预测区间由分位数损失在训练中直接学出，一次前向即可给出，无需重复采样。 采样类方法需要多次运行网络来近似区间，推理时间被成倍放大。 Transformer与Performer单次预测约6至7毫秒，LSTM-GAN约157毫秒；三个测试区平均区间准确率分别为90.7%和91.2%。
启示与展望
结果覆盖丹麦大带海峡、法尔斯特博雷夫与厄勒海峡三个水域，输入为AIS位置序列，预测未来30步、每步20秒，即约10分钟。方法面向船载避碰与决策支持的短期路径规划场景。若部署到船上，宜先用计划航线所在区域的数据预训练。
在未参与训练的厄勒海峡，不带热图的模型反而略优于带热图版本，作者认为这可能说明空间特征提取子网络对训练区域过拟合。改用厄勒海峡自身数据训练后，热图重新带来更低的位移误差，但区间准确率下降。Performer的线性注意力在15步的短输入下并未比Transformer更快。