文章详情

摘要

现有轨迹处理技术多针对单一任务构建独立模型，难以有效挖掘不同任务轨迹数据间的深层关联与规律，制约了轨迹智能的泛化能力。针对这一问题，文章对基于Transformer的纯轨迹模态多任务建模技术进行了研究，提出了多任务统一建模模型（MultiTaskModel）。该模型在编码阶段引入控制域，将控制Token与轨迹数据域的嵌入向量拼接，作为轨迹点的整体表征向量；在解码阶段，通过控制Token来识别不同任务并解析模型输出结果。本文在船舶航行公开数据集上进行了多组实验，相比传统单任务基线方法，3小时窗口的预测误差降低了12.20%；训练后的下游轨迹预测任务效果提升了6.81%；训练后的下游轨迹匹配任务的匹配准确率达94.15%。实验表明，本文提出的方法实现了轨迹匹配等多种下游任务的统一建模，并能够有效提升轨迹预测的性能。

关键词

轨迹大模型；多任务学习；统一建模；时间序列预测

参考文献

1. [1] Forti N，Millefiori L M，Braca P，et al. Prediction of Vessel Trajectories From AIS Data via Sequence-To-Sequence Recurrent Neural Networks [C]//ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing，2020：8936-8940.
2. [2] Nguyen D，Vadaine R，Hajduch G，et al. GeoTrackNet—A Maritime Anomaly Detector Using Probabilistic Neural Network Representation of AIS Tracks and A Contrario Detection [J].IEEE Transactions on Intelligent Transportation Systems，2021，23（6）：5655-5667.
3. [3] Capobianco S，Millefiori L M，Forti N，et al. Deep Learning Methods for Vessel Trajectory Prediction Based on Recurrent Neural Networks [J].IEEE Transactions on Aerospace and Electronic Systems，2021，57（6）：4329-4346.
4. [4] Murray B，Perera L P. An AIS-based deep learning framework for regional ship behavior prediction [J/OL].Reliability Engineering and System Safety，2021，215：107819.https://doi.org/10.1016/j.ress.2021.107819.
5. [5]Li M Z，Li B，Qi Z G，et al. Enhancing Maritime Navigational Safety: Ship Trajectory Prediction Using ACoAtt-LSTM and AIS Data [J/OL].ISPRS International Journal of Geo-Information，2024，13（3）：85.https://doi.org/10.3390/ijgi13030085.
6. [6] Huang F L，Liu Z R，Li X H，et al. Vessel Trajectory Prediction Based on AIS Data: Dual-Path Spatial–Temporal Attention Network with Multi-Attribute Information [J/OL].Journal of Marine Science and Engineering，2024，12（11）：2031. https://doi.org/10.3390/jmse12112031.
7. [7] 王一禾，张秀凤，肖方兵.基于AIS数据和STGCN的船舶轨迹插值预报方法 [J].水运管理，2025，47（3）：29-32.
8. [8] Gehring J，Auli M，Grangier D，et al.Convolutional Sequence to Sequence Learning [C]// Proceedings of the 34th International Conference on Machine Learning，2017：1243-1252.
9. [9] Wu X Y，Chen J F，Xiong C Q，et al. Vessel Trajectory Prediction Method Based on the Time Series Data Fusion Model [J].Promet-Traffic & Transportation，2024，36（6）：1160-1175.
10. [10] Spadon G，Kumar J，Eden D，et al. Multi-path Long-term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [J/OL].Ocean Engineering，2024，312：119138.https://doi.org/10.1016/j.oceaneng.2024.119138.
11. [11] Nguyen D，Fablet R. A Transformer Network With Sparse Augmented Data Representation and Cross Entropy Loss for AIS-Based Vessel Trajectory Prediction [J].IEEE Access，2024，12：21596-21609.
12. [12] 高龙，吴俊峰，杨柱天，等.基于时空特征融合的TCNformer船舶航迹长期预测 [J].海军航空大学学报，2024，39（4）：437-444，491.
13. [13] Qiang H M，Guo Z Y，Chu Z，et al. Motion-inspired Spatial-temporal Transformer for Accurate Vessel Trajectory Prediction [J/OL].Engineering Applications of Artificial Intelligence，2025，148：110391.https://doi.org/10.1016/j.engappai.2025.110391.
14. [14] Wang W T，Xiong W，Ouyang X，et al. TPTrans: Vessel Trajectory Prediction Model Based on Transformer Using AIS Data [J/OL].ISPRS International Journal of Geo-Information，2024，13（11）：400.https://doi.org/10.3390/ijgi13110400.
15. [15] Gong J C，Li H H，Jiao H，et al. Uncertainty-aware ship Trajectory Prediction via Spatio-Temporal Graph Transformer[J/OL].Transportation Research Part E: Logistics and Transportation Review，2025，203：104315.https://doi.org/10.1016/j.tre.2025.104315.
16. [16] Radford A，Kim J W，Xu T，et al. Robust Speech Recognition via Large-scale Weak Supervision [C]//ICML'23: Proceedings of the 40th International Conference on Machine Learning，2023：28492-28518.

作者简介

张宋诚（1988—），男，汉族，湖北黄冈人，算法工程师，硕士研究生，研究方向：自然语言处理、大模型行业应用；通信作者：吴飞（1987—），男，汉族，江西九江人，高级工程师，副院长，硕士研究生，研究方向：自然语言处理、大模型行业应用。