DOI: https://doi.org/10.1109/access.2026.3705215
تاريخ النشر: 2026-01-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الملاحة البحرية والسلامة
نظرة عامة
تقدم ورقة البحث AIS-LLM، وهو إطار عمل جديد مصمم لتعزيز تحليل حركة المرور البحرية من خلال دمج بيانات السلاسل الزمنية من نظام التعريف التلقائي (AIS) مع نماذج اللغة الكبيرة (LLMs). يعالج هذا الإطار الحاجة المتزايدة لمهام تحليل حركة المرور البحرية الشاملة، بما في ذلك توقع مسار السفن، واكتشاف الشذوذ، وتقييم مخاطر التصادم، والتي تم التعامل معها تقليديًا بشكل منفصل. يتميز AIS-LLM بترميز السلاسل الزمنية لمعالجة تسلسلات AIS، وموحد الترميز القائم على LLM، ووحدة محاذاة متعددة الأنماط للتكامل الدلالي، ومفكك متعدد المهام قائم على LLM. تشير النتائج التجريبية إلى أن AIS-LLM يتفوق على الطرق الحالية في هذه المهام، مما يوضح فعاليته في تقديم توقعات دقيقة وتقييمات للمخاطر بينما ينتج ملخصات نصية متماسكة لتعزيز اتخاذ القرار.
تؤكد الخاتمة على قدرة الإطار على تقديم توقعات عددية دقيقة بالإضافة إلى تفسيرات باللغة الطبيعية مدركة للسياق، مما يحسن من قابلية الفهم والقيمة التشغيلية. تظهر الاختبارات الشاملة على مجموعات بيانات AIS الواقعية أن AIS-LLM يتجاوز باستمرار المعايير المتقدمة في توقع المسار، وتقدير مخاطر التصادم، واكتشاف الشذوذ. يسهل تصميم الإطار ثنائي النمط فهمًا أعمق للاعتماديات بين المهام وتفاعلات السفن، مما يقدم حلاً قابلاً للتوسع لتحليل حركة المرور البحرية المعقدة. تشمل اتجاهات البحث المستقبلية دمج العوامل البيئية واستكشاف سيناريوهات النشر في الوقت الحقيقي لتعزيز السلامة البحرية ودعم الملاحة بشكل أكبر.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لتحليل حركة المرور البحرية من خلال بيانات نظام التعريف التلقائي (AIS)، مدفوعة بالزيادة في حجم حركة المرور البحرية. توفر أجهزة AIS بيانات في الوقت الحقيقي حول موقع السفن، وسرعتها، ومسارها، مما أدى إلى تقدم في السلامة البحرية والكفاءة، بما في ذلك توقع مسار السفن واكتشاف السلوك غير الطبيعي.
يتبنى البحث نهجًا مركزًا من خلال استبعاد الميزات الخارجية المحددة بالنطاق مثل الظروف الجوية والممرات الملاحية المحددة مسبقًا من مدخلات النموذج. بدلاً من ذلك، يعتمد فقط على المتغيرات الأساسية للملاحة المستمدة من رسائل AIS – وهي موقع السفينة (خط العرض وخط الطول)، والسرعة فوق الأرض (SOG)، والمسار فوق الأرض (COG). يهدف هذا الاختيار المنهجي إلى تعزيز شفافية تقييم أداء النموذج وضمان أن التحسينات يمكن أن تُعزى إلى تصميم النموذج المعماري. علاوة على ذلك، فإن استراتيجية الإدخال البسيطة هذه تهدف إلى تحسين قابلية تعميم النموذج عبر سياقات بحرية متنوعة، خاصة في الحالات التي قد تكون فيها البيانات السياقية مفقودة أو غير موثوقة، مما يعزز من القوة والقدرة على التكرار في تحليل حركة المرور البحرية.
طرق
في قسم منهجية التدريب، يوضح المؤلفون النهج المنهجي المستخدم لتدريب النموذج. يوضحون مجموعة البيانات المستخدمة، بما في ذلك حجمها، وتركيبها، وأي خطوات معالجة مسبقة تم اتخاذها لتعزيز جودة البيانات. يتم وصف عملية التدريب، مع تسليط الضوء على الخوارزميات والتقنيات المطبقة، مثل الانحدار التدرجي أو الانتشار العكسي، جنبًا إلى جنب مع المعلمات الفائقة المحددة للاختيار الأمثل.
بالإضافة إلى ذلك، يناقش المؤلفون مقاييس التقييم المستخدمة لتقييم أداء النموذج، بما في ذلك الدقة، والدقة، والاسترجاع، ودرجة F1. كما يذكرون تقنيات التحقق المنفذة، مثل التحقق المتقاطع، لضمان قوة النتائج. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم تدريب النموذج، مع التأكيد على أهمية التقييم الدقيق للتحقق من النتائج.
نتائج
يقدم قسم النتائج في ورقة البحث تقييمات كمية ونوعية لنموذج AIS-LLM، مع التركيز على فعاليته في توقع مسارات السفن وتقديم تفسيرات باللغة الطبيعية. تظهر التحليلات النوعية لمسارات السفن الواقعية من مجموعة بيانات DMA أن AIS-LLM يتفوق على نماذج الأساس، مثل iTransformer و iInformer، خاصة في التقاط التغيرات الاتجاهية والتحولات الدقيقة بدقة. توضح الأشكال 3 و 4 هذه النتائج، حيث تتماشى مسارات AIS-LLM المتوقعة (باللون الأحمر) بشكل وثيق مع المسارات الحقيقية (الخط الأخضر المنقط)، بينما تظهر نماذج الأساس تملسًا مفرطًا وانحرافات في المناطق ذات الانحناء العالي.
علاوة على ذلك، يتم عرض قابلية تفسير AIS-LLM من خلال مخرجات متعددة الأنماط تدمج بيانات AIS الزمنية لإنشاء تفسيرات نصية متماسكة. لا تتوقع هذه السرديات المسارات والنقاط المتوقعة فحسب، بل تقيم أيضًا مخاطر التصادم باستخدام مقاييس الوقت إلى أقرب نقطة اقتراب (TCPA) والمسافة إلى أقرب نقطة اقتراب (DCPA). توفر النتائج النوعية، الموضحة في الأشكال 5 إلى 7، أمثلة مفصلة على أداء AIS-LLM في سيناريوهات الملاحة المختلفة، مما يبرز قدرته على نقل بيانات الملاحة المعقدة بطريقة يسهل الوصول إليها. تعزز هذه القابلية للتفسير الوعي بالوضع للعمليات البشرية، مما يسهل اتخاذ قرارات مستنيرة في الملاحة البحرية.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على قيود نماذج تحليل حركة المرور البحرية الحالية، خاصة في مجالات اكتشاف الشذوذ، وتوقع المسار، وتقييم مخاطر التصادم. ويؤكد على أن الدراسات السابقة قد عالجت هذه المهام كمشكلات معزولة، مما يحد من الفهم الشامل لديناميات حركة المرور البحرية ويعقد عمليات اتخاذ القرار. بالإضافة إلى ذلك، تفتقر العديد من النماذج إلى قابلية التفسير، حيث تقدم مخرجات عددية دون تفسيرات سياقية، مما يقلل من فائدتها العملية في العمليات البحرية الواقعية. يجادل المؤلفون بأن نهجًا أكثر تكاملاً ضروري لتعزيز فعالية تحليل حركة المرور البحرية.
لمعالجة هذه التحديات، يقترح المؤلفون نظام التعريف التلقائي-نموذج اللغة الكبير (AIS-LLM)، وهو إطار عمل جديد يقوم في الوقت نفسه بتوقع المسار، واكتشاف الشذوذ، وتقييم مخاطر التصادم بينما يقدم مخرجات قابلة للتفسير باللغة الطبيعية. يستفيد AIS-LLM من قدرات نماذج اللغة الكبيرة (LLMs) لمعالجة بيانات السلاسل الزمنية، مما يسمح بتحليل موحد يلتقط تفاعلات السفن ويضع التوقعات في سياقها. يتضمن تصميم الإطار بنية تعلم متعددة المهام تعزز الأداء من خلال تبادل المعرفة عبر المهام، مما يحسن من قابلية التفسير ودعم اتخاذ القرار لمراقبي حركة المرور البحرية. يقدم المؤلفون نتائج مقارنة توضح الأداء المتفوق لـ AIS-LLM عبر مقاييس متنوعة، مما يبرز إمكاناته كأداة موثوقة لمراقبة حركة المرور البحرية في الوقت الحقيقي وتقييم السلامة.
DOI: https://doi.org/10.1109/access.2026.3705215
Publication Date: 2026-01-01
Author(s): Zhenyun Du et al.
Primary Topic: Maritime Navigation and Safety
Overview
The research paper introduces AIS-LLM, a novel framework designed to enhance maritime traffic analysis by integrating time-series data from the Automatic Identification System (AIS) with large language models (LLMs). This framework addresses the growing need for comprehensive maritime traffic analysis tasks, including vessel trajectory prediction, anomaly detection, and collision risk assessment, which have traditionally been approached in isolation. AIS-LLM features a Time-Series Encoder for processing AIS sequences, an LLM-based Prompt Encoder, a Cross-Modality Alignment Module for semantic integration, and an LLM-based Multi-Task Decoder. Experimental results indicate that AIS-LLM outperforms existing methods across these tasks, demonstrating its effectiveness in providing accurate predictions and risk assessments while generating coherent textual summaries for enhanced decision-making.
The conclusion emphasizes the framework’s ability to deliver not only precise numerical forecasts but also context-aware natural language explanations, thereby improving interpretability and operational value. Extensive testing on real-world AIS datasets shows that AIS-LLM consistently surpasses state-of-the-art baselines in trajectory prediction, collision risk estimation, and anomaly detection. The framework’s dual-modality design facilitates a deeper understanding of inter-task dependencies and vessel interactions, presenting a scalable solution for complex maritime traffic analysis. Future research directions include the integration of environmental factors and the exploration of real-time deployment scenarios to further enhance maritime safety and navigation support.
Introduction
The introduction highlights the growing significance of maritime traffic analysis through Automatic Identification System (AIS) data, driven by the increasing volume of maritime traffic. AIS devices provide real-time data on vessel position, speed, and course, which has led to advancements in maritime safety and efficiency, including vessel trajectory prediction and abnormal behavior detection.
The study adopts a focused approach by excluding external domain-specific features such as meteorological conditions and predefined shipping lanes from its model inputs. Instead, it relies solely on fundamental navigational variables derived from AIS messages—namely, vessel position (latitude and longitude), speed over ground (SOG), and course over ground (COG). This methodological choice aims to enhance the transparency of model performance assessment and ensure that improvements can be attributed to the model’s architectural design. Furthermore, this minimalist input strategy is intended to improve the model’s generalizability across various maritime contexts, particularly in situations where contextual data may be lacking or unreliable, thereby promoting robustness and reproducibility in maritime traffic analysis.
Methods
In the section on Training Methodology, the authors outline the systematic approach employed to train the model. They detail the dataset utilized, including its size, composition, and any preprocessing steps taken to enhance data quality. The training process is described, highlighting the algorithms and techniques applied, such as gradient descent or backpropagation, along with the specific hyperparameters chosen for optimization.
Additionally, the authors discuss the evaluation metrics used to assess model performance, including accuracy, precision, recall, and F1-score. They also mention the validation techniques implemented, such as cross-validation, to ensure the robustness of the results. Overall, this section provides a comprehensive overview of the methodological framework that underpins the training of the model, emphasizing the importance of rigorous evaluation to validate the findings.
Results
The results section of the research paper presents both quantitative and qualitative evaluations of the AIS-LLM model, emphasizing its effectiveness in predicting vessel trajectories and providing natural language explanations. Qualitative analyses of real-world vessel trajectories from the DMA dataset demonstrate that AIS-LLM outperforms baseline models, such as iTransformer and iInformer, particularly in accurately capturing directional changes and subtle turns. Figures 3 and 4 illustrate these findings, with AIS-LLM’s predicted trajectories (in red) closely aligning with ground truth paths (green dashed line), while the baseline models exhibit oversmoothing and deviations in high-curvature regions.
Furthermore, the interpretability of AIS-LLM is showcased through multimodal outputs that integrate time-series AIS data to generate coherent textual explanations. These narratives not only forecast trajectories and anticipated waypoints but also assess collision risks using Time to Closest Point of Approach (TCPA) and Distance to Closest Point of Approach (DCPA) metrics. The qualitative results, illustrated in Figures 5 to 7, provide detailed examples of AIS-LLM’s performance in various navigational scenarios, highlighting its ability to convey complex navigational data in an accessible manner. This interpretability enhances situational awareness for human operators, facilitating informed decision-making in maritime navigation.
Discussion
The discussion section of the research paper highlights the limitations of existing maritime traffic analysis models, particularly in the areas of anomaly detection, trajectory prediction, and collision risk assessment. It emphasizes that previous studies have treated these tasks as isolated problems, which restricts a comprehensive understanding of maritime traffic dynamics and complicates decision-making processes. Additionally, many models lack interpretability, providing numerical outputs without contextual explanations, which diminishes their practical utility in real-world maritime operations. The authors argue that a more integrated approach is necessary to enhance the effectiveness of maritime traffic analysis.
To address these challenges, the authors propose the Automatic Identification System-Large Language Model (AIS-LLM), a novel framework that simultaneously performs trajectory prediction, anomaly detection, and collision risk assessment while providing explainable outputs in natural language. The AIS-LLM leverages the capabilities of large language models (LLMs) to process time-series data, allowing for a unified analysis that captures vessel interactions and contextualizes predictions. The framework’s design includes a multi-task learning architecture that enhances performance through knowledge sharing across tasks, thereby improving interpretability and decision-making support for maritime traffic controllers. The authors present comparative results demonstrating AIS-LLM’s superior performance across various metrics, underscoring its potential as a reliable tool for real-time maritime traffic monitoring and safety assessment.