LSTM giliųjų neuroninių tinklų tyrimas laivo eigos prognozavimui naudojant didžiuosius eismo duomenis

Šiuolaikiniai giliuoju mokymusi pagrįsti algoritmai geba susidoroti su didelės apimties duomenimis ir todėl yra ypač svarbūs automatizuojant laivo eigos prognozavimą intensyvioje laivyboje. Tai būtu viena iš pagalbinių priemonių leidžiančių stebėti, valdyti intensyvėjantį eismą jūroje ir jos dalyvius. Darbe gilusis rekurentinis tinklas realizuojamas taikant Java technologiją ir į ją integruojant vieną populiariausių neuroninių tinklų Deep Learning 4 Java biblioteką. Pritaikius giliojo mokymo algoritmą yra sukuriama pasikartojančio tinklo architektūra (LSTM) gebanti automatizuotai nuspėti plaukiančio laivo tolimesnę judėjimo eigą. Sukurta architektūra grindžiama sekomis, kai duomenys kinta laike, todėl darbe tyrinėjami optimaliausi duomenų struktūros sudarymai ir LSTM tinklo hiperparametrai, kuriais siekiama išgauti maksimaliai tiksliausius spėjimo rezultatus. Rezultatų palyginimui buvo naudojamos skirtingos rekurentinių tinklų architektūros: standartinis LSTM, LSTM stekas, autoenkoderis (AE) ir variacinis autoenkoderis (VAE). Tyrimo metu nustatyta, kad tiksliausia prognozė atliekama su autoenkoderio architektūra. Tyrimas atliktas konkrečiai nagrinėjamo Olandijos krantinės regiono duomenų imtyje, o siūlomas algoritmas gali būti pritaikomas kaip vienas iš būdų gerinančių laivybos saugumą.

Modern deep learning algorithms are able to handle large amounts of data and therefore are particularly important in automating vessel movement prediction in intensive shipping. This would be one of the support tools for monitoring, managing the increasing maritime traffic and its participants. In the work, the deep recurrent network is realized by applying Java technology and integrating into it one of the most popular library of the neural networks Deep Learning 4 Java. Applying deep learning algorithm, a recurrent network (LSTM) is created that is able to predict the further vessel movement. The developed architectural model is based on sequences when data change over time, therefore the work investigates the most optimal data structure and network hyperparameters, which aim to obtain the most accurate prediction results. Different recurrent network architectures were used to compare the results: basic LSTM, LSTM stack, autoencoder (AE) and variational autoencoder (VAE). During the study found that the most accurate prediction is performed with an autoencoder architecture. The study was performed on a specific sample of data from the Dutch coastal region and the proposed algorithm can be applied as one of the ways to improve maritime safety.