LLM加持船舶轨迹预测，4小时误差直降5.1%！
M3-Former: Multimodal Transformer with Mixture-of-Experts for Long-Term Vessel Trajectory Prediction
📖 AI 总结
本文提出M3-Former，一种面向长期船舶轨迹预测的多模态Transformer框架，旨在解决行为多模态性、语义信息利用不足及长期误差累积等问题。该框架将船舶静态属性与航行意图作为语义先验，利用预训练大语言模型编码静态语义信息，并通过自注意力机制与动态轨迹特征对齐，构建统一的多模态表示空间。为兼顾全局航线规划与局部运动变化，作者设计了双粒度混合专家（MoE）架构，分别以序列级专家建模全局航行趋势、以词元级专家刻画精细操控行为。此外，提出转向加权交叉熵损失以缓解稀疏转向样本的长尾分布问题。在丹麦真实AIS数据集上的实验表明，该方法在1至4小时各预测时段均优于现有基线，4小时预测任务中ADE和FDE分别降低4.4%和5.1%，消融分析进一步验证了语义融合对抑制长期轨迹漂移的作用。
🔑 关键词速览
| M3-Former | 本文提出的多模态Transformer框架，利用大语言模型增强船舶长期轨迹预测。 |
| Mixture-of-Experts (MoE) | 混合专家架构，通过多个专家网络分别处理不同粒度或类型的输入，以提升模型容量和效率。 |
| Average Displacement Error (ADE) | 平均位移误差，衡量预测轨迹与真实轨迹之间所有时间步的平均距离误差。 |
| Final Displacement Error (FDE) | 最终位移误差，衡量预测轨迹终点与真实轨迹终点之间的距离误差。 |
| AIS | 船舶自动识别系统，提供船舶位置、航向、速度等动态信息，常用于轨迹预测研究。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅