Development of a method for predicting hazardous ship trajectories under uncertainty of navigator actions. Technology Audit and Production Reserves

Abstract

The object of the research is the automation processes in maritime navigation to ensure the safety of ship movement by predicting their trajectories in complex aquatic areas, such as narrow passages, straits, and ports. The research applied six key stages to create a comprehensive method for clustering and predicting ship trajectories based on ECDIS data. In the first stage, ship movement trajectories were constructed according to risk categories, using the LCSS and DTW algorithms to compare planned and actual trajectories. This allowed for the accurate identification of course deviations and the determination of potentially dangerous sections of the trajectory. The second stage implemented clustering using the DBSCAN and GMM algorithms. DBSCAN was used to identify the density of points in space, and GMM provided modeling of cluster probabilities, allowing for better risk zone determination. The third stage applied the Douglas-Peucker compression algorithm to reduce the number of points in the trajectories, which preserved key characteristics and optimized data processing. In the fourth stage, ship movement stability was assessed using the Fourier transform, which allowed the detection of high-frequency oscillations that may indicate movement instability caused by changes in course or speed. The fifth stage included fuzzy clustering of trajectories using the Gaussian Mixture Model (GMM), which allowed modeling the probabilities of dangerous trajectories, considering the uncertainty of navigational parameters. At the final stage, a multilayer neural network (MLP) was used to predict future points of ship trajectories. The model accurately predicted the ship's coordinates, enabling timely trajectory adjustments. Experimental results showed that the developed method increased the accuracy of ship trajectory prediction to 72–81 % and also significantly reduced the final error, ensuring effective risk management during complex navigation. Об'єктом дослідження є процеси автоматизації у морській навігації для забезпечення безпеки руху суден шляхом прогнозування їхніх траєкторій у складних акваторіях, таких як вузькі проходи, протоки та порти. У дослідженні було застосовано шість ключових етапів для створення комплексного методу кластеризації та прогнозування траєкторій суден на основі даних ECDIS. На першому етапі було побудовано траєкторії руху суден відповідно до категорій ризику з використанням алгоритмів LCSS і DTW для порівняння запланованих та фактичних траєкторій. Це дозволило точно ідентифікувати відхилення курсу та визначити потенційно небезпечні ділянки траєкторії. На другому етапі було впроваджено кластеризацію за допомогою алгоритмів DBSCAN і GMM. Алгоритм DBSCAN використовувався для визначення щільності точок у просторі, а GMM забезпечив моделювання ймовірностей кластерів, що дозволило краще визначати зони ризику. На третьому етапі було застосовано алгоритм компресії Дугласа-Пекера для зменшення кількості точок у траєкторіях, що зберігало ключові характеристики та оптимізувало обробку даних. Четвертий етап передбачав оцінювання стабільності руху суден за допомогою перетворення Фур'є, що дозволило виявляти високочастотні коливання, які можуть свідчити про нестабільність руху через зміни курсу або швидкості. П'ятий етап включав нечітку кластеризацію траєкторій із використанням моделі гаусової суміші (GMM), що дозволило моделювати ймовірності небезпечних траєкторій з урахуванням невизначеності навігаційних параметрів. На заключному етапі для прогнозування майбутніх точок траєкторій суден було використано багатошарову нейронну мережу (MLP). Модель точно прогнозувала координати судна, забезпечуючи своєчасне коригування траєкторії. Експериментальні результати показали, що розроблений метод підвищив точність прогнозування траєкторій суден до 72–81 %, а також значно зменшив кінцеву похибку, забезпечуючи ефективне управління ризиками під час складної навігації.