EnvShip-Bench：一种环境增强型短期船舶轨迹预测基准

# EnvShip-Bench: 面向短期船舶轨迹预测的环境增强基准
来源：https://arxiv.org/html/2606.15240
###### 摘要

船舶轨迹预测对于智能航运、海上监视和航行安全至关重要。然而，现有的公开海事AIS资源通常受限于不统一的预测协议、不均匀的数据质量以及缺乏可直接用于基准的上下文标注，这阻碍了公平比较和上下文感知建模。为填补这一空白，我们提出了EnvShip-Bench，这是一个基于丹麦海事局（DMA）和美国国家海洋与大气管理局（NOAA）大规模原始AIS数据、通过统一处理流程构建的短期船舶轨迹预测基准。EnvShip-Bench采用标准化的预测协议：观察窗口10分钟、预测窗口10分钟、采样间隔20秒，并以船舶为中心的局部度量坐标表示。除了大规模核心基准外，它还提供了一个质量优先的紧凑子集，用于高效且可复现的实验，同时提供了同步的环境和邻近船只上下文扩展。因此，EnvShip-Bench在统一的评估框架下支持仅轨迹预测、环境感知预测和交互感知预测。广泛的基准统计与分析表明，EnvShip-Bench为海事轨迹预测研究提供了标准化、可扩展且上下文感知的基础。

船舶轨迹预测；AIS数据集；海事基准；环境上下文建模；多模态预测

††版权：无††会议：arXiv预印本；2026；††书刊：arXiv预印本††CCS：计算方法 跟踪††CCS：计算方法 数据集轨道

## 1. 引言

船舶轨迹预测是智能航运、海上监视、交通分析和航行安全中的一个基本问题。准确的短期预测能够支持复杂海事环境中的航线监测、碰撞风险评估、异常检测以及运营决策。随着自动识别系统（AIS）数据日益可用，基于学习的船舶预测引起了广泛关注（Tu等，2018 (https://arxiv.org/html/2606.15240#bib.bib34)；Li等，2023 (https://arxiv.org/html/2606.15240#bib.bib13)；Zhang等，2022a (https://arxiv.org/html/2606.15240#bib.bib43)；Nguyen和Fablet，2021 (https://arxiv.org/html/2606.15240#bib.bib22)；Qiang等，2023 (https://arxiv.org/html/2606.15240#bib.bib26)；Capobianco等，2021 (https://arxiv.org/html/2606.15240#bib.bib4)；Liu等，2022 (https://arxiv.org/html/2606.15240#bib.bib15)）。然而，该领域仍缺乏一个广泛采用的、能够提供标准化预测设置、明确质量控制和基准就绪上下文标注的基准。

现有海事AIS资源的一个关键局限在于，它们通常采用研究特定的预处理和评估协议。不同的工作可能采用不同的观察和预测时长、采样间隔、船舶类型过滤器、清洗规则、插值策略和坐标系统，这使得不同论文之间的结果难以公平比较（Zhang等，2018 (https://arxiv.org/html/2606.15240#bib.bib42)；Chen等，2020 (https://arxiv.org/html/2606.15240#bib.bib6)；Zhang等，2022c (https://arxiv.org/html/2606.15240#bib.bib41)；Li等，2023 (https://arxiv.org/html/2606.15240#bib.bib13)；Zhang等，2022a (https://arxiv.org/html/2606.15240#bib.bib43)）。此外，许多公开资源仍以轨迹为中心，并未提供与预测样本同步的环境或邻近船舶上下文。这使得系统性地研究上下文感知的海事预测变得困难，尽管船舶运动深受海岸线、航道、港口几何形状和周围交通的影响（Ray等，2019 (https://arxiv.org/html/2606.15240#bib.bib27)；Rong等，2019 (https://arxiv.org/html/2606.15240#bib.bib30)；Liang等，2022 (https://arxiv.org/html/2606.15240#bib.bib14)；Gao等，2024 (https://arxiv.org/html/2606.15240#bib.bib9)）。

为克服这些局限，我们提出了EnvShip-Bench，这是一个基于丹麦海事局（DMA）和美国国家海洋与大气管理局（NOAA）原始AIS数据、通过统一流程构建的短期船舶轨迹预测基准。两个数据源均通过通用处理管道，并以相同的预测协议发布：观察窗口10分钟、预测窗口10分钟、时间分辨率20秒，以船舶为中心的局部度量坐标表示。该设计使得跨海域的一致评估成为可能，并为同域和跨域基准测试提供了共同基础。

参见图注图1. EnvShip-Bench的基准层级统计。从左至右，该图显示了主要船舶类别的分布、观察窗口内的平均速度以及统一预测协议下的历史位移。这些统计突出了基准的大规模、类别多样性和广泛的运动模式覆盖范围。如图1 (https://arxiv.org/html/2606.15240#S1.F1) 所示，EnvShip-Bench涵盖了多种船舶类别，其中货船和油轮占据主要份额，而运动统计则覆盖了广泛的实际运行速度和历史位移范围。EnvShip-Bench是一个分层基准，包含大规模核心基准、质量优先的紧凑子集以及用于环境和邻近船舶推理的同步上下文扩展。这些资源共同在统一框架内支持仅轨迹预测、环境感知预测和交互感知预测。

总之，我们的贡献有三方面：

- •我们引入了EnvShip-Bench，这是一个统一的短期船舶轨迹预测大规模基准，基于异质的DMA和NOAA AIS资源，采用船舶中心局部度量坐标下的标准化30→→30预测协议构建。它为跨地区和模型间的公平比较建立了统一基础。
- •我们通过更严格的运动筛选、冗余控制和面向基准的样本整理，构建了一个质量优先的紧凑基准子集，用于高效且可复现的实验。该子集旨在更好地支持受控基线开发和消融研究。
- •我们发布了同步的环境和社会上下文扩展，使得在统一的基准设置下支持仅轨迹预测、环境感知预测和交互感知预测。这些扩展支持系统性地研究地理上下文和邻近船舶交互对短期船舶预测的影响。

## 2. 相关工作

##### 海事AIS数据资源与船舶预测数据集

公开的海事AIS资源长期以来一直支持船舶行为分析、海上交通挖掘和数据驱动的预测。代表性例子包括丹麦海事局（DMA）历史AIS档案（Danish Maritime Authority，2026 (https://arxiv.org/html/2606.15240#bib.bib7)）、NOAA/MarineCadastre AccessAIS（MarineCadastre.gov，2026 (https://arxiv.org/html/2606.15240#bib.bib18)；NOAA Office for Coastal Management and Bureau of Ocean Energy Management，2023 (https://arxiv.org/html/2606.15240#bib.bib23)）、Ushant AIS数据集（figshare，2019 (https://arxiv.org/html/2606.15240#bib.bib8)）、Brest异质海事数据集（Ray等，2019 (https://arxiv.org/html/2606.15240#bib.bib27)）以及DTU异常行为轨迹数据集（Technical University of Denmark，2023 (https://arxiv.org/html/2606.15240#bib.bib33)）。然而，这些资源主要作为原始AIS档案、区域处理数据集或任务特定发布，而非统一的短期预测基准。如表1 (https://arxiv.org/html/2606.15240#S2.T1) 所示，大多数现有的海事AIS资源不提供标准化的预测样本、固定的数据集划分或样本对齐的上下文扩展。这一局限也反映在最近的综述中，这些综述表明船舶预测研究在预处理、预测时长和评估设置方面仍然高度异质（Tu等，2018 (https://arxiv.org/html/2606.15240#bib.bib34)；Li等，2023 (https://arxiv.org/html/2606.15240#bib.bib13)；Zhang等，2022a (https://arxiv.org/html/2606.15240#bib.bib43)）。

因此，现有的船舶预测方法，包括TrAISformer（Nguyen和Fablet，2021 (https://arxiv.org/html/2606.15240#bib.bib22)）、MSTFormer（Qiang等，2023 (https://arxiv.org/html/2606.15240#bib.bib26)）、循环预测器（Capobianco等，2021 (https://arxiv.org/html/2606.15240#bib.bib4)；Tang等，2022 (https://arxiv.org/html/2606.15240#bib.bib32)；Liu等，2022 (https://arxiv.org/html/2606.15240#bib.bib15)）、Seq2Seq风格模型（You等，2020 (https://arxiv.org/html/2606.15240#bib.bib37)）以及不确定性或交互感知方法（Ma等，2025b (https://arxiv.org/html/2606.15240#bib.bib17)；Murray和Perera，2021 (https://arxiv.org/html/2606.15240#bib.bib20)；Ma等，2025a (https://arxiv.org/html/2606.15240#bib.bib16)；Liang等，2022 (https://arxiv.org/html/2606.15240#bib.bib14)），通常是在独立处理的区域数据集上、采用非统一设置进行评估。相比之下，EnvShip-Bench是面向基准的发布，具有标准化的预测协议、明确的质量控制、分层基准资产以及同步的环境和社会上下文扩展。

##### AIS综述与下游海事分析

除了轨迹预测，AIS已成为广泛海事分析的基础数据来源。现有的综述总结了AIS在海事交通分析、安全评估、异常检测、轨迹预测以及物流相关决策支持中的应用（Yang等，2019 (https://arxiv.org/html/2606.15240#bib.bib36)；Zhang等，2022b (https://arxiv.org/html/2606.15240#bib.bib44)；Wolsing等，2022 (https://arxiv.org/html/2606.15240#bib.bib35)；Ribeiro等，2023 (https://arxiv.org/html/2606.15240#bib.bib28)）。代表性的下游任务包括交通模式发现与航路提取（Pallotta等，2013 (https://arxiv.org/html/2606.15240#bib.bib24)）、船舶目的地预测（Zhang等，2020 (https://arxiv.org/html/2606.15240#bib.bib40)）、预计到达时间预测（Park等，2021 (https://arxiv.org/html/2606.15240#bib.bib25)）、基于AIS的船舶分类（Huang等，2024 (https://arxiv.org/html/2606.15240#bib.bib12)）以及结合环境背景的渔业活动分析（Han等，2025 (https://arxiv.org/html/2606.15240#bib.bib11)）。这些研究展示了AIS的广泛用途，但它们通常是在任务特定的预处理和区域数据选择下开发的，这限制了可比性和可复现性。EnvShip-Bench通过提供标准化的短期船舶预测基准发布，同时保持对上下文感知下游建模的可扩展性，弥补了这一文献空白。

##### 上下文感知轨迹预测基准

在行人和自动驾驶研究中，轨迹预测基准已逐渐从仅轨迹预测发展到上下文感知的基准设计。在人流预测中，像SDD（Robicquet等，2016 (https://arxiv.org/html/2606.15240#bib.bib29)）这样的数据集以及Social-LSTM（Alahi等，2016 (https://arxiv.org/html/2606.15240#bib.bib2)）、Social-STGCNN（Mohamed等，2020 (https://arxiv.org/html/2606.15240#bib.bib19)）和Social-GAN（Gupta等，2018 (https://arxiv.org/html/2606.15240#bib.bib10)）等方法突显了邻近智能体交互和多模态未来预测的重要性。在自动驾驶中，Argoverse（Chang等，2019 (https://arxiv.org/html/2606.15240#bib.bib5)）和nuScenes（Caesar等，2020 (https://arxiv.org/html/2606.15240#bib.bib3)）等基准，以及Trajectron++（Salzmann等，2020 (https://arxiv.org/html/2606.15240#bib.bib31)）、Scene Transformer（Ngiam等，2022 (https://arxiv.org/html/2606.15240#bib.bib21)）、AgentFormer（Yuan等，2021 (https://arxiv.org/html/2606.15240#bib.bib38)）和HiVT（Zhou等，2022 (https://arxiv.org/html/2606.15240#bib.bib45)）等模型，进一步将多智能体上下文和语义地图结构确立为预测的核心输入。

与这些领域相比，海事预测在基准标准化和上下文感知设计方面仍然相对有限。尽管一些海事资源包含地理或环境属性（Ray等，2019 (https://arxiv.org/html/2606.15240#bib.bib27)），且最近的船舶预测模型已开始融入上下文或图结构推理（Murray和Perera，2021 (https://arxiv.org/html/2606.15240#bib.bib20)；Liang等，2022 (https://arxiv.org/html/2606.15240#bib.bib14)；Gao等，2024 (https://arxiv.org/html/2606.15240#bib.bib9)），但大多数现有设置仍以轨迹为中心，并未在统一预测协议下提供样本对齐的环境和社会上下文。EnvShip-Bench通过在单个船舶轨迹预测基准框架内结合标准化、质量感知整理和上下文感知可扩展性，填补了这一空白。

表1. 与代表性公开海事AIS资源的比较。“预测就绪”表示发布物直接提供标准化的预测样本以及明确的预测协议。“样本对齐上下文”表示每个样本具有与其对应的环境或社会标注，而不仅仅是数据集级别的辅助图层。

## 3. 基准构建

EnvShip-Bench是一个用于短期船舶轨迹预测的分层基准。我们并非发布单一的加工数据集，而是将其组织为三个组成部分：（i）基于统一预测协议从原始AIS档案构建的大规模核心基准；（ii）用于高效且可复现实验的质量优先紧凑子集；（iii）带有环境和邻近船舶信息的同步上下文扩展。这些组件共同支持仅轨迹预测、环境感知预测和交互感知预测。

### 3.1. 概述与统一预测协议

所有发布的样本遵循相同的预测设置：观察窗口10分钟、预测窗口10分钟、采样间隔20秒。因此，每个样本包含30个观测位置和30个未来位置。对于一个轨迹窗口，我们将观测历史记为

X={\(x_t,y_t\)}^t=1^{T_h}, T_h=30,
X={\(x_t,y_t\)}_t=1^{T_h}, T_h=30,

未来轨迹记为

Y={\(x_t,y_t\)}^t=T_h+1^{T_h+T_f}, T_f=30.
Y={\(x_t,y_t\)}_t=T_h+1^{T_h+T_f}, T_f=30.

基准任务是从X预测Y，并可选地使用环境或社会上下文。

为确保跨海域的可比性，所有样本均采用船舶中心的局部平面坐标表示，以最后一个观测点为原点，所有位置以米为单位。这避免了原始经纬度空间中的尺度失真，并为DMA和NOAA数据提供了共同的评估空间。尽管这两个数据源在地理覆盖范围、报告频率和元数据完整性上有所不同，但它们都使用相同的构建流程和预测协议进行处理。

### 3.2. 大规模核心基准

核心基准源自原始AI