论文
迈向具有推理增强的长程船舶轨迹与目的地预测
Towards Long-Horizon Vessel Trajectory and Destination Forecasting with Reasoning Large Language Models
摘要
远期海上轨迹预测对于航运管理、物流规划和海上风险分析非常重要，但月度预测的研究还不够充分。现有的深度学习方法主要侧重于短期和中期坐标外推，并且往往难以在扩展的范围内保持路线的可行性和目的地的正确性。本文研究了具有推理能力的大型语言模型的联合长视野船舶轨迹和目的地预测，并开发了基于可验证奖励强化学习（RLVR）的海事大语言模型后训练框架。基于 AIS 的基准是用 60 天的历史轨迹和 30 天的预测范围构建的，其中轨迹被转换为用于 RL 提示构建的语义文本表示。 RLVR 通过加强物理有效性、提供早期加权轨迹监督以及通过分层匹配和课程学习评估目的地正确性，使大语言模型与海事预报目标保持一致。实验结果表明，经过 RLVR 训练的大语言模型比零样本大语言模型和代表性深度学习基线有了显着改进，尤其是在与目的地相关的指标方面。在评估的 RLVR 训练变体中，4B LLM 实现了最佳的整体性能，这表明奖励兼容的优化和特定于任务的能力匹配比简单地使用更大的 8B 或 14B LLM 更重要。结果还表明，在有限的微调数据下，LSTM 仍然是强大的深度学习基线，而 Transformer 风格的时空模型通常需要更大的数据集和更丰富的结构化输入。总体而言，这项工作推进了语义、与验证者一致的海事预测，以支持运营决策。
