面向任务驱动的船舶轨迹多维特征动态选择OA

【背景】船舶轨迹分类与预测任务的精确度提升严重依赖轨迹特征的选取,如何灵活、动态地选取适配于任务的特征,已成为船舶轨迹研究领域内的重要问题。【目标】增强特征与任务的适配性,破解传统方法依赖人工规则导致的泛化能力不足,以及特征冗余引发的高复杂度和跨任务权重固化等痛点。【方法】提出一种任务驱动的动态特征选择框架,首先构建了多维度特征体系,从属性维度(运动/行为/时空/统计)和结构维度(时序/非时序)解耦特征,形成特征全集;继而设计两阶段特征优选机制,先通过多准则过滤法初筛共性特征子集,再结合轻量化模型重要性加权融合进行任务特异性精筛;最后开发了动态特征网络,嵌入可学习掩码模块,以模型特征重要性初始化权重并随任务损失梯度自适应更新。【结果】基于波罗的海水域船舶轨迹数据集的验证表明:两阶段筛选的特征子集在分类任务上提升基线模型精度2.62%~4.07%,在预测任务上降低Haversine误差0.11 km~0.74 km;提出的动态特征网络在分类任务中平均精度达92.35%,预测任务Haversine误差降至1.59 km;在新增的中国近海水域数据集的实验中所提出的动态特征网络在分类任务中平均精度达96.1%,预测任务Haversine误差降至1.48 km。【应用】该框架为船舶轨迹分析提供了轻量化、高精度的特征优化路径,有效推动了海事监管智能化发展。