Apprentissage automatique évolutif en base de données pour la prédiction des itinéraires de port à port
Auteurs : Dennis Marten, Carsten Hilgenfeld, Andreas Heuer
Résumé : La prédiction correcte des itinéraires portuaires subséquents fait partie intégrante de la logistique maritime et est donc essentielle pour de nombreuses autres tâches comme les prédictions précises de l'heure d'arrivée prévue. Dans cet article, nous présentons une approche évolutive basée sur l'IA pour prédire les destinations portuaires à venir à partir de navires basés sur des données historiques AIS. La méthode présentée est principalement destinée à remplacer les cas où l'entrée de destination AIS d'un navire n'est pas interprétable. Nous décrivons comment construire une solution d'intelligence artificielle stable et efficace dans une base de données, basée sur des modèles de Markov qui sont adaptés à des tâches de prédiction massivement parallèles avec une grande précision. La recherche présentée fait partie du projet PRESEA ("Real-time based maritime traffic forecast").
L'article a été publié dans le Journal for Mobility and Transport.