如何优化基于LSTM的船舶轨迹预测程序性能？

可行优化方向 #

1 输入时序窗口调整 #

你当前设置n_steps_in=1，完全没有用到LSTM的时序依赖捕捉能力，等同于用单帧数据做拟合，无法挖掘航道上船舶的运动趋势规律：

• 推荐将n_steps_in调整为3_{10的取值，即输入连续3}10个历史时刻的特征，预测下一时刻的参数，可有效捕获航速、航向、位置的连续变化规律
• 若需要预测未来多个时刻的轨迹，可进一步调整为多对多的时序输入输出结构，不要只用单时刻输入

2 模型结构与训练参数修正 #

你当前的模型结构存在多处不合理的设置，直接拉低了模型性能：

• LSTM层的activation='sigmoid'设置错误：LSTM默认使用tanh作为输出激活函数，门控单元内部自动使用sigmoid，强行指定输出为sigmoid会导致特征信息丢失、梯度消失问题，直接删除该参数使用默认配置即可
• 单步预测场景下无需加RepeatVector层：该层仅用于多步输出的编码器-解码器结构，你当前是单时刻预测，直接删除该层，LSTM输出后直接接全连接层即可
• 学习率设置过高：learning_rate=0.01对于Adam优化器来说明显偏大，容易导致训练震荡无法收敛，建议调整为1e-3~3e-4，可添加学习率衰减策略，每训练10轮学习率乘以0.9
• 添加正则化避免过拟合：你仅有6条轨迹的训练数据，极易发生过拟合，可在LSTM层后添加Dropout(0.2)层，也可给LSTM和全连接层添加L2正则项
• 参考修改后的单步预测模型结构：

model.add(LSTM(128, return_sequences=False, input_shape=(n_steps_in, n_features)))
model.add(Dropout(0.2))
model.add(Dense(32, activation='relu'))
model.add(Dense(n_features, activation='linear'))
model.compile(optimizer=Adam(learning_rate=1e-3), loss='mae')

3 特征与预处理优化 #

当前仅用原始四类特征+MinMax归一化的方案，没有匹配船舶运动的特性，可从以下方向调整：

• 解决角度周期性问题：COG是角度值，存在0/360度的数值跳变问题，直接输入会导致模型学习混乱，可将COG拆分为sin(COG)和cos(COG)两个特征输入，预测后再转换回角度即可
• 替换绝对坐标为相对偏移：utm坐标数值过大，MSE损失会被坐标误差主导，可将每个时刻的经纬度替换为和前一时刻的差值ΔLON、ΔLAT作为输入，预测偏移量后再叠加前一时刻的坐标得到绝对位置，可大幅降低预测难度
• 补充派生特征：可添加加速度（当前SOG-前一时刻SOG）、航向变化率（当前COG-前一时刻COG）两个特征，更精准的描述船舶运动状态
• 数据集划分规范：不要随机拆分轨迹点做训练验证，要按整船轨迹拆分，6条训练轨迹中取5条做训练集，1条做验证集，避免验证结果虚高

4 损失函数调整 #

当前直接用MSE损失没有考虑不同特征的数值尺度差异：

• 优先使用MAE损失替代MSE，对轨迹中的异常点更鲁棒，训练过程更稳定
• 可自定义加权损失，给经纬度、航速、航向设置不同的损失权重，平衡不同特征的损失贡献，避免模型只优先拟合数值大的坐标特征，忽略航速航向的误差

内容的提问来源于stack exchange，提问作者user17249167