TRAIT: A Translation invariant AIS Trajectory Forecaster
Authors
Toft, Anders Andresen ; Woldum, William ; Jensen, Mikkel Klitlund
Term
4. term
Education
Publication year
2026
Submitted on
2026-06-11
Abstract
Accurately predicting where ships will travel is vital for maritime safety, traffic management, and route planning. Many state-of-the-art machine learning models rely on absolute geographic coordinates, which ties them to specific regions and can cause failures when used in new or data-sparse areas. We present TRAIT, an architecture-agnostic framework that shifts trajectory forecasting from region-specific memorization to modeling general vessel motion. TRAIT works entirely with changes in position (displacement tokens) in a local coordinate system aligned with the ship's heading. This yields translation invariance: moving the whole map does not change the prediction, so the model focuses on universal ship kinematics rather than particular grid locations. Because removing absolute coordinates can hide useful environmental cues, TRAIT adds simple geographic context back through scalar environmental signals that are combined additively in a transformer-based model (a type of neural network) at each prediction step. A new training strategy uses ideal signals derived from ground-truth trajectories to preserve translation invariance without requiring any external map data. At inference time, any real environmental source—such as historical traffic density or bathymetry (water depth)—can be plugged in without retraining. Experiments on Danish and U.S. ship-tracking (AIS) datasets show that TRAIT generalizes across regions: it matches top absolute-coordinate models in their home regions and significantly outperforms them in unseen or data-sparse areas.
Præcis forudsigelse af skibers bevægelsesbaner er afgørende for maritim sikkerhed, trafikstyring og ruteoptimering. Mange af de nyeste maskinlæringsmodeller bygger på absolutte geografiske koordinater, hvilket gør dem geografisk afhængige og sårbare over for ydelsesfald i nye eller datafattige områder. Vi præsenterer TRAIT, et arkitekturuafhængigt rammeværk, der flytter baneprognoser fra regionsspecifik hukommelse til generel bevægelsesmodellering. TRAIT arbejder udelukkende med forskydninger i et lokalt koordinatsystem, der er justeret med skibets kurs. Det giver translationsinvarians: forudsigelserne ændrer sig ikke, hvis hele kortet flyttes, så modellen fokuserer på universel skibskinematik frem for lokale gitterpositioner. Fordi fjernelse af absolutte koordinater kan gøre modellen miljøblind, genindsætter TRAIT geografisk kontekst gennem skalar miljøsignaler, som lægges additivt ind i en transformer-baseret model (en type neuralt netværk) ved hvert forudsigelsestrin. En ny træningsstrategi bruger ideelle signaler udledt af de sande baner, så translationsinvariansen bevares under træning uden behov for eksterne kortdata. Ved inferens kan enhver reel miljøkilde, fx historisk trafikintensitet eller bathymetri (vanddybde), tilføjes uden at genoplære modellen. Empiriske evalueringer på danske og amerikanske AIS-skibssporingsdata viser, at TRAIT generaliserer på tværs af regioner: Den præsterer på niveau med førende absolut-baserede modeller i deres hjemmeområder og overgår dem markant i nye eller datafattige geografiske zoner.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords