Vessel destination forecasting based on historical AIS data

Abstract

Skipsfartsnæringen er et omfattende og kompleks handelssystem som generer store inntekter, involverer mange selskaper og virksomheter, og det er generelt akseptert at den er ansvarlig for 90% av all verdens handel (Tsaini 2011). Involverte aktører søker kontinuerlig etter nøyaktig informasjon som kan hjelpe dem med å forstå fremtidige endringer i dette ustabile markedet som først og fremst består av lastefterspørsel og skipstilbud. Det å være i stand til å effektivt forutsi fremtidige bevegelser og tilgjengeligheten av skipsfartøyer kan være viktig for mange av de involverte i bransjen.

Selv om industrien tradisjonelt har stolt på ikke-digitale tjenester, har de siste årene sett en økning i tilgjengelige programvareløsninger som tar sikte på å hjelpe skipsfartsvirksomheter i deres beslutningsprosesser. Mange av disse programvareproduktene er basert på tilgjengeligheten av AIS-data (Automated Identification System). AIS har blitt en globalt vedtatt standard håndhevet av International Maritime Organization (IMO) siden 2006 av sikkerhets- og navigasjonshensyn. Siden AIS-sendere sender ut alle kommersielle fartøyers navigasjonsdata, har de imidlertid også kommersiell verdi ved at de gir en global oversikt over skipets bevegelser over tid. Nylige studier av historiske AIS-data utdyper videre at det faktisk er aktuelt for å forutsi fremtidige baner og bevegelser av fartøyer og at Machine Learning (ML) teknikker kan brukes på dette emneområdet.

Denne oppgaven undersøker området for prediksjon av fartøys destinasjoner og foreslår en Machine Learning (ML) basert løsning basert på en kombinasjon av historiske AIS-data og tekniske fartøydetaljer som fartøystype eller segmenter. Den foreslåtte modellen gjelder ethvert fartøy, er ubegrenset av tid eller geografiske begrensninger og oppnådde et nøyaktighetsnivå på 72% avhengig av fartøyssegmenter og undersegmenter. Oppgaven ble skrevet i samarbeid med det maritime teknologiske oppstartsselskapet Maritime Optima (MO) som ga datagrunnlaget som ble brukt til å utvikle den foreslåtte metoden.

The shipping industry is a vast and complex trading system that is capitally intensive, involves many companies and businesses, and is generally believed to be responsible for around 90% of all world trade (Tsaini 2011). Interested parties are all continuously searching for accurate information that can help them understand the future ebbs and flows of this volatile market that primarily consists of cargo demand and vessel supply. Thus, being able to effectively predict future movements and the availability of shipping vessels can be essential for many of the people involved in the industry.

Although the industry has traditionally relied on non-digital services, in recent years, there has been an increase in available software solutions that aims to assist shipping businesses in their decision-making processes. Many of these software products are based on the availability of Automated Identification System (AIS) data. AIS has become a globally adopted standard enforced by the International Maritime Organization (IMO) since 2006 for safety and navigation reasons. However, since AIS transmitters emit all commercial vessels' navigational data, it also has commercial value in that it provides a global overview of shipping vessels' movements over time. Recent studies into historical AIS data further elaborates that it is indeed applicable toward predicting future trajectories and movements of vessels and that Machine Learning (ML) techniques can be applied to this topic area.

This thesis investigates the area of vessel destination prediction and proposes a Machine Learning (ML) approach based on a combination of historical AIS data and technical vessel details such as vessel type, or segments. The proposed model applies to any vessel, is unrestricted by time or geographical limitations, and achieved an accuracy level of 72% depending on vessel segments and sub-segments. The thesis was written in collaboration with the maritime tech startup company Maritime Optima (MO) who provided the initial data foundation used to develop the proposed method.