《预测战术部队的未来目的地》2023最新55页论文

本论文的目标是为已知封闭道路网络中的战术车辆提供目的地预测。这些战术车辆以轮式野战炮兵部队为模型。美海军研究生院（NPS）的建模虚拟环境与仿真（MOVES）研究所在一个虚构的场景中建模并生成数据。该场景包括典型野战炮兵部队在部署环境中会遇到的各种地点和事件。军事组织由两个营组成一个团，每个营有四个炮兵连，每个炮兵连有 11 辆车。每个炮兵连有四辆发射车、四辆装填车、两辆支援车和一辆指挥控制（C2）车。生成的数据在团、营、炮兵连和车辆一级进行记录。本研究以炮兵连的移动模式为中心。每个场景都被分解成较小的行程，其中只有一个先前地点和未来目的地。模型拟合中的预测变量描述了每个炮兵连的各种位置属性。响应变量是每次行程的目的地位置。

本论文主要研究两个问题。

1.机器学习模型能否准确预测战术车辆的未来目的地？

2.在战术应用中，什么是足够的预测准确度？

本论文只能使用 MOVES 研究所生成的数据。因此，存在一些限制。第一个限制是数据缺乏测量或传感器误差。在实际作战环境中收集完美的数据是不现实的。第二个限制是，生成数据的大小足以适合我们的模型。在新的作战场景中，数据可能稀少或不可用。

为了预测这些战术部队的未来目的地，我们使用了两种机器学习的监督技术：随机森林和神经网络。为了客观地比较这两种模型，我们得出了两个标准来判断目的地预测的成功与否。每个模型都为行程中每分钟间隔内的每个地点拟合了一个概率。第一个标准是一半以上的正确地点分配概率超过 80%。第二个标准是，在行程的最后三分钟内，模型分配给正确目的地的概率是否超过 80%。一个模型必须同时满足这两个标准才算成功。在验证集的所有行程中，随机森林的成功率为 38.9%，而神经网络的成功率为 43.2%。我们使用这两个标准考虑了真实世界的场景。每个行程被缩减到只有最初的五分钟。在真实情况下，决策者必须在敌人完成行动之前决定行动。在这种情况下，决策者在做出决定前有五分钟的时间窗口。随机森林的预测准确率为 19.1%，而神经网络的预测准确率为 33.9%。这是时间受限情况下预测准确率的上限。随着误差和噪声的引入，预测准确率可能会降低。

本论文通过使用完美数据设定了目的地预测的上限。基于我们的论文，未来的研究领域如下：进一步研究预测建模、处理在不规则时间间隔内收集的带有测量误差的数据、使用真实世界数据建模以及多域建模。第一个领域是通过进一步的预测建模来提高预测精度。第二个领域是引入与现实生活中数据收集和汇总困难相似的误差项。战场传感器并不完美，存在局限性。第三个方面是利用实战部署和训练中的真实数据建模。最后一个领域是将我们的研究推广到其他作战领域：海上、海面下和空中。运动轮廓和运动行为在这些领域中都同样重要。战术层面的模型可以为战略层面的决策提供参考。