حدود ۸۰% از حمل ونقل جهانی در بستر دریا انجام می شود؛ بنابراین، به منظور حفظ ایمنی عبورومرور کشتی ها، پیش بینی دقیق حرکت آنها اهمیت ویژه ای دارد. ازآن جاکه پارامترهای زمینه ای گوناگونی در حرکت کشتی ها تأثیر می گذارد، یکی از چالش های اصلی در حوزه محاسبات زمینه آگاه حرکت کشتی ها شناسایی پارامترهای زمینه ای بهینه مؤثر در حرکت کشتی است که ضرورت تحقیق حاضر را می رساند. در این راستا، با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت و انتخاب پارامتر به شیوه پوشانه (Wrapper)، اقدام به شناسایی پارامترهای زمینه ای بهینه برای پیش بینی حرکت کشتی شد. به این منظور، داده های سیستم شناسایی خودکار کشتی ها، جمع آوری شده در دسامبر سال ۲۰۱۷ از ساحل شرقی آمریکا، به کار رفت. تمامی ترکیبات ممکن از سه پارامتر زمینه ای سرعت، جهت و احتمال حضور کشتی در هر نقطه از دریا، با روش پوشانه، در مدل پیش بینی یادشده ارزیابی شد. در ارزیابی ها، ۷۰% از داده ها برای آموزش و مابقی برای اعتبارسنجی متقابل به کار رفت. طبق نتایج، پارامترهای سرعت و احتمال حضور به منزله پارامترهای زمینه ای بهینه شناسایی شد؛ به صورتی که دقت مدل با ورودی های بهینه 26.98% بهتر از مدلی است که در تمام پارامترهای زمینه ای در دسترس به منزله ورودی به کار رفته و نیز 16.14% بهتر از مدل بدون زمینه است؛ بنابراین، شناسایی پارامترهای زمینه ای بهینه از میان پارامترهای در دسترس و استفاده از آنها می تواند به بهبود دقت کمک کند
