基于船舶AIS数据模式的知识发现：一种异常检测和路线预测的框架外文翻译资料

 2022-10-16 16:04:55

英语原文共 28 页，剩余内容已隐藏，支付完成后下载完整资料

基于船舶AIS数据模式的知识发现：一种异常检测和路线预测的框架

摘要：了解海上交通模式是海上态势感知应用的关键，尤其是对活动的分类和预测。近几年通过地面网络和卫星星座的自动识别系统（AIS）建立了接收器，无论是在沿海地区和开放水域，船舶运动的信息越来越易获得。对运营商来说由此产生的信息量越来越大，需要自动处理的援助来以一个明确的、有效的方式综合利益行为。尽管AIS数据仅对大型船舶有法律上的要求，但他们的使用越来越多，并且他们可以从港口的表征和海上平台空间分布的路线和时间有效地推断出不同层次的上下文信息。这里介绍的一种对海洋运动模式提取的无监督的、增量学习的方法是从原始数据转换为信息支持决策。在未来这是一个自动检测异常和预测当前轨迹和模式的基础。提出的方法，称为TREAD（交通路线提取和异常检测）建立了不同层次的间歇性（即传感器的覆盖范围和性能）、持久性（即时间滞后之间的后续观测）和数据源（即地基和天基接收器）。

关键字：海事态势感知、知识发现、海上航线提取、航线预测、异常检测

1.引言：

海运约占全球贸易额的90%，安全和安保问题被全球各国作为高度优先事项。海事监测数据在不同的尺度被收集，并越来越多地用于实现更高层次的态势感知。

自动识别系统（AIS）技术提供了大量的实时信息，呼吁越来越多的自动化程度的数据转换成有意义的信息以支持业务决策。例如，海洋研究和实验中心（CMRE）目前正在以每月6亿的平均速率接受多个来源的AIS信息，并且这个比率正在增加[1]。AIS是一种自我报告信息系统最初设想的避碰（AIS对在国际航行的300总吨及以上的船舶，在非国际航行的500总吨及以上的货船和客船是强制性的[2]。此外，在欧洲联盟成员国的管辖范围内的水域航行的大于15米的渔船也应配备AIS[3]。）以一个可变刷新率来广播自己的位置信息（位置、身份等信息）这取决于他们的运动（船舶锚泊时每两分钟发送一次自己的位置，当操纵或高速航行时增加播出率到两秒；每五分钟，船只传送包含标识符的其他数据（静态和航行相关信息），如国际海事组织（IMO）数、呼号、船名和海上移动服务标识（MMSI），作为将消息链接到位置信息的主键。静态信息，还包括大小、船舶和货物的类型，而航行的相关数据，如估计到达时间（ETA）和目的地，是手动设置和不完全可靠的[4]。）在过去的几年里，船舶及沿海站接收到的AIS数据被传输到区域性或全国性的数据中心。当多个接收器连接到网络中，数据的间歇性出现一定的挑战，由多个接收器接收解决数据冗余，通过不同的接收器和识别船舶航迹纠正错误的时间戳分配是错误地分享消息标识符。为了提取海上运动模式这一水平的前处理是必要的，特别是在全球范围内。

从空间[5]接收AIS信息变得越来越普遍，相对于地面网络的AIS接收机，其性能的特点是高持久性，但覆盖范围有限，基于卫星的系统可以在远离海岸线的开阔海域或得消息。基于空间的接收器通常是安装在低地球轨道（LEO）卫星上，因此由于轨道平台重访时间AIS的覆盖在损失持久性的前提下是全球性的。很显然，当集成例如通过地面接收器接收数据的系统时，为了解决变频更新，覆盖和持久性还存在额外的问题。

在这项工作中，提出了一种方法，是将大量的AIS数据转化为决策支持元素，独立的接收机的数量，他们的表现是起源的平台和感兴趣区域的规模。知识是通过增量学习的方法获得的，为了动态地适应不断变化的情况（例如，海上的季节性模式，操作条件或改变路线方案）。这使得海上交通的特点是完全遵循无监督的学习策略，没有一个先验信息是被需要的（即只使用原始的AIS数据）。

提出的交通路线提取方法可以用来提供最新的高层次的上下文信息（在实验室联合董事如水平处理2（JDL）模型[6]）。知识的交通路线是一个有用的针对态势感知的输入，并有助于了解季节变化的交通模式。除了交通密度，提取的路线在不同类型船舶的日常模式和中转时间提供有用的信息。此外，提取的路线能够真实的交通仿真，这是有用的测试和评估目标跟踪性能，监控技术和其他决策支持框架的有效性。

生成的上下文相关的海洋知识也可以被用来执行以规则为基础的低似然异常检测。基于规则的异常检测方法是指根据一组规则生成的警报[7]，如在一个港口允许的最大速度，存在于限制航行区域或船舶要求和实际活动之间的不一致。相反，低似然异常检测的目的是从学习阶段衍生的“正常”的船舶交通模式检测偏差（见，例如，[8]和其中的引用）并通过在目前的工作中所提供的一个例子说明。在操作的环境下，不同于“正常”的行为并不一定意味着他们是“异常”的，但他们强调的是不寻常的进一步分析。

船舶交通和运动信息一旦被提取就可以选择性地利用，以在给定的时间执行船舶路径预测。这是基于同一路线的过往船只行为的预测船舶运动以及超越任何可用的定位数据的过程。这是有用的，例如，在反盗版的应用程序中以确定风险领域与联合预测的存在的船舶密度（例如，商业商人的交通）和海盗行动组(PAG)[9]。向后和向前的船舶跟踪也可以使用学习的海上交通模式得到明显的改善，这是特别有用的尝试当融合AIS和天基光学和合成孔径雷达（SAR）信息时（例如，[10]）。

流量的分布和特性也可用于增强遥感跟踪和分类性能，实现基于知识的跟踪和分类（例如，[11]）。具体而言，船舶模式的知识可用于（一）在覆盖或减少可观性中连接起源于同一个目标而被间隔打破的轨道，或/和（二）提供一个关于船舶类型分类用途的先验知识。

在第二部分，我们简要地回顾交通特性和航迹知识提取的相关工作。我们在第三部分讨论交通知识发现方法。随后在第四部分是一些关于路线知识开发的例子：在4.1给出路线的分类。在第4.2和4.3节中提供2个具体的应用程序（即，路线预测和异常检测），分别来说明派生知识的潜力。最后，在第五节中给出结束语。

2.相关工作

统计方法的应用在无人监督的方式下从一个集合的轨迹获得运动模式是一个具有挑战性的任务。几种应用于视频监控和图像处理的方法已经被提出来了(例如，[12–16])。在[17]中，提出了一个跟踪人类随着时间推移的行为的概率模型。论文[18–21]专门处理海上应用，但使用的是图像处理技术。参考文献[12]提出了一个广泛的模型来统计学习运动模式，在交通流被限制在特定区域内停留的交通场景下没有任何先验知识。这种技术在海上态势感知中的应用在最近几年得到了越来越多的接受。一种可能的方法是将感兴趣的区域细分成空间网格，其中每一单元特点是交叉船舶的运动特性（例如，[10,22,23]）。尽管对小面监测是有效的，但以“网格”为基础的方法存在的主要局限性在于当规模增加时所需的计算负担，以及最佳单元先验选择的需要。在复杂的交通领域，如交叉的海上通道，由此产生的多模态行为描述会导致复杂的算法来执行异常检测。在海上的异常检测领域新的发展趋势是采用“矢量”表示交通，其中轨迹看作一组直线路径的连接点；这允许船舶运动的紧凑表示可以在全球范围内实施。据[24，25]中的工作报道可知，航点是在陆地附近的节点，并且大圆航线形成代表海洋的旅程。在复杂的航线系统的领域，进一步引入中间节点（即转向点）以更准确地描述航线是必要的。对于[26,27]，转折点是在被持续观察的船舶改变实际航向的区域检测到的。“矢量”方法的局限之一是在无管制区域的转折点检测，在这个区域船舶的行为要复杂的多以至于很难区分。本论文针对这一现实问题：海上交通的表现仍然是“矢量”，但在以往的研究中，航迹的对象都是直接通过路径连接的源路径船舶流量向量形成的（即，固定区域，以及进入和退出点）。具体来说，这里介绍的是基于初步聚类航点的方法。航迹随后在航点之间被确定。不同于其他的“矢量”表示，航线对象包括没有明确得出转折点的方向变化。正如将看到的那样，用一个紧凑和准确的方式捕获海上模式仍然有可能。提取时间信息也是可行的，如路线行程时间分布及日常模式，以及相关历史航线模式。这些特点使海上交通知识的发现可用于实现更高层次的异常检测工具。此外，在[26,27]采用的基于距离的方法，并不总是能有效地区分彼此接近的航点。为了克服这个困难，一个基于密度的算法（即，DBSCAN——基于密度的噪声应用空间聚类分析）被选中并适应到特定的海事应用中。

处理派生框架的潜在应用，轨迹数据的异常检测是最有趣的。这一领域最近出现大量的论文。他们中的一些以最接近轨迹的距离为依据分类异常轨迹，集合使用相似性度量。当轨迹之间的距离在可能性方面被表示，我们讲到的概率异常检测[28]。在[17,29–31]中提出了一些异常检测的概率方法。许多方法倾向于首先预处理轨迹，因为常用的相似措施，如欧氏距离，要求等距和正确对齐的轨迹。为了克服这些困难，一些替代指标被提出，如动态时间规整（DTW）（见，例如，[14]）所发现的两轨迹的数据点的最小欧氏距离在时间上是任意移动的。然而，大多数可用的方法被认为是从事完整轨迹的工作，即，在将轨迹分类为异常之前他们需要整个轨迹的点。在只能间断性接收位置数据的区域没有观察到完整的轨迹是一个问题。此外，用于监测目的时，异常检测需要在线进行。在这种情况下，减少异常行为的开始和监控系统提出的报警之间的延误是至关重要的。顺序过程控制技术的目的是缩短在正常过程中改变信号所需的平均时间。在本文中，海上知识发现和开发我们都采用基于点的增量算法。利用滑动时间窗口进行异常检测的实例类似于视频监控技术（见，例如[15]）。在[ 32 ]提出了一种相似的方法，进行连续运动异常检测，假设AIS培训数据已经提取到共同路径的集群。在本文中，预处理、转换和AIS数据的验证被集成到生成交通模式框架的功能结构中。

3.交通模型和知识发现

提出的方法称为交通路径提取和异常检测（TREAD），是在无人监督的方式下从AIS数据自动学习海事交通统计模型，即，在现场监控中不承担任何先验知识。在[26,27,33]的工作基础上，这里使用的创造和更新AIS信息输入顺序的交通知识是船舶实体形成的。一个包围盒被选中并对应监视下具体的区域。系列的船舶状态矢量可以来源于不连续事件，如观察更新的中断。这类事件的聚类由不同的船舶实体发起，Vs，使我们能够形成航点对象，WPs，确定任一固定点，POs，入口点，ENs，出口点，EXs，选择的边界框之内。这样的航点连接最终导致路径对象的检测和统计特性，Rs。异常在发现知识的基础上可以被检测，并且它与实时船舶交通的相互作用。统计模型的通用假设是，数据点的特征值来自一个稳定的（即，固定）分布的正常流量，估计使用训练数据。特征数据点被认为是单一轨迹点。在文献中，这种方法被称为基于点的方法（见，例如[8]），与基于轨迹的方法相反，其中交通表示基于完整的轨迹（见，例如[14]）。

这里提出的方法是一个实际的妥协，以获得可靠的不增加模型复杂性的流量表示：（一）它使用一个基于点的流量表示（二）将时间信息集成到知识的开发中，包括连续数据点之间的关系。一个实用的优点是，TREAD方法可以很容易地处理不等长或有间断的轨迹。事实上，由于AIS信息的更新率，一些正当理由是极易变的，残缺和分段的轨迹在海上交通中是很常有的（因为它被设想为用来避免碰撞，AIS A级单位会根据需要改变消息传输率来更新消息，从3分钟（船锚）到2秒（快速和/或机动船）。同样的，对于非SOLAS船舶的B级设备在可变时间间隔报告，尽管是以比A级设备低的速率传播的[34]。）当AIS轨迹“丢失”时发生，是因为（一）在网络接收器中有地面覆盖间隔（二）AIS间歇性[35]或者（三）后续天桥之间的长时间间隔或基于卫星接收器的检测的低可能性[36]。船舶接收器也可能被故意关闭，但这是一个单独的问题。

TREAD功能结构管理:基于AIS信息的海事交通知识的发现与开发如下图1所示的功能结构；AIS信息流通过被基于时间和空间特征的船舶行为的相关事件触发的“船舶对象管理器”加工来逐渐学习航海运动模式。这样的事件聚类导致航点的发现（静止物体和入口/出口点）。知识发现的过程其次是潜在的开发，例如在航线的分类、预测和异常检测。

图1.知识发现功能结构：AIS信息的历史数据库或实时数据流通过被相关事件触发的过程（“管理器”）被相继地加工来逐渐地学习航海运动模式。知识发现过程其次是在线开发，例如航线分类、预测和异常检测。

船舶对象管理器：当一个新船进入监控现场，一个探测发生，并且对船舶对象的管理进行初始化（见算法1 -无监督的路径提取，附件一）。船舶对象的名单，Vs，根据每个解码AIS信息的信息内容更新（或进行历史数据分析时数据库记录）。每个船舶对象，V s{MMSI}，由MMSI号识别并且包含静态和动态特性。前者与船舶的识别有关(如，类型、呼号、名称、国际海事组织（IMO）号、大小)，后者是相关的状态向量（如，位置、实际航迹向（COG）、实际航速(SOG)以及历史和当前的路线模式）。当新数据变得可用时，这些特性会逐步更新。参考算法1——附件一中无监督航线的提取——V s{MMSI}.track是指船舶对象的时间戳的历史观测状态矢量信息（即位置和速度参数）。

从AIS数据流，船舶状态被获得和更新。船舶对象状态的变化是感兴趣的事件，如当一个时间T内没有发现“丢失”时，在感兴趣的领域是复杂的最大的AIS消息更新率。另外的船舶状态是“固定”/“航行”，他们的转变识别其他事件的参与，如当船舶停止或从一次中止开始航行。这样的事件产生或更新航点对象，WPs，如附件一所示，算法1—无人监管航线开发—算法2—在线WPs聚类。

固定对象管理器：一类特殊的航点由静止点表示，如港口和海上平台，POs。这类对象由具有一个低于给定阈值的速度的船舶组成。特别地，如附件一中所见，算法1—无人监管航线开发—固定事件被基于与利益

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[151144]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章