船舶模式AIS数据的知识发现：一个异常检测和路线预测的框架外文翻译资料

 2022-11-03 19:03:51

Entropy 2013, 15, 2218-2245; doi:10.3390/e15062218

Article

OPEN ACCESS

entropy

ISSN 1099-4300

www.mdpi.com/journal/entropy

船舶模式AIS数据的知识发现：一个异常检测和路线预测的框架

Giuliana Pallotta *, Michele Vespe and Karna Bryan

NATO Science and Technology Organization (STO), Centre for Maritime Research and Experimentation (CMRE), Viale San Bartolomeo 400, 19126, La Spezia, Italy;

E-Mails: vespe@cmre.nato.int (M.V.); bryan@cmre.nato.int (K.B.)

* Author to whom correspondence should be addressed; E-Mail: pallotta@cmre.nato.int; Tel.: 39-0187-527-349; Fax: 39-0187-527-354.

Received: 1 March 2013; in revised form: 10 May 2013 / Accepted: 29 May 2013 /

Published: 4 June 2013

摘要：了解海上交通模式是海上情景意识应用的关键，特别是对活动进行分类和预测。由于最近建立了自动识别系统（AIS）接收机的地面网络和卫星星座，在沿海地区和开阔水域中，船舶运动信息正变得越来越普及。所得到的信息量增长到人类手工操作无法处理，此时需要一个简洁有效的方式来处理有价值的信息。尽管AIS数据只是大型船只的法律要求，但它们的使用正在增长，它们可以有效地用于推断不同级别的情境信息，从港口和离岸平台的特征到航线的空间和时间分布。这里提出了一种无人监督和增量学习方法来提取海洋运动模式，将原始数据转换为支持决策的信息。这是自动检测异常并将当前轨迹和模式投射到未来的基础。针对不同层次的间歇性（即传感器覆盖和性能），持续性（即，后续观察之间的时间滞后）和数据源（即，基于地面的和基于地面的），开发了被称为TREAD（Traffic Route Extraction and Anomaly Detection）基于空间的接收机）。

关键词：海洋情景意识;知识发现;海上路线提取;路径预测;异常检测

  1. 介绍

海运占全球贸易总量的大约90％，将安全和安保挑战作为全球各国的首要任务。海洋监视数据以不同的尺度收集，并越来越多地用于实现更高水平的情景意识。

自动识别系统（AIS）技术提供大量的近实时信息，呼吁在将数据转换为有意义的信息以支持经营决策者方面不断提高自动化程度。例如，海事研究和实验中心（CMRE）目前每月从多个来源接收平均6亿条AIS消息，速率正在增加[1]。 AIS是一种最初设计用于避免碰撞的自我报告信息系统（对于国际航行中的300总吨及以上的船舶，AIS是强制性的，对于不在国际水域和客船上的货物，AIS是强制性的[2]在欧盟成员国管辖范围内，在水中航行的航行长度超过15米的船舶还应配备AIS [3]。）以可变刷新率广播其位置（位置，识别和其他信息）的信息，这取决于它们的运动（锚处的船只每两分钟发送它们的位置，并且当操纵或高速航行时将广播速率增加到两秒）;每五分钟，船舶发送包含标识符的其他数据（静态和航行相关信息）例如国际海事组织（IMO）号码，呼号，船名和海上移动业务标识（MMSI），用作将消息链接到位置信息的主要密钥。静态信息还包括船舶的大小，类型和货物，而航行相关数据，如估计到达时间（ETA）和目的地，是手动设置的，不完全可靠[4]。在过去几年中，AIS数据船舶和沿海站收到的信息已传送到区域或国家数据中心。当多个接收器连接到网络中时，在数据间歇性，解决由多个接收器接收的数据冗余，纠正由变化的接收器分配的时间戳中的错误以及识别错误地共享消息标识符的船舶的轨道时出现某些挑战。这种水平的预处理对于提取海洋运动模式是必要的，特别是在全球尺度。

从空间[5]接收AIS消息正变得越来越常见。与AIS接收机的地面网络相反，其性能的特点是高持续性，但覆盖范围有限，基于卫星的系统可以在远离海岸线的公海上接收信息。基于空间的接收机倾向于安装在低地球轨道（LEO）卫星上，因此由于轨道平台重访时间的原因，AIS覆盖是以牺牲持久性为代价的。显然，当将这样的系统与由地面接收机接收的数据集成时，存在可变频率更新，覆盖和持续性要解决的附加问题。

在这项工作中，提出了一种方法，目的是将大量的AIS数据转换为决策支持元素，独立于接收器的数量，其性能，原产地平台和感兴趣区域的规模。通过增量学习方法提取知识，以便动态地适应演进的情况（例如，海上季节性模式，操作条件或改变路径方案）。这允许在没有所需的先验信息（即，仅使用原始AIS数据）的完全无监督学习策略之后表征海上业务。

所提出的交通路线提取方法可用于提供最新的高级上下文信息（例如，联合实验室指导员（JDL）模型[6]中的2级处理）。对交通路线的了解是对情境意识的有用输入，有助于了解交通模式的季节变化。除了交通密度，提取的路线提供有用的信息，关于日常模式和由船只类型区分的交通持续时间。此外，提取的路线实现了流量的真实模拟，这对于测试和评估目标跟踪性能，监视技术和其他决策支持框架的有效性是有用的。

生成的与环境相关的海洋知识还可以用于执行基于规则和低可能性异常检测。基于规则的异常检测方法是指基于一组规则[7]生成警报，例如港口允许的最大速度，在导航区域的存在或船舶声明和实际活动之间的不一致。相反，低可能性异常检测旨在检测在学习阶段中导出的船舶交通模式的“正常性”的偏差（参见例如[8]和其中的参考文献），并且通过本工作中提供的示例示出。与“正常”不同的行为不一定意味着它们在操作上下文中是“异常”，但是它们被突出显示为不寻常的用于进一步分析。

船舶交通和运动信息一旦被提取，可以替代地利用以在给定时间执行船舶航线预测。这是基于同一航线上过去船只的行为，预测远超过任何可用定位数据的船舶运动的过程。这在例如反盗版应用中是有用的，以识别与联合预测的白色运输密度（例如商业商业交通）和海盗行动小组（PAG）[9]的存在相关联的风险区域。使用学到的海上交通模式也可以显着改善船只的向后和向前跟踪，当试图融合AIS和基于空间的光学或合成孔径雷达（SAR）信息（例如，[10]）时，这是特别有用的。

业务的分布和表征还可以用于增强远程感测跟踪和分类性能，使得能够进行基于知识的跟踪和分类（例如，[11]）。具体地，船舶模式的知识可以用于（i）连接由同一目标产生并由覆盖间隙或降低的可观察性破坏的轨道，和/或（ii）提供关于船舶类型的先验知识以用于分类目的。

在第二部分，我们简要回顾关于交通表征和路线知识提取的相关工作。我们讨论第3节中的交通知识发现方法。这之后是第4节中的路径知识利用的一些示例：路径分类在第4.1节中给出。分别在第4.2节和第4.3节中提供了两个具体应用（即路径预测和异常检测），以说明导出知识的潜力。最后，第5节给出结论。

相关工作

统计方法用于以无监督的方式从轨迹集合导出运动模式是一项具有挑战性的任务。已经提出了在视频监视和图像处理中应用的几种方法（例如，[12-16]）。在[17]中，提出了一个随时间跟踪人类行为的概率模型。论文[18-21]具体涉及海事应用

使用图像处理技术。参考文献[12]提出了一种广泛的模型，用于统计学习运动模式，而在交通场景中没有任何先验知识，交通流量被限制在特定区域。近年来，这种技术在海洋情境意识中的应用已获得越来越多的接受。一种可能的方法是将感兴趣区域细分为空间网格，其细胞的特征在于交叉船舶的运动特性（例如[10,22,23]）。虽然对于小区域监视有效，但是基于“网格”的方法的主要限制在于当增加规模时需要计算负担，以及需要先验地选择最佳小区大小。在以复杂交通为特征的区域（例如相交的海道）中，所得到的多模式行为描述将导致复杂的算法来执行异常检测。海上异常检测领域的一个新趋势是采用交通的“矢量”表示，其中轨迹被认为是连接航路点的一组直线路径;这允许可以在全球范围内实施的船舶运动的紧凑表示。在[24,25]中报道的作品中，路点是陆地附近的节点，并且形成大圆路线以表示海洋旅程。在以复杂路径系统为特征的区域中，需要进一步引入中间节点（即，转折点）以更准确地描述路线。对于[26,27]，在一贯观察到船只的地上航道（COG）变化的地区检测到转折点。 “矢量”方法的限制之一是检测未调节区域中的转折点，其中船舶的行为更复杂，因此难以分类。本文件解决了这个实际问题：海上交通的表示仍然是“矢量的”，但是与先前的研究相反，路线对象由其路径连接导出的路点的船舶的流向量直接形成（即，静止区域，以及进入和退出点）。具体来说，这里介绍的方法是基于航路点的初步聚类。然后，在这些航路点之间确定轨迹。与其他“矢量”表示不同，路线对象包括方向改变，而没有明确地导出转折点。如将看到的，仍然可以以紧凑和准确的方式一致地捕获海洋模式。还可以提取时间信息，如路线旅行时间分布和每日模式，以及将历史路线模式与船舶相关联。这些特征使得能够发现可用于实现更高级别异常检测工具的海上交通知识。此外，在[26,27]中采用的基于距离的方法在区分彼此靠近的航点时并不总是有效的。为了克服这个困难，选择基于密度的算法（即，具有噪声的应用的基于DBSCAN-密度的空间聚类）并且适应于特定的海事应用。

处理派生框架的潜在应用，轨迹数据中的异常检测是最有趣的之一。在这个领域，最近出现了大量的论文。它们中的一些基于到最接近的一组轨迹的距离将轨迹分类为异常，使用相似性度量来分组。当轨迹之间的距离用可能性表示时，我们说的是概率异常检测[28]。在[17,29-31]中，提出了一些用于异常检测的概率方法。许多方法倾向于首先预处理轨迹，因为通常使用的相似性度量，例如欧几里得距离，需要等间隔和适当对准的轨迹。为了克服这些困难，已经提出了一些备选的度量，例如动态时间扭曲（DTW）（参见例如[14]），其找到最小欧几里德距离

两个轨迹的数据点在时间上任意地偏移）。然而，大多数可用的方法被认为与完整的轨迹一起工作，即，在将轨迹分类为异常之前，它们需要整个轨迹的点。这是在仅间歇地接收位置数据并且未观察到完整轨迹的区域中的问题。此外，当用于监视目的时，需要在线执行异常的检测。在这种情况下，至关重要的是减少异常行为开始和监视系统引起的报警之间的延迟。顺序过程控制技术旨在缩短用信号通知正常过程中的变化所需的平均时间。在本文中，我们应用基于点的增量算法在海洋知识发现和开发。与视频监视技术类似，所提供的异常检测的示例通过使用滑动时间窗来执行（参见例如[15]）。在[32]中提出了一种类似的方法，其中执行顺序运动异常检测，假设AIS训练数据已经被提取以形成公共路径的群集。在本文中，AIS数据的预处理，转换和验证被集成到功能架构中，其生成业务模式框架。

交通模型和知识发现

被提出的名为业务路径提取和异常检测（TREAD）的方法以无监督的方式自动地从AIS数据学习用于水上业务的统计模型，即，不假定在监视的场景上的任何先验知识。基于[26,27,33]中的工作，这里使用的交通知识由船舶对象塑造，从输入AIS消息的序列创建和更新。选择边界框并且对应于被监视的特定区域。该系列船舶状态向量可以起源为不连续事件，诸如观察更新中的中断。由不同船舶对象V s引发的这样的事件的聚类使得我们能够形成航点目标WP s，其在所选择的边界框内识别静止点P 0，入口点EN和出口点EX 。这些路点的链接最终导致路线对象的检测和统计特征。然后可以基于发现的知识及其与实时船舶交通的相互作用来检测异常。统计模型的一般假设是数据点的特征值来自使用训练数据估计的正常交通的稳定（即，静止）分布。特征数据点被认为是单轨迹点。在文献中，这种方法被称为基于点的方法（参见例如[8]），与基于轨迹的方法相反，其中业务表示基于完整的轨迹（参见例如[14 ]）。

这里提出的方法是一个实际的妥协，以获得可靠的流量表示，而不增加模型的复杂性：（i）它使用基于点的流量表示，（ii）它将时间信息集成到知识利用中，包括连续数据之间的关系点。实际的优点是TREAD方法可以容易地处理不等长度或具有间隙的轨迹。事实上，由于AIS消息的刷新率由于许多合理原因而高度可变（因为其被设想用于冲突避免，AIS类A单元改变消息传输），所以不完全和分段的轨迹在海上业务中是频繁的速率取决于需要刷新信息，范围从三分钟（船锚）到两秒（快速

和/或操纵容器）。类似地，非SOLAS（海上生命安全）船的B类装

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[140960]，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