编辑推荐：
传统船舶异常行为检测难实时且精度低，因忽视轨迹空间特征。研究人员提出基于 CNN-LSTM 的检测方法，构建融合时空特征的模型，结合 EWMA 去噪。实验表明该方法检测效果佳，为提升海上交通安全等提供技术支持。
在全球化与贸易规模不断扩大的背景下，海上运输承担着全球约 90% 的贸易量，其重要性不言而喻。然而，船舶异常行为可能引发海上事故、人员伤亡、经济损失，甚至威胁国家安全与公共安全。传统的船舶异常行为检测方法由于忽视船舶轨迹的空间特征，难以实现实时检测且检测精度较低，无法满足日益增长的海上安全监管需求。在此困境下，为提升海上交通监控的时效性与准确性，国内研究人员开展了船舶异常行为实时检测方法的研究。
研究以天津港为研究区域，基于真实历史 AIS（Automatic Identification System，船舶自动识别系统）数据展开，相关成果发表在《Expert Systems with Applications》。
研究主要采用的关键技术方法包括：构建融合 CNN（Convolutional Neural Network，卷积神经网络）和 LSTM（Long Short-Term Memory，长短期记忆网络）的模型，利用 CNN 的空间特征提取能力与 LSTM 的时间序列建模能力，实现对船舶正常行为模式的建模；设计实时检测算法，通过模型滚动预测获取各时刻船舶行为特征预测值，结合 EWMA（Exponential Weighted Moving Average，指数加权移动平均）方法对实时数据去噪，通过对比去噪后实际值与预测值实现异常检测。
研究结果
- 模型预测能力验证
通过模型损失分析、有无真实值校正的船舶行为特征预测实验及基于测试集的船舶异常检测与分布实验，验证了 CNN-LSTM 模型的有效性。模型可基于现有观测准确推断船舶行为，在连续监测 10 分钟时间窗口后，能识别长达 35 分钟内的异常模式，且在特征预测方面性能优于其他方法。
- 实时异常检测实验
从测试集检测结果中选取两艘异常船舶进行实时异常行为检测，结果表明该方法能有效检测出异常时间点及一段时间内的异常行为。
结论与讨论
研究提出的基于 CNN-LSTM 的船舶异常行为实时检测方法，有效解决了传统方法在实时性与精度上的不足。通过融合时空特征的模型构建及 EWMA 去噪算法，显著提升了检测的准确性与鲁棒性。该方法为 VTS（Vessel Traffic Services，船舶交通服务系统）实时监控船舶安全、保障船舶遵守海上交通规则提供了有力工具，有助于海事管理部门及时识别潜在风险并采取措施，对增强海上交通安全与监管效率具有重要意义，为智能海事监管技术的发展提供了新的思路与技术支撑。
