基于机器学习与动态时间规整的船舶轨迹异常检测研究

【编辑推荐】为解决船舶轨迹异常行为监测难题，研究人员创新性地将OC-SVM（单类支持向量机）、Isolation Forest（隔离森林）和LOF（局部离群因子）三种无监督异常检测算法与动态时间规整（DTW）等时序相似性度量结合，开发了适用于不同长度轨迹的检测方法。实验表明，该方法在合成AIS数据集和真实雷达-AIS混合数据中均能有效识别航线偏离、禁入区闯入等异常行为，为海事安全监测提供了高效技术方案。

　　

在全球化贸易背景下，船舶承担着90%的货物运输任务，但海盗劫持、非法捕捞等海上异常行为频发，严重威胁航运安全。目前主流的船舶自动识别系统（AIS）虽能提供位置、航速等数据，但面对海量异构轨迹数据，传统基于DBSCAN聚类或欧氏距离的方法难以有效识别异常。尤其当轨迹长度不一或AIS信号中断时，现有技术存在明显局限。

法国国防部创新局支持的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出将三种经典异常检测算法改造为适用于船舶轨迹分析的新方法：OCTS（基于DTW的OC-SVM）、SIFTER（相似性隔离森林）和LOFTER（时序局部离群因子）。通过引入DTW、LCSS（最长公共子序列）等时序相似性度量，解决了轨迹长度不一致的核心难题。研究首先在带标注的合成AIS数据集验证性能，随后拓展至真实AIS-雷达混合数据，成功检测出禁航区闯入、航速异常等5类典型异常。

关键技术包括：1）采用动态时间规整（DTW）度量轨迹相似性；2）无监督适配OC-SVM、Isolation Forest和LOF算法；3）利用合成数据验证（含5类异常标签）；4）整合AIS与雷达多源数据。

【Anomaly detection】章节阐明三种算法的改造原理：OC-SVM通过核函数处理时序数据，Isolation Forest采用随机分割策略，LOF则基于局部密度比较。

【Similarity measures for time series】详述DTW如何对齐不同长度轨迹，其弯曲路径允许时间轴伸缩，更适合船舶变速场景。

【Experiments】部分显示：在合成数据中，OCTS的F1分数达0.92，显著优于传统DBSCAN；真实数据测试发现，雷达补充能有效缓解AIS欺骗干扰，LOFTER对禁入区检测召回率达89%。

结论表明，该方法首次实现无特征提取的端到端异常检测，计算效率满足实时监控需求。未来可结合深度学习提升复杂环境下的泛化能力。这项研究为海事监管部门提供了可解释、易部署的技术工具，对维护海上安全具有重要意义。