基于轨迹的异常检测方法：通过轮廓监测分析船舶运动模式

《Engineering》：Trajectory-based anomaly detection of vessel motion patterns using profile monitoring

本文提出一种基于轨迹的两阶段实时海上异常检测框架。第一阶段改进DBSCAN算法提取同一路线轨迹，第二阶段通过统计过程控制模型分析轨迹模式。实验表明该方法在减少误报率、检测更广异常类型方面优于传统点基方法。

　　在海洋运输领域，船舶异常检测对于保障海上交通的安全至关重要。传统的检测方法主要依赖于船舶上安装的自动识别系统（AIS）所发送的实时数据，这些数据包括位置、速度、航向以及与安全相关的信息。然而，这些方法往往仅考虑船舶当前的AIS信息，忽略了历史轨迹数据，导致在识别航向偏差或异常加速度等方面存在局限。为了弥补这一不足，我们提出了一种基于轨迹的双阶段监测框架，用于实时异常检测，以充分利用历史航行信息。

### 异常检测的重要性

海洋运输是全球贸易的主要方式，占全球商品流通的80%以上。然而，海上交通面临诸多不可预测的因素，如天气变化和洋流影响，这些因素使海上运输事故的发生率高于陆地运输。历史上发生的众多海上事故强调了提前识别潜在冲突情况（如碰撞风险和船舶异常）的重要性。因此，基于实时船舶运动数据的监测和异常检测方法被广泛应用于海洋运输行业，因为早期发现异常能够帮助操作人员及时采取措施，以防止经济损失和人员伤亡。

### 现有方法的局限性

目前，船舶异常检测方法主要分为两大类：随机方法和机器学习方法。随机方法通过参数化或非参数化的方式对轨迹中的数据点进行建模，然后利用估计的分位数作为异常检测的阈值。例如，高斯混合模型（GMM）和核密度估计（KDE）是两种常见的随机方法。根据文献综述，KDE方法在检测异常方面通常表现更好，并受到越来越多的关注。另一方面，机器学习方法如支持向量机和神经网络也被用于海上异常检测。值得注意的是，基于噪声的密度聚类算法（DBSCAN）作为一种经典的数据聚类方法，逐渐成为检测异常数据点的流行技术。一些研究者通过改进DBSCAN，将其应用于轨迹数据的建模，以识别异常行为。

然而，大多数现有的异常检测方法仅依赖于船舶当前的位置和速度信息，而不考虑其历史轨迹。在构建异常检测模型时，这些方法将所有轨迹的AIS数据点视为相同的，忽略了轨迹本身的特征。因此，这些方法通常被称为基于点的检测方法。基于点的检测方法通过聚类或构建船舶运动数据点的正常分布，并基于该分布设定异常阈值来识别异常。然而，这种方法无法区分具有不同交通模式的船舶，只要它们的轨迹在相同的海域重叠，就可能将异常行为误判为正常。此外，由于船舶当前状态仅基于其最新的AIS数据进行评估，其正常或异常状态可能频繁波动，导致操作人员在决策过程中产生不确定性。

### 轨迹分析的优势

为了克服基于点的方法的局限性，我们提出了一种基于轨迹的分析方法，该方法能够充分利用历史轨迹数据，实现更准确的异常检测。与基于点的方法相比，基于轨迹的方法不仅考虑船舶当前的运动状态，还结合其在特定航线上过去的行为，从而更全面地评估船舶的航行状态。这种方法能够捕捉到船舶在航行过程中的行为变化，而不仅仅是其当前的位置和速度。例如，一艘船舶在某一航线上突然转向，基于点的方法可能无法识别这种异常，因为轨迹点在转向后仍然被归为同一组，而基于轨迹的方法则能够通过分析轨迹的演变过程，识别出这种行为的变化。

### 研究方法与框架

本研究提出了一种基于轨迹的双阶段监测框架，用于实时异常检测。第一阶段是轨迹聚类，旨在将轨迹划分为不同的航线，以便后续的异常检测能够基于这些航线进行。第二阶段是基于轨迹的异常检测，将每条轨迹视为一个“轮廓”（profile），并构建监测统计量和控制图，以识别异常行为。我们采用DBSCAN算法进行轨迹聚类，并通过轨迹之间的距离进一步优化聚类结果。此外，我们引入相对时间的概念，以克服由于船舶速度差异导致的轨迹位置偏差问题，从而提高异常检测的准确性。

### 数据集与实验

本研究使用的数据集是一个AIS数据集，涵盖了2019年1月至2020年8月期间在新加坡海峡进行多航次的50艘集装箱船的航行数据。这些船舶的长度范围为150至400米，宽度范围为25至65米。每艘船舶有多个轨迹，轨迹被定义为船舶在港口之间不中断的航行路径。总共收集了1,461条轨迹，覆盖了相当大的海域范围。数据集中的信息包括船舶的位置、速度、航向以及安全相关数据。

为了验证我们提出的框架的有效性，我们对数据集进行了预处理，去除了异常数据点，并正确标注了轨迹。随后，我们利用基于轨迹的聚类方法对轨迹进行分类，并基于这些分类进行异常检测。通过比较基于点的方法和我们提出的基于轨迹的方法，我们发现后者在检测异常行为方面具有更高的准确性和更低的误报率。

### 实验结果与讨论

在实验过程中，我们对基于轨迹的方法进行了全面的测试，并与基于点的方法进行了对比。结果表明，基于轨迹的方法在检测异常行为方面表现更优，能够识别更广泛的异常情况，并且误报率更低。此外，我们还通过模拟不同类型的异常行为，进一步验证了我们提出的方法的有效性。模拟结果表明，基于轨迹的方法在处理各种异常行为时具有更高的鲁棒性和准确性。

### 研究贡献

本研究的主要贡献包括三个方面。首先，我们提出了一种基于轨迹的实时异常检测框架，与传统方法相比，该框架能够充分利用历史轨迹数据，从而更全面地评估船舶的航行状态。其次，我们将基于轮廓的监测方法引入到海上异常检测中，这一方法在制造业中被广泛用于质量控制，但在海上运输领域尚属较少研究。最后，我们开发了一种基于轨迹聚类的双阶段路线提取算法，并设计了一种定制化的控制图机制，用于异常检测。这些方法不仅为实际应用提供了支持，还为该领域的研究提供了新的思路和方法。

### 未来展望

随着海上运输的不断发展，船舶异常检测的需求也在不断增加。传统的基于点的方法在处理复杂交通模式和动态变化时存在局限，而基于轨迹的方法则能够更好地应对这些挑战。未来的研究可以进一步探索基于轨迹的方法在不同海域和不同船舶类型中的适用性，并结合更多的数据来源，如卫星遥感数据和雷达数据，以提高异常检测的准确性和实时性。此外，随着人工智能和大数据技术的发展，基于轨迹的异常检测方法有望在更复杂的场景中得到应用，例如智能航运系统和自动驾驶船舶的导航监控。

总之，本研究通过提出一种基于轨迹的双阶段监测框架，为海上异常检测提供了一种新的方法。该框架不仅能够提高异常检测的准确性，还能够减少误报率，为操作人员提供更可靠的决策支持。未来的研究将继续完善这一框架，并探索其在更广泛的应用场景中的潜力。