基于无监督深度学习的船舶异常身份检测方法研究

为解决船舶通过篡改身份信息逃避海事监管的难题，研究人员提出了一种基于自动编码器(Autoencoder)和多维隔离森林(MIF)的无监督深度学习模型。该方法通过融合轨迹显隐特征，有效解决了高维空间中距离度量失效问题，在AIS数据实验中显著优于现有基线，为海事安全智能监测提供了新范式。

　　

随着全球90%贸易量依赖海运，船舶数量以每年3-4%的速度增长，非法船只通过篡改船舶自动识别系统(AIS)身份信息从事走私、非法捕捞等活动的现象日益猖獗。仅非法捕捞每年就造成230亿美元经济损失，但传统人工监测存在漏检率高、主观性强等问题。现有基于规则或监督学习的方法难以应对复杂多变的海洋环境，特别是高维轨迹数据中异常模式的识别困境。

针对这一挑战，国内研究人员创新性地提出融合深度学习和孤立森林算法的无监督检测框架。研究首先设计基于Kolmogorov-Arnold卷积注意力网络(KACAN)的自动编码器，从AIS轨迹中提取显性特征（如速度、航向）与隐性特征（如行为模式）；继而开发多维隔离森林(MIF)算法，解决高维空间中传统距离度量失效的难题。实验采用10分钟间隔采样的真实AIS数据，包含公开数据集和自主采集数据。

方法论
通过自动编码器实现轨迹特征的降维与重构，结合规则计算的显性特征形成混合特征向量。MIF算法通过随机划分特征空间实现异常评分，其核心创新在于多维空间中的孤立切割策略。

数据集
整合香港城市大学等公开AIS数据集，采用10分钟采样间隔平衡计算效率与轨迹精度。数据预处理包括轨迹分段、特征归一化及噪声过滤。

结论
该方法在异常身份检测的准确率和召回率上分别提升18.7%和22.3%优于基线模型。KACAN网络对复杂轨迹的特征提取效率较传统方法提高34%，MIF算法在高维检测中的F1-score达到0.89。

这项发表于《Ocean Engineering》的研究，首次实现无监督条件下船舶身份与行为的一致性验证。其价值不仅在于技术层面的特征融合与高维处理突破，更构建了可扩展的海事监管框架，为打击IUU捕捞等国际性难题提供了可落地的AI解决方案。研究团队特别指出，未来可结合卫星遥感数据形成多维监管网络，进一步强化全球海洋治理能力。