基于船舶轨迹的异常检测半监督深度学习方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Semi-supervised Deep Learning Method for Abnormal Detection Based on Ship Trajectory

【字体: 大 中 小 】 时间:2026年08月05日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  •本文提出了一种半监督方法,用于检测船舶轨迹的异常情况。•针对湖泊中密集的AIS船舶轨迹,设计了自适应网格划分方法。•动态加权联合损失函数能够平衡重建与分类任务。•一种联合学习框架可提升在标签有限条件下的检测性能。引言近年来,随着自动识别系统在全球海上监控中的广泛应用,船舶轨迹分

  
  • •
    本文提出了一种半监督方法,用于检测船舶轨迹的异常情况。
  • •
    针对湖泊中密集的AIS船舶轨迹,设计了自适应网格划分方法。
  • •
    动态加权联合损失函数能够平衡重建与分类任务。
  • •
    一种联合学习框架可提升在标签有限条件下的检测性能。

引言

近年来,随着自动识别系统在全球海上监控中的广泛应用,船舶轨迹分析已被广泛用于海上态势感知、异常行为识别以及自主船舶的协同控制等领域[[1], [2], [3], [4], [5]]。然而,在实际获取和传输AIS数据的过程中,由于设备故障、通信中断或人为干预等原因,常常会出现轨迹突变、位置偏移以及数据缺失等异常情况。为了更好地监测和分析船舶行为,为海上管理提供准确有效的决策支持,高效地识别大规模轨迹数据中的异常值、航线偏差及异常行为模式显得尤为重要[[6], [7], [8]]。在实际应用中,异常轨迹可能与风险相关的行为相关,比如偏离预定航道、异常绕行、非法停靠、碰撞风险增加或潜在的污染事件。如果不能及时有效地识别和分析这些轨迹,将会对水上航行安全、港口调度效率、货物运输可靠性以及客船的运营安全造成不利影响。因此,轨迹异常检测不仅是智能海上分析中的关键技术问题,也是实现智能船舶运行监控、航运系统风险预防以及水上交通安全管理的重要基础。尤其是在湖泊航行环境中,与海洋相比,船舶活动更为密集,航线分布更加集中,轨迹重叠程度更高,这使得异常轨迹更难以被察觉,给识别和监控带来了更大挑战。内陆水域和港口附近区域也存在类似的高流量情况[9,10]。
现有的方法依赖于大量带标签的样本进行模型训练,因此存在明显的局限性。一方面,AIS数据往往缺乏完整的辅助属性(如船舶类型、速度、目的港等信息),这使得基于规则或特征工程的异常检测方法难以适应复杂多变的航行行为。另一方面,手动标注轨迹样本成本高昂、耗时且具有高度主观性,这严重限制了传统监督学习方法的通用性和实用性。因此,在标签有限的条件下准确识别偏离航线和异常绕行等高风险行为,已成为海上智能分析领域的关键挑战。
船舶轨迹异常检测是轨迹数据分析中的重要预处理步骤[[11], [12], [13]],它对后续的轨迹聚类[[14], [15], [16]]、船舶类型识别[17]、避碰预测[18,19]以及轨迹预测[[20], [21], [22], [23]]等任务起着至关重要的作用。随着AIS数据的广泛应用,轨迹模式挖掘[24,25]已成为海上交通研究中的重要研究方向,其中异常检测是其核心任务。它在智能行为理解、交通监控以及风险预警等方面发挥着重要作用[26]。为了解决这一问题,研究人员提出了多种轨迹异常检测方法,主要包括基于规则匹配的方法[27]和基于深度学习的建模方法[28]。不过,基于规则匹配的方法通常依赖预定义的阈值或专家经验,其在描述船舶轨迹复杂的空间结构及行为变化方面的能力有限,难以适应不同水域和交通条件下的异常检测需求。虽然深度学习方法具备强大的序列建模能力,但大多数方法仍需要大量带标签的样本,而未标记AIS轨迹中蕴含的潜在结构信息也尚未得到充分利用。因此,在船舶轨迹高度重叠、异常行为较难被发现且带标签样本有限的湖泊航运场景中,现有方法仍然难以在统一框架下同时描述轨迹的空间分布特征并从未标记样本中挖掘潜在模式。为解决这一问题,本研究提出了一种基于船舶轨迹的半监督深度学习异常检测方法——Semi-STAD。该方法将原始的AIS轨迹转换为具有空间结构的网格序列,并在统一的学习框架中整合带标签样本的判别信息与未标记样本的潜在结构信息。这样一来,即使在样本标注有限的情况下,也能充分利用轨迹特征,从而实现更清晰的类别边界和更高的检测精度,如图1所示。
综上所述,本研究的主要贡献如下:
  • (1)
    本文引入了核密度估计与自适应网格划分相结合的方法,将原始轨迹转换为统一的、结构化的网格序列表示形式。该方法既保留了轨迹的空间分布特征,又提升了模型在不同密度区域识别轨迹行为的能力。
  • (2)
    本研究设计了一种半监督深度学习框架,该框架结合了卷积-反卷积自编码器与Transformer分类模块,将无监督的重建学习与有监督的分类优化相结合,有效提升了模型识别复杂异常轨迹的能力。
  • (3)
    在真实的湖泊区域AIS数据集上的实验表明,该算法在船舶密度高且路径重叠频繁的复杂湖泊环境中,其检测性能显著优于现有的监督学习和无监督学习方法。
本文的其余结构如下:第2节介绍现有的轨迹异常检测方法,第3节阐述所使用的定义及相关概念,第4节描述所提方法的工作框架,第5节给出实验评估结果,第6节对全文进行总结,并提出未来工作的建议。

各章节要点

相关工作

现有的船舶轨迹异常检测方法可分为基于规则匹配的方法和基于深度学习的方法两类。

问题描述

从管理角度而言,船舶轨迹异常通常表现为那些偏离正常空间分布或航行行为模式的、具有较高风险的轨迹。轨迹异常检测旨在从大规模的AIS数据中识别出具有异常空间模式或运动特征的船舶行驶路径。本研究主要关注那些偏离正常空间分布或运动行为的异常轨迹。

船舶轨迹异常检测

为了解决在标签样本有限的情况下识别船舶轨迹异常的难题,本研究提出了一种基于船舶轨迹的半监督深度学习异常检测方法——Semi-STAD,其工作框架如图4所示。该方法围绕三个关键问题展开设计:轨迹的空间结构表示、从未标记样本中挖掘潜在特征,以及轨迹序列的时间依赖性建模。具体而言,

实验部分

实验是在配备Core (TM) i7-14650HX处理器和NVIDIA GeForce RTX 4060显卡的笔记本电脑上进行的。操作系统为Windows 11,所提出的算法是通过Pytorch实现的。
在分类模块中,Transformer分类模块包含三层编码器,每层有四个注意力头,之后是一个两层的全连接分类器,用于输出正常轨迹和异常轨迹的分类概率。在训练过程中,模型

结论

与开阔海域相比,湖泊航行环境更为封闭,船舶活动更为密集,轨迹重叠程度也更高,这就使得准确识别异常轨迹的需求更为迫切。然而,轨迹标注的成本高昂且具有较强主观性,这严重限制了传统监督学习方法在复杂场景中的应用和扩展性。为了解决这些问题,本文提出了一种基于半监督深度学习的

CRediT作者贡献说明

徐东升:撰写——初稿、验证、软件、方法论、正式分析、概念构建。杨佳轩:撰写——审阅与编辑、监督、资源协调、项目管理、资金筹集。王帅:可视化、软件、资源协调、调研。C. Guedes Soares:撰写——审阅与编辑、资源协调、项目管理、资金筹集。
Dongsheng Xu|Jiaxuan Yang|Shuai Wang|C. Guedes Soares
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号