一种基于梯度增强与物理原理的框架,用于可解释地检测海上监控中的异常船舶行为

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:A gradient-enhanced physics-informed framework for explainable detection of abnormal ship behavior in maritime surveillance

【字体: 大 中 小 】 时间:2026年08月10日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  •构建了一种可解释的物理信息驱动框架,用于可靠检测船舶的异常行为。•引入了基于梯度优化的物理信息驱动神经网络,用以评估行为趋势的合理性。•提出了一种四维评分机制,用于实现可解释的异常归因。•首创了一种场景感知的自适应阈值策略,结合地理基准与动态更新,以实现更可靠的检测。引言海上安

  
  • •
    构建了一种可解释的物理信息驱动框架,用于可靠检测船舶的异常行为。
  • •
    引入了基于梯度优化的物理信息驱动神经网络,用以评估行为趋势的合理性。
  • •
    提出了一种四维评分机制,用于实现可解释的异常归因。
  • •
    首创了一种场景感知的自适应阈值策略,结合地理基准与动态更新,以实现更可靠的检测。

引言

海上安全是国家安全与全球经济稳定的重要基础。有效的海上监控对于维护这一安全至关重要。自动识别系统能够提供全球船舶交通的高分辨率时空数据,为借助人工智能发展智能海上监控系统提供了可能[1,3];M [14]。异常船舶行为检测旨在从海量AIS轨迹与环境数据中自动识别出与正常或预期航行模式不符的行为[15,36,44];Y [47]a。在海上监控中,异常船舶行为检测是一项具有重大实际意义的任务,它有助于提升管理效率并预防事故。
现有的异常船舶行为检测研究通常侧重于模式识别以及从历史轨迹中学习。异常判断的标准是当前行为是否与历史上的正常行为相似[8,19]。传统的纯数据驱动型检测模型缺乏诸如船舶动力学之类的物理先验知识,往往会将任何偏离常规统计模式的轨迹都判定为异常(Y [47])。在复杂环境条件下,这类错误分类会导致较高的误报率,进而降低系统的可靠性[34]。此外,这类方法的“黑箱”特性使得其可解释性较差,人们难以理解检测结果背后的原因。如图1所示,这种方法还可能导致正常行为被误判为异常,而异常行为却被漏检。例如,为抵消侧风影响而保持特定偏航角的船舶,在数据层面上可能会表现出持续但微小的航线偏差,此类行为就可能被错误地标记为异常。其中的核心难题在于如何分离环境因素的影响[28]。环境对船舶的影响并非简单的随机噪声,而是遵循复杂的船舶动力学规律。因此在受环境干扰的复杂海上环境中,如何建立一种能够以可解释的方式,区分由船舶自身运行意图引发的异常行为与外部环境干扰下的正常物理反应,便成了一个重要挑战。
近期关于知识驱动型异常船舶行为检测方法的研究,探索了将船舶动力学方程与深度学习模型相结合的合作式模型(D [18],P [49])。由于区分船舶动力学方程较为复杂,目前的做法通常是让基于物理的模型与数据驱动型模型并行协作,而非在神经网络学习过程中强行施加物理约束。例如,Kanazawa等人[[10],2022b]以及Skulstad等人的研究[40]就利用数据驱动型模型来弥补基于物理的模型所产生的位置误差。这些研究证实了基于物理的模型的实用性,也验证了这类合作架构的可解释性。然而,这种协作策略未能将物理信息融入神经网络的训练过程,这可能限制了其可解释性的深度。同时,它还需要事先掌握船舶的物理参数,如水动力系数等,这也限制了该方法在不同水域场景和不同类型船舶上的适用性与稳定性。不过,T. Wang等人2025年的研究是个例外,他们提出使用物理信息驱动神经网络来识别船舶的横摇动力学,并将环境干扰纳入模型学习过程中。该团队证明,与纯数据驱动型方法相比,他们的方法在存在环境干扰的情况下仍能更精准地检测出船舶的横摇行为。受此启发,我们着手研究一种基于船舶动力学方程、并由神经网络引导的异常检测方法,通过提升其可解释性,从而检测出那些符合物理规律的突然物理行为。
在异常船舶行为检测的应用研究中,另一个关键方面是对异常检测阈值的动态调整[43]。在现有研究中,这一阈值通常是通过高斯分布拟合等统计方法为特定场景预先确定的[2,51]。然而,实际的航行环境往往涉及多种地理功能区域的交汇,比如狭窄航道、汇聚区、开阔水域以及港口进港区域。此外,船舶还会因外部环境因素而改变其航行轨迹(R. W [21,53])。全局静态阈值既无法感知场景的变化,也无法考虑到船舶在特定区域的新的正常行为模式[27]。如果提高阈值以减少误报,就可能会漏掉那些在环境条件掩盖下发生的、更为隐蔽的真正异常行为。因此,如何构建一种强大的自适应阈值策略,充分利用先前的地理知识,并能够实时在线微调以适应当地的航行状况,仍然是一个亟待解决的难题。
综上所述,当前的海上异常船舶行为检测方法存在若干局限性。其一,没有物理指导的神经网络模型难以充分捕捉船舶在抵御环境干扰时的物理行为变化,这就导致了较高的误报率,尤其是在环境力量增强的情况下,而且这类模型往往缺乏清晰的可解释性。其二,异常检测阈值对场景变化的适应性不足,导致其在不同的连续水域区域进行异常检测时稳定性较差。为了解决这些问题,本研究旨在将研究思路从依赖经验的方法转变为基于物理的因果推理方法。我们构建了一个基于领域知识的异常船舶行为检测框架,该框架采用了基于梯度优化的物理信息驱动神经网络与场景感知自适应阈值相结合的方法。所提出的方法不仅关注表面的行为模式,更以物理一致性作为核心标准,来判断每项船舶行为是否符合其当前所在环境中的物理因果规律。本研究的主要贡献如下:
  • •
    开发了一种基于gPINNs的模型,用于推断和预测船舶行为的物理规律。该模型中的物理参数化网络组件专为环境感知而设计。此外,还引入了一种融合了物理残差时间梯度的混合损失函数,以此确保行为趋势的物理合理性,从而使模型具备物理可解释性。
  • •
    提出了一种四维可解释异常量化方法。该方法将复杂的异常行为根据物理残差及其梯度分解为四维特征向量。
  • •
    设计了一种场景感知自适应阈值策略。该策略采用两级自适应阈值设计,一方面以地理场景为基础设定宏观层面的阈值,另一方面则根据实时航行状态确定微观层面的情境感知阈值。这样的设计提升了决策过程的情境感知能力与稳健性。
本文的其余部分结构如下。第2节回顾了异常船舶行为检测的相关文献,重点探讨了知识驱动型深度学习理论在海上系统中的应用。第3节介绍了所提出的gPINNs-SAAT方法。第4节通过大量案例研究验证了该方法的有效性。第5节分析了研究结果并指出了存在的局限性。最后,第6节总结了主要研究结论,并提出了未来研究的方向。

各章节要点

文献综述

为了实现实时、可靠的异常船舶行为检测,研究人员通过多种技术路径进行了大量探索,这些路径包括规则/阈值法、统计方法、机器学习、深度学习以及混合/物理信息驱动方法[5,35,43]。数据驱动型研究主要运用统计规则、机器学习以及深度学习技术来进行模式挖掘。然而,复杂的现实世界环境促使人们开始转向整合领域知识,以提高方法的可解释性(Y [46)

所提出的方法

gPINNs-SAAT方法论框架是基于“先预测再检测”的逻辑构建的。其整体工作流程如图2所示。首先,将船舶的实时AIS数据以及同步的气象数据输入到经过知识增强处理的gPINNs模块中。该模块不仅会根据历史轨迹预测船舶的未来行为,还会利用内置的船舶动力学方程,持续评估船舶行为的物理一致性,进而输出相应结果

案例研究

我们将所提出的gPINNs-SAAT框架与几种基准模型进行了对比测试,旨在验证以下假设:(1)相比纯数据驱动型的基准模型以及传统的一阶物理信息驱动神经网络,融入物理定律的gPINNs模型具有更高的预测精度与更强的稳健性。(2)四维评分机制中源自物理原理的组成部分,对于实现可解释且精准的异常检测至关重要。(3)SAAT策略相比静态阈值或简单自适应阈值,能够实现更强大、更精准的异常检测

该研究在海上监控中的应用

所提出的gPINNs-SAAT框架深度融合了物理知识,为海上监控实践提供了一种具有可解释性的决策框架。它的应用价值主要体现在以下三个方面:
(1) 实时风险预测与归因。传统的海上监控系统往往仅依赖监测船舶的位置和速度等基本状态,或者使用纯数据驱动型模型来进行异常判断。这些方法很容易出现高误报率

结论

为了解决在复杂海上环境中准确区分正常物理反应与实际异常操纵行为的难题,本研究提出了一种深度融合领域知识的可解释异常船舶行为检测框架,即gPINNs-SAAT框架。该框架实现了从“依赖经验”的研究思路向“基于物理的因果推理”思路的转变,从而提升了检测的精度、稳健性以及可解释性。本研究的主要贡献与结论总结如下:
首先,

未引用参考文献

[9,16,22,23,32]

CRediT作者贡献说明

王玉宽:撰写——初稿、验证、方法设计、研究实施、资金获取、概念构思。刘文睿:撰写——审阅与编辑、监督指导。刘景贤:资源协调、研究实施、资金获取。杨立超:软件工具使用、数据整理。Miquel Angel Piera Eroles:监督指导。刘阳:撰写——初稿、验证、形式分析。
王玉宽|刘文睿|刘景贤|杨立超|Miquel Angel Piera Eroles|刘阳
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