《Sustainability》：AIS-Based Abnormal Ship Behavior Detection for Sustainable Maritime Traffic Management Using a Dual-Error Fusion LSTM–Transformer Framework
编辑推荐：
异常船舶行为检测对海上交通监视、航行安全与风险防范具有重要意义。然而现有方法常依赖手工特征或单一重构/预测信号，限制了对持续轨迹异常与突发运动变化的联合检测能力。研究人员提出一种双误差融合长短期记忆网络—Transformer框架（DEFLT），用于基于AIS
异常船舶行为检测对海上交通监视、航行安全与风险防范具有重要意义。然而现有方法常依赖手工特征或单一重构/预测信号，限制了对持续轨迹异常与突发运动变化的联合检测能力。研究人员提出一种双误差融合长短期记忆网络—Transformer框架（DEFLT），用于基于AIS的异常船舶行为检测。首先通过融合地理位置、对地航速（SOG）、对地航向（COG）及其时变特征构建运动感知船舶表示；长短期记忆网络自编码器（LSTM-AE）重构历史轨迹窗口，Transformer预测后续船舶状态，标准化后的重构误差与预测误差融合为统一异常分数，以互补获取历史不一致与未来突变证据。实验采用2019年9月丹麦四片水域真实AIS数据，考察超速、偏航、徘徊与航线偏离四类异常。相较于K近邻（KNN）、局部离群因子（LOF）、孤立森林、随机森林、LSTM-AE与Transformer，DEFLT在四区域F1分数达0.96、0.97、0.88、0.93；类型级Macro-F1为0.61–0.86，Macro-Recall为0.88–0.96。Friedman与Wilcoxon检验证实其显著优于基线。该框架可作为船舶交通服务（VTS）与港口当局的告警优先级工具，提升海上协调的安全性与资源效率。
研究背景与动机
海上运输是全球贸易与港口物流的支柱，自动识别系统（AIS，Automatic Identification System）持续记录时间戳、地理位置、对地航速（SOG，speed over ground）、对地航向（COG，course over ground）等信息，为异常船舶行为检测提供核心数据源。可持续海上交通不仅依赖环境绩效，也依赖安全、可靠与高效的交通系统。早期研究多采用基于规则、统计、概率与聚类的方法，性能受人工阈值与距离度量制约，且难以区分超速、偏航、徘徊与航线偏离等异质异常。机器学习方法虽能学习复杂边界，仍受手工特征与参数影响；深度学习方法可直接从序列学习时空表示，但多数仅依赖单一重构或预测机制——重构型长短期记忆网络自编码器（LSTM-AE，LSTM autoencoder）擅长捕捉历史窗口内持续异常，却对窗口末端突发变化不敏感；预测型Transformer擅长捕捉历史到未来的突变，却忽略历史窗口内已有持续异常。为互补两视角，研究人员在《Sustainability》发表本研究，提出双误差融合LSTM–Transformer框架（DEFLT，Dual-Error Fusion LSTM–Transformer）。
主要关键技术方法
研究人员使用2019年9月丹麦Skagen、Oresund、Great Belt、Fehmarn Belt四片水域真实AIS数据，按时间切分70%训练（仅正常窗口）与30%测试。原始记录经去重、去非法跳变、线性插值与网格对齐后，构建含纬度、经度、SOG、COG及其一阶差分ΔSOG、ΔCOG的运动感知状态向量，各维独立标准化。滑动窗口取T个连续标准化状态：LSTM编码器—解码器重构整个历史窗口得重构误差Erec；Transformer编码器接收同窗口并预测下一标准化状态得预测误差Epred；两误差用训练集均值方差标准化后按权重α融合为异常分数S=α·?rec+(1?α)·?pred，取训练集分位数定阈。检测出的异常窗口再算ΔSOG、ΔCOG、轨迹冗余度（累计路程/净位移）、航线偏离距四类运动级指标，以最大标准化偏离判定行为类别。基线含KNN、LOF、Isolation Forest、Random Forest、LSTM-AE、Transformer，五随机种子重复。
研究结果
3 方法论
3.1 轨迹表示与异常构造：定义四类异常的数学扰动——超速改SOG剖面、偏航改COG剖面、徘徊用局部投影坐标圆轨公式、航线偏离用参考航线法向位移；均只在测试集正常轨迹上生成，用于评估。
3.2 LSTM重构：公式(18)–(21)给出门控循环编码瓶颈向量与解码重构，以Frobenius范数计窗口重构误差，正常训练最小化该误差使模型记忆正常时序结构。
3.3 Transformer预测：公式(23)–(29)做嵌入+位置编码、多头自注意力（MHA）、前馈与层归一化，取末位隐状态回归下一状态，MSE计预测误差。
3.4 双误差融合与输出：公式(32)–(35)标准化融合得分数与二值标签；公式(36)–(37)以运动级特征归因行为类型。算法1分训练、校准、检测三阶段。
4 实验设置
四丹麦水域2019年9月AIS，T对应固定时长，70/30时序切分，超参仅由训练集定；评价用Precision、Recall、F1、AUC与Macro-F1。
5 结果讨论
5.1 整体检测：DEFLT在四区F1为0.96/0.97/0.88/0.93，AUC 0.99–1.00；LSTM-AE均F1≈0.86，Transformer≈0.84，传统方法<0.60，随机森林0.70–0.78。双分支互补带来0.05–0.13相对LSTM-AE、0.08–0.11相对Transformer的提升。
5.2 组件消融：完整体相对最强单支提0.08，相对次优融合策略提0.02，去ΔSOG/ΔCOG提0.04。
5.3 类型识别：二值F1高但Macro-F1降至0.76/0.86/0.61/0.62；各类F1平均徘徊0.92、超速0.84、航线偏离0.57、偏航0.53。偏航易与合法转弯混淆，Precision在Great Belt与Fehmarn Belt仅0.23、0.32但Recall 0.89–0.95。图6案例显示单支与传统法漏检短时段异常，DEFLT全检。
5.4 统计分析：16个区域—行为任务上Friedman χ2=89.14, p<0.001, Kendall W=0.893；DEFLT平均秩7.00。Wilcoxon配对（Holm校正）对六基线调整p=0.0002，matched-pairs rank-biserial相关系数1.00。相对Transformer按行为平均F1提升：偏航0.263、航线偏离0.230、超速0.153、徘徊0.118。
5.5 计算效率：窗口长T时LSTM线性、Transformer平方复杂度；RTX 4070上DEFLT吞吐18420窗/秒，万窗543 ms，峰值显存1.78 GB，较单支更贵但具VTS部署余量。
讨论与结论翻译
讨论指出，双误差融合同时评估回溯一致性与前瞻惊喜，标准化使误差可比，运动指标分离检测与归因；二值检测可靠于类型归因，偏航与合法转弯、航线偏离与合法过渡的区分是主要挑战。结果仅在2019年9月丹麦数据分布内稳健，未验证跨季节/区域/未知行为泛化；异常标签为构造扰动而非核实事故，故框架反映的是在真实背景中检测四类受控扰动的能力，而非紧急事件或违法活动识别。AIS运动本身不能区分风险异常与天气/分道/港口授权导致的罕见合法机动。
结论部分翻译：本研究提出DEFLT，以LSTM-AE重构运动感知历史窗口、Transformer预测后续状态并融合标准化双误差为单一异常分数。四丹麦水域整体F1为0.96/0.97/0.88/0.93，AUC 0.99–1.00，均F1 0.94（LSTM-AE 0.86、Transformer 0.84）。类型级Macro-F1为0.76/0.86/0.61/0.62，Macro-Recall 0.88–0.96；徘徊类F1 0.92最高，偏航0.53最低。Friedman检验χ2=89.14, p<0.001, W=0.893，Holm校正后所有配对p=0.0002。DEFLT处理18420窗/秒、万窗543 ms、显存1.78 GB。方法上以双误差替代单残差，标准化保可比，运动指标分离检测与归因。该告警宜用于VTS优先级排序而非自动裁决。局限含构造标签非真实事故、未测分布偏移与跨域泛化。未来将融入船型、分道规则、气象与航道约束，并用专家核实事故做外部验证，探索域适应与在线更新。
