基于深度学习的全球海上异常检测：利用源自航次计划的变换特征

《Engineering Applications of Artificial Intelligence》：Global deep learning-based maritime anomaly detection with transformed features derived from passage plans

　　

海上安全因全球海上贸易的巨量增长所导致的密集船舶交通而变得至关重要。因此，船舶必须具备船上态势感知程序（例如异常检测方法）以避免不安全状况，这一点至关重要。绝大多数最先进的方法侧重于处理基于位置的特征的区域性解决方案，这些方案需要密集的自动识别系统（Automatic Identification System，AIS）消息覆盖，从而限制了这些方案在不同区域的适用性或引入了可扩展性问题。因此，从全球视角进行海上异常检测仍然是一个具有挑战性的问题。在本文中，研究人员从全球视角出发，利用源自航次计划（passage plans）的变换特征（Transformed Features，TF）来解决海上异常检测问题，航次计划是与航次相关的预先构建的计划。研究人员提出了一种名为GeoTrackNet-TF的解决方案，该方案在现有海上异常检测器的基础上通过集成变换特征构建。这种集成实现了位置抽象，并将与位置相关的特征投影到航次计划上。此外，研究人员使用一种解释技术来进一步深入理解所训练模型做出的异常决策。研究人员在无区域限制的全球航行船舶获得的真实自动识别系统消息上评估了所提出的解决方案。实验表明，所提出的解决方案在检测异常船舶航行模式方面提供了合理的结果。

# 论文解读：GeoTrackNet-TF——基于航次计划变换特征的全球海上异常检测方法

## 1. 研究背景与问题

海上贸易约占全球贸易总量的80%，确保海上作业的安全、安保与效率已成为重中之重。由于影响船舶航行的外部因素众多（如恶劣天气条件、人为因素、动态船舶交通等），船舶行为偏离预期的情况极有可能发生，这种偏离可能对船舶安全与效率构成风险。因此，船舶行为监测已成为重要研究课题，其核心任务为海上异常检测——即监测船舶行为以发现偏离预期行为模式的异常模式。

现有主流方法普遍存在局限：绝大多数最先进的方法聚焦于处理基于位置特征的区域性解决方案。以GeoTrackNet框架为例，该方法以“异常是位置相关”为前提假设，通过处理纬度、经度、对地航速和对地航向四种AIS特征建立区域正常模式表征。然而，这种位置依赖性导致训练不同区域需要独立模型，而训练单一全球模型则面临输入表征规模急剧膨胀的问题。此外，在AIS覆盖率稀疏的低交通区域（如公海区域），可能出现异常误报。因此，需要在全球尺度上实现位置抽象，以克服上述挑战。

航次计划为船舶预先构建的航次规划，包含一系列路标点及预期航速、预计到达时间等航行相关信息。由于风浪、交通等复杂因素，船舶实际航行轨迹偏离航次计划的情况在海上高度可能发生，这为机器学习模型捕捉潜在异常偏差提供了契机。同时,已有研究表明，变换后的轨迹表征可提升不同领域中轨迹相关任务的可扩展性和计算效率。基于此，将具有强判别力且与航行运行环境相关的特征纳入异常检测框架，成为提升全球尺度海上异常检测能力的有效途径。

## 2. 研究内容与核心结论

针对上述问题，研究人员提出了GeoTrackNet-TF解决方案，将源自航次计划和AIS消息的变换特征集成到现有GeoTrackNet框架中，实现从全球视角进行海上异常检测。研究利用Navtor AS提供的约1500万条AIS消息，覆盖2019年10月至2023年5月，共6128个航次计划，轨迹长度中位数约为867公里。研究人员设计了AIS-航次计划匹配、变换特征提取、模型训练、异常检测和异常解释五个阶段。变换特征包括相对航次计划的投影归一化横距（N_x）、航次归一化完成度（C）、相对当前航段的航向偏差（β）、船舶偏离走廊的速率（D）、短时交通密度（denst_t）、航次计划总交通密度（dens_p）、计划航速（sog_p）及自由航行区边缘距离（fsa）等，其中N_x和C提供了二维抽象位置表征，替代原始经纬度实现位置抽象。模型沿用了GeoTrackNet的变分循环神经网络（VRNN）核心架构，通过对比反事实检测方案进行异常判定。实验结果表明，GeoTrackNet-TF能够合理检测异常船舶航行模式，在无区域限制的全球AIS数据上验证了方案的有效性。该研究发表于《Engineering Applications of Artificial Intelligence》。

研究人员开展了什么研究？核心在于：将航次计划与AIS消息结合生成变换特征，实现位置抽象与全球尺度异常检测；通过对比实验、专家验证和可解释性分析，验证所提方案的有效性。

## 3. 关键技术方法

GeoTrackNet-TF包含五个阶段。**AIS-航次计划匹配**：根据出发/目的地港口位置和时间戳信息将AIS消息映射到候选航次计划的具体航段。**变换特征提取**：从AIS消息与航次计划联合计算N_x、C、β、D、denst_t、dens_p、sog_p和fsa等标准化特征；其中N_x和C共同构成抽象位置表征，denst_t和dens_p利用六边形层级地理空间索引系统（H3）在分辨率7下统计交通密度。**训练**：基于VRNN架构（单层LSTM隐藏单元数128，潜在维度128）学习AIS轨迹序列的概率分布，使用Adam优化器，学习率3×10^-4，批大小32。**异常检测**：采用对比反事实检测，计算误报次数（NFA），低于预设期望阈值ε时判定为异常。**异常解释**：采用局部可解释模型无关解释（LIME）生成异常决策的特征贡献排序。样本队列来源于Navtor AS提供的全球AIS真实数据。

## 4. 研究结果

### 4.2.1 RQ1：检测异常的定性分析

研究通过与领域专家合作验证检测结果的准确性。专家评估了10条代表性轨迹，确认GeoTrackNet-TF检测到的异常段与专家判断一致。典型异常模式包括：船舶长时间偏离航次计划而不采取修正操作（如绕圈、来回运动等罕见航行模式）；航速突然波动或与计划航速显著不符。例如，从鹿特丹到Sept-Iles的航次中，模型检测到船舶离开后不久进行圆形AIS段（疑似抛锚尝试）、航速显著变化段等异常；从Jaigarh到圣彼得堡的航次中，检测到船舶在丹麦Skagen附近偏离航次计划走廊并违反《国际海上避碰规则公约》（COLREG）的航行行为；从摩洛哥到俄罗斯的航次中，模型检测到船舶在航段末端前显著改变航向离开走廊后又修正回航的行为，专家确认此行为潜在地违反了COLREG。

### 4.2.2 RQ2：对比分析

研究将GeoTrackNet-TF与基准模型GeoTrackNet在相同数据集上进行公平对比。在手动标注的8条轨迹（约86K条AIS消息，含约73K条安全、13K条异常）上，GeoTrackNet-TF获得了最优的归一化混淆矩阵分数：真阴性率（TNR）为0.81，真阳性率（TPR）为0.79，宏F1分数为0.72。GeoTrackNet在经纬度分辨率0.01时TNR为0.46、TPR为0.64；分辨率0.05时TNR为0.60、TPR降至0.57。可视化结果显示，GeoTrackNet在公海区域将大部分AIS段标记为异常（因这些区域数据密度较低），而GeoTrackNet-TF检测结果合理。此外，GeoTrackNet-TF的输入one-hot向量大小约3.6K，相比GeoTrackNet的50K（分辨率0.01）显著缩减约93%，平均训练时间也低于GeoTrackNet。

### 4.2.3 RQ3：异常决策的可解释性

研究采用LIME分析异常决策的特征贡献。对希腊至新加坡航次中靠近陆地的绕圈段，LIME排名前三的特征依次为cog、β和dens_p，表明船舶调整航向完成圆形运动且速度显著下降，对应区域航次计划密度较低；对墨西哥Pajaritos至美国Paulsboro航次中的等待模式段，LIME排名前三的特征为C、sog_p和denst_t，航速波动导致偏离计划航速，另有两条附近船舶，C受等待模式影响；对前文示例中的圆形段，LIME排名前三的特征为β、cog和C，且全部正向显著相关，表明航向变化与计划航向偏差增大，同时航次完成度比率指示了非正常航行模式。

### 4.2.4 RQ4：超参数分析

研究分析了对比反事实检测中的期望误报阈值ε对异常检测结果的影响。将ε从10^-4变化至10^-9，随着ε降低，识别出的异常段数量减少。归一化混淆矩阵显示：ε降低导致错失率（FNR）增加、误报率（FPR）降低；ε升高则趋势相反。这表明ε可解释为对罕见行为的敏感度或容忍度，需根据需求谨慎调整。综合专家意见和实验评分，ε=10^-5是合理的选择。

## 5. 讨论与结论

**讨论方面**，研究人员分析了所提方案的若干权衡：

（1）**输入表征**：由于位置抽象策略，GeoTrackNet-TF的输入one-hot向量大小降至约3.6K，较GeoTrackNet的50K减少了约93%，显著减轻了计算负担。

（2）**位置特定异常**：GeoTrackNet-TF放宽了异常位置依赖的假设，实现全球视角处理；但在狭窄可航行区域或高交通密度区域，特定的位置相关行为模式若不能由抽象位置充分表征，可能导致误报或漏报。

（3）**对航次计划的依赖**：GeoTrackNet-TF需要航次计划作为前置条件。航次计划若存在缺失或不准确数据，或航行中未适当更新，将导致变换特征提取出现偏差，进而造成误报或漏报。此外，固定分辨率用于不同长度轨迹的C特征存在灵敏度差异，但由位置抽象带来的收益可在一定程度上弥补该局限。

（4）**实时异常检测**：AIS数据的不稳定性（如覆盖差、消息间隔长、信息错误）和航次计划过期问题均可能影响检测性能，需实施AIS质量检查和更新航次计划。

（5）**缺乏标注真值**：当前海上异常检测缺乏全球标注数据集，也缺乏异常行为的标准定义，因此采用无监督学习方案，需要专家验证，引入主观性。

**研究结论**：本文提出了GeoTrackNet-TF，该方法通过将AIS消息与航次计划联合处理提取变换特征，用于解决船舶海上异常检测问题。变换特征实现了位置抽象（不直接处理经纬度），以全局视角应对该问题，同时缓解了全球尺度下输入表征尺寸显著增加的问题。GeoTrackNet-TF在无区域限制的全球真实AIS消息上进行了评估，并与GeoTrackNet进行了对比分析。此外，研究采用LIME对异常决策进行可解释性分析。实验和领域专家的评估结果表明，GeoTrackNet-TF在检测异常船舶行为方面提供了合理结果。未来工作包括在线设置下的流式AIS处理与实时异常检测，以及将船舶类型作为输入特征以研究其对异常检测的影响。