船舶行为检测是海事监控和管理的重要内容,它对于船舶安全航行、港口正常作业生产、海洋环境保护和防止各种水上非法活动具有重要意义。随着越来越多的船舶安装了AIS系统,大量AIS数据的积累为研究船舶运动规律和进行船舶异常行为检测提供了新的途径。本文对近年来AIS数据在船舶异常行为检测方面的研究进展和所取得的成果进行总结和评述,分析了现有方法存在的问题和面临的挑战,指出了AIS数据在船舶异常行为检测方面的主要研究方向。 Maritime behavior detection is critical for maritime surveillance and management. It is important for ship’s safe sailing, normal production at ports, marine environmental protection, water illegal activities prevention and so on. With more and more AIS systems are installed on board, massive amounts of AIS data have been accumulated, which provides us with promising ways to investigate the law of ship motions and the detection of abnormal behaviours. In this paper, various algorithms used for detecting abnormal behaviours of ship are reviewed and commented, and the challenge of researchers in this field faced is then pointed out, in the end, the perspectives in this realm are also proposed.
张树波1,唐强荣2
1广州航海学院计算机系,广东 广州
2广州航海学院海运系,广东 广州
收稿日期:2015年10月19日;录用日期:2015年11月6日;发布日期:2015年11月9日
船舶行为检测是海事监控和管理的重要内容,它对于船舶安全航行、港口正常作业生产、海洋环境保护和防止各种水上非法活动具有重要意义。随着越来越多的船舶安装了AIS系统,大量AIS数据的积累为研究船舶运动规律和进行船舶异常行为检测提供了新的途径。本文对近年来AIS数据在船舶异常行为检测方面的研究进展和所取得的成果进行总结和评述,分析了现有方法存在的问题和面临的挑战,指出了AIS数据在船舶异常行为检测方面的主要研究方向。
关键词 :AIS数据,异常行为,船舶航迹,行为建模,异常检测
随着世界经济的发展,水上交通运输承担着越来繁重的任务,与此同时,伴随着人类对海洋的开发和利用,各种渔船、勘探船和水上作业船也日益增多,水上交通活动日益繁忙、复杂。在正常的船舶运输、作业活动之外,存在各种利用船舶进行非法活动的行为,如走私、劫持、海盗、非法移民、非法作业等[
船舶自动识别系统(Automatic Identification System, AIS)是一种集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备,它通过自身接口连接船上的GPS定位仪、测深仪、电罗经等采集各种船舶航行动态信息,显示在电子显示屏上为操纵人员提供船舶的实时航行信息;同时也通过系统的发射设备将船舶的静态和动态信息发送到附近的岸上基站或者卫星上,在这个过程中,周围船舶和交管中心均能够收到这种信息。AIS发送的信息包括船舶身份、船舶位置、吃水、航速、船首向、船舶类型、船舶长度、宽度。AIS设备的使用积累了大量的船舶航行数据,为利用数据挖掘技术对正常行为建模,并据此对船舶的异常行为进行检测提供重要的基础数据。基于AIS的船舶异常行为检测就是根据输入的船舶航行信息,对其航行的正常性进行评估和预警。重点需要解决如下几个问题:1) 航迹分割;2) 正常行为建模;3) 异常检测。本文围绕这几个方面进行综述,重点总结近年来基于AIS数据的船舶异常行为检测方面所取得的成果;探索该领域面临的问题和今后的研究方向。第2节讨论异常行为检测的含义和影响因素;第3节讨论船舶异常行为检测的研究内容;第4节讨论基于AIS数据的船舶异常行为检测方法;第5节指出基于AIS数据的船舶异常行为检测方面未来的研究方向。
“异常”这个词在不同的情况下有不同的含义,根据维基百科的定义,异常指的是我们观测到的事物与人们所期望的、现有准则、现有科学理论所不同的现象 [
在水上交通管理方面,船舶是航海领域的行为主体,船舶异常行为是指船舶非正常偏离航道、航向,突然加速、减速,出现在不该进入的区域等,这些行为往往与走私、醉驾、碰撞、劫持、海盗、恐怖主义等相关 [
船舶的异常行为与船舶经过的航迹和船舶所处的位置密切相关,船舶经过的航迹不符合该类型船舶正常的运动规律,或者船舶在特定的时间处于不合适的位置,都可以被看作异常,应该引起监控部门的注意和重视。Martineau和Roy [
图1. 船舶异常行为分类
基于AIS数据的检测方法是随着海事领域数据大量积累而发展起来的一类方法,这类方法采用机器学习理论和数据挖掘技术,直接从数据中学习船舶行为知识,并根据学到的知识对船舶未来的航迹进行预测和监控。基于数据的方法包括航迹分割、正常行为建模和异常行为检测三个基本环节。
由上面的讨论可知,船舶行为异常可能是由于它出现的位置不合适,也可能是由于它的运动不符合常规。但是不论那种异常,都是与船舶的航行轨迹相关的,因此,检测船舶的异常行为必须从其航迹入手。理论上,船舶的航迹是一个连续的过程,这种连续的数据不适合与计算机处理,因此航迹必须被离散化。事实上,船舶的AIS系统不是连续地发送数据,而是每隔一段时间发送一次数据,我们能够处理的AIS数据是离散的时间序列,即是由一个个的点构成。研究船舶运动轨迹有两种思路:1) 以航迹点的观点来分析 [
第一种方法以船舶出现的位置以及在该位置的速度、航向等为特征来刻画船舶的行为,首先用网格化的方法将海区分片 [
为了更好的刻画船舶运动行为,大量的研究集中在对航迹分片的方法上。在众多的移动物体轨迹分割技术中,分片线性分割(Piecewise Linear Segmentation, PLS) [
由于船舶运动是一个复杂的过程,分割后的航迹片段存在多种类型,比如直航、弱偏航、大偏航、刹车、加速和停止等 [
在船舶异常行为检测中,为了判断一个行为是否异常,我们首先必须知道什么是正常的行为。在基于AIS数据的异常行为检测中,我们通常拥有船舶正常航行的航迹数据,经过前面所讲的分割过程之后,船舶的航行轨迹被进一步划分成不同的片区或者片段,如何从这些航迹数据中得到船舶正常航行的行为规律,是船舶异常行为检测的核心问题,大量的研究工作都是围绕这个问题展开的。一般来说,船舶正常行为的建模包括如下几类:1) 基于统计的方法;2) 基于贝叶斯网络的方法;3) 基于神经网络的方法。
1) 基于统计的方法:
基于统计的方法假设船舶的局部航行规律服从某种概率分布,最基本的建模方法是高斯模型和核密度估计方法。高斯模型假设船舶的运动特征服从高斯分布,利用数据学习出高斯分布的参数,从而得到船舶运动的规律;核密度估计方法是一种无参估计技术,一般采用Parzen窗 [
[
的权重。求解高斯混合模型的基本方法是EM算法,在EM算法中,必须事先给定高斯分量的个数,然而,确定高斯分量的个数是一个困难的问题,数量太少则难以有效刻画样本的分布,数量太大则容易出现过拟合现象,而且增加计算的复杂度。Laxhammar [
从统计学角度来看,发生异常行为的船舶航迹数据经常是一些处于边缘状态的数据,这些边缘数据往往落在正常分布(比如高斯分布)的尾部,因此有的学者利用极值理论 [
2) 基于贝叶斯网络的方法:
贝叶斯网络 [
3) 基于神经网络的方法:
人工神经网络是一种重要的机器学习方法,它是一种应用类似于大脑神经突触联接结构进行信息处理的数学模型。由于神经网络具有良好的非线性学习能力,在很多方面得到成功的应用。Rhodes [
除此之外,其他一些机器学习方法也逐渐被用到船舶异常行为检测的研究中,如邱洪生 [
船舶航迹数据经过分割和建模之后,正常的航行行为以聚类、概率分布、贝叶斯网络等形式表示。根据这些知识,我们就可以对一个给定的航迹数据进行评估和判断,并确定船舶行为是否异常。目前采用的方法主要有三类:基于样本密度的方法 [
基于密度的方法是根据航迹数据所在海区中以往时候船舶出现的密度来判断,如果该区域的通航密度大于给定的阈值,则表示该船舶进入该区域是正常的、合法的,否则认为船舶的行为是异常的。这类方法建立在对海区进行网格划分的基础上,Laxhammar [
基于概率的方法是以航迹出现的概率来对船舶航迹数据进行检测,其基本思想是船舶航迹出现的概率越大表示该船的行为与大多数船舶的行为相同,越可能是正常的,否则,概率越小表示船舶行为越可能是异常的。这类方法根据已经学习到的船舶运动概率模型,计算给定航迹数据出现的概率,如果概率值大于给定阈值,表明当时船舶的行为符合正常船舶的行为,否则认为是异常的。这类方法主要用于对船舶行为已经建立统计模型的情况,目前在船舶异常行为检测领域得到广泛应用。一般认为落在3~5倍标准差之外的样本是异常的 [
基于距离的方法建立在样本之间的距离度量的基础上 [
在过去的十来年里,研究人员对船舶的异常行为进行了大量的探索,取得了一些重要的进步,主要表现在如下几个方面:1) 数据越来越丰富。越来越多船舶安装AIS系统,加上卫星AIS系统的使用,使得我们能够获得越来越多的船舶航行历史数据,可以对各种船舶的航行规律做深入的分析和建模;2) 研究方法越来越高级。从简单的网格划分到聚类方法的使用,再到贝叶斯网络的建模,不断地加深对船舶运动规律的了解和认识;3) 一些检测系统原型已经建立。越来越多的研究团队将他们的算法转化为系统原型,这使得理论研究逐渐接近实际应用。
尽管船舶异常行为检测在数据积累、研究方法、原型系统开发方面已经取得了一些进展,这方面的研究仍然存在一些挑战:1) 大数据的挑战。随着越来越多的AIS系统被安装在各种船舶上,船舶行为数据越来越多,如何从海量的数据中挖掘各种船舶的运动规律将是这一领域研究人员不得不面对的问题;2) 数据的不可靠性。船舶航行相关数据的积累越来越多,但是非法船只可能发送虚假数据,甚至停止发送AIS数据,这将给异常行为识别带来很大的困难;3) 数据建模和异常检测中存在主观性。在数据分析中聚类的个数和混合高斯模型中高斯分量的数量是人为给定的,尤其是我们通常只能得到正常行为的数据,在缺乏异常行为数据的情况下确定异常行为与正常行为之间差异的临界值是一种困难的事情。4) 没有考虑船舶航行的环境因素。目前大多数研究仅利用了船舶的位置、速度和航迹等船舶自身信息,而没有考虑天气、潮汐等具体环境因素,缺乏对船舶异常行为的成因做深入研究。
未来船舶异常行为检测的研究应该重点解决如下几个问题:1) 研究船舶运动的动态行为。船舶本身的运动是一个动态行为,其运动的规律将随着时间和地点的变化而变化,因此船舶运动建模应该建立在变化的数据上,而不能仅仅停留在历史数据上;2) 研究船舶运动过程中航向的变化规律。船舶的总体航向是指向既定的目的地,然而在到达目的地之前,其航向随时根据船舶所处的具体环境而改变的。将船舶航向的变化规律与航道、船舶航速等信息结合起来,将有利于检测异常行为;3) 要充分考虑情景因素。由于相同的航行运动,在某些情境下是异常的,而在另一些情境下是正常的,因此需要将船舶的运动行为置于具体的环境下,包括船舶所处的海域、周围船舶和天气、潮汐和时间等。4) 考虑船东、货物、港口、乘客、船员的因素。一些非法船只的行为光从航迹来看,很难跟正常船只的行为区分开来,但是我们可以从这些因素入手,进行一定程度的甄别。
国家自然科学基金资助(No. 60675016, 60633030);广东省交通运输厅科技项目(No. 2012-02-045)。广东省普通高校特色创新项目(A510602),广州航海学院特色创新项目(B510620)。
张树波,唐强荣. 基于AIS数据的船舶异常行为检测方法Abnormal Vessel Behavior Detection Based on AIS Data[J]. 人工智能与机器人研究, 2015, 04(04): 23-31. http://dx.doi.org/10.12677/AIRR.2015.44004