基于Transformer的船舶异常行为检测算法研究.pdfVIP

基于Transformer的船舶异常行为检测算法研究

摘要

随着时代的不断发展，海事安全问题日益凸显，其中船舶异常行为的检测和监

测机制可以协助海事管理部门实时监管特定水域，从而规避潜在的船舶风险，提升

海上运输的安全性。这些机制是船舶交通智慧监管系统的重要组成部分。因此，如

何充分利用海量船舶信息，进行统计分析船舶交通流的特性，实时监测船舶的航行

状态，是亟待解决的关键科学问题。特别是船舶异常行为的检测和监测能够协助海

事管理部门完成特定水域的实时监测和异常检测，提高水域监管的效率。因此，本

文研究以船舶异常行为检测为主题，从AIS数据处理、船舶轨迹异常行为检测算法

等方面来进行课题研究，主要研究工作内容如下：

首先，针对原始DP（Douglas-Peucker）压缩算法在船舶轨迹压缩过程中易导致

大量必要的船舶航行信息点被删除的问题，本文采取了一种新的船舶轨迹压缩策略

KFP-DP(KeyFeaturePoint-Douglas-Peucke)。通过监测船舶航行中的关键变化点，如

速度和航向的显著变动，保留其核心特征。设定合理阈值来判断这些变化是否显著。

评估航行点的重要性后，收集特征点，并基于这些点进行子轨迹处理。仿真实验表

明，经压缩算法处理后的船舶航迹数据压缩率高达74.4%，位移误差减少，。

其次，针对现有船舶异常行为检测方法中，船海数据集中异常样本稀缺、数据

集不平衡导致的异常检测模型检测率低下的问题，本文提出了基于GAN(Generative

adversarialnetwork)的船舶轨迹增强优化模型BCE-GAN(BalancedChannel-Enhanced

AdversarialNetwork)。该模型通过引入注意力通道机制，在FI距离(FrechetInception

Distance)的表现上提升。

最后，针对LSTM、RNN模型在处理船舶轨迹数据时忽视长期特征数据之间关

联性的问题，导致船舶特征数据的监测和异常检测通常采用逐一处理方式，算法执

行速度慢且监管效率低下。本文提出了一种基于Transformer-GSA的船舶轨迹异常

检测方法。该方法首先利用Kconv模块对船舶轨迹中的关键特征进行提取，并通过

多个模块将输入数据逐步传递到改进后的Transformer编码器中进行处理。在全局注

意力模块GSA的作用下，模型能够捕捉轨迹特征间及时间序列的依赖关系，实现多

变量、多维时间序列的船舶异常行为实时检测，从而提高了异常检测的效率和准确

性。

哈尔滨工程大学专业学位硕士学位论文

综上所述，本文在AIS数据处理和船舶轨迹异常行为检测等方面取得了积极进

展。研究成果能够满足VTS监控服务的需求，具有广泛的应用前景，并且可为海事

监管者提供决策支持。

关键词：AIS；船舶异常行为；Transformer编码器；DP压缩处理；GAN算法

基于Transformer的船舶异常行为检测算法研究

ABSTRACT

Withthecontinuousdevelopmentofthetimes,maritimesafetyissueshavebecome

increasinglyprominent.Thedetectionandmonitoringmechanismofabnormalship

behaviorcanassistmaritimemanagementdepartmentsinreal-timesupervisionofspecific

waters,therebyavoidingpotentialshiprisksandimprovingthesafetyofmaritime

transportation.Thesemechanismsareimportantcomponentsoftheintelligentshiptraffic

supervision