基于AIS数据和深度循环网络架构的海域异常检测
机器学习
2024-06-17 v1 人工智能
摘要
本文提出一种基于深度循环模型的方法，用于基于公开的自动识别系统（AIS）数据的海域监视。该方法采用深度循环神经网络（RNN）架构，对观察到的船舶运动模式进行编码与重构。我们的方法基于对观察运动模式与重构运动模式之间计算误差进行阈值化处理。具体而言，采用编码-解码架构的深度学习框架，通过训练观察到的运动模式，使模型学习并预测预期轨迹，并与实际轨迹进行比较。我们的模型，特别是带有循环dropout的双向GRU，在捕捉海域数据的时间动态方面表现出色，展示了深度学习增强海域监视能力的潜力。我们的工作为该领域的后续研究奠定了坚实的基础，凭借创新的技术应用，为通过改进海域安全提供了可能的路径。
引用
@article{arxiv.2406.09966,
title = {Outlier detection in maritime environments using AIS data and deep recurrent architectures},
author = {Constantine Maganaris and Eftychios Protopapadakis and Nikolaos Doulamis},
journal= {arXiv preprint arXiv:2406.09966},
year = {2024}
}
备注
Presented in PETRA '24 The PErvasive Technologies Related to Assistive Environments Conference June 26--28, 2024 Crete, Greece