高 曙, 劉甜甜, 初秀民, 陳良臣,2, 曹秀峰

(1.武漢理工大學(xué) a.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院; b.交通物聯(lián)網(wǎng)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室；c.智能交通系統(tǒng)研究中心,武漢 430063；2.中國勞動關(guān)系學(xué)院 計(jì)算機(jī)教研室，北京 100048)

船舶異常行為研究進(jìn)展及發(fā)展趨勢

高 曙1a,1b, 劉甜甜1a, 初秀民1c, 陳良臣1a,2, 曹秀峰1a

(1.武漢理工大學(xué) a.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院; b.交通物聯(lián)網(wǎng)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室；c.智能交通系統(tǒng)研究中心,武漢 430063；2.中國勞動關(guān)系學(xué)院 計(jì)算機(jī)教研室，北京 100048)

對船舶異常行為的研究進(jìn)展、存在的問題及未來發(fā)展趨勢進(jìn)行總結(jié)和分析。對船舶行為及其異常識別的基本概念和分類進(jìn)行介紹，提出船舶異常行為識別過程；對船舶異常行為的檢測方法進(jìn)行歸納分類，分述各類方法的研究現(xiàn)狀，并剖析存在的問題；針對航運(yùn)大數(shù)據(jù)及云計(jì)算的利用，闡述船舶異常行為研究面臨的機(jī)遇和挑戰(zhàn)，說明其未來發(fā)展方向。

水路運(yùn)輸；船舶異常行為；AIS數(shù)據(jù)；大數(shù)據(jù)；云計(jì)算

據(jù)《2014年度交通運(yùn)輸安全生產(chǎn)事故報告》(水上交通領(lǐng)域)統(tǒng)計(jì)，在全口徑事故(包括等級以下事故)數(shù)據(jù)中，僅碰撞事故就涉及船舶1 285艘，占發(fā)生事故船舶總數(shù)的71.5%。[1]由此可見，隨著水上運(yùn)輸業(yè)務(wù)日益增多，交通流密度日益加大，船舶逐步朝大型化、專業(yè)化和高速化方向發(fā)展，通航環(huán)境將愈加復(fù)雜，影響船舶航行安全的因素將不斷增多，水上交通事故發(fā)生概率將進(jìn)一步增大，會給國民經(jīng)濟(jì)和生命財產(chǎn)安全帶來嚴(yán)重威脅。

船舶是水上交通的行為主體，對其異常行為進(jìn)行研究是水上安全監(jiān)控和管理的重要內(nèi)容。近年來，隨著船舶自動識別系統(tǒng)(Automatic Identification System,AIS)、船舶交通管理系統(tǒng)(Vessel Traffic Service,VTS)、雷達(dá)及各類傳感器等設(shè)備的應(yīng)用不斷深入，船舶航行過程中自動采集的船舶動態(tài)數(shù)據(jù)、靜態(tài)數(shù)據(jù)和水文氣象數(shù)據(jù)等呈現(xiàn)出幾何增長的態(tài)勢。[2]因此，對船舶航行數(shù)據(jù)進(jìn)行分析并找出其規(guī)律，由此識別出船舶航行的異常行為，是目前水上交通領(lǐng)域的研究熱點(diǎn)之一。

1 船舶行為及其異常識別的概念

船舶行為一般指船舶在駕駛?cè)藛T的操縱下以航行和避讓為主要目的所采取的行為方式及其規(guī)律。[3]在水上交通研究中，船舶行為不是某艘船舶的某種具體行為，而是船舶群體的同類行為方式及其規(guī)律。當(dāng)前船舶航行異常行為的定義還沒有統(tǒng)一，“異?！币话闶侵赣^測到的事物與所期望的事物、現(xiàn)有準(zhǔn)則及現(xiàn)有科學(xué)理論有所不同的現(xiàn)象。因此，船舶異常行為研究應(yīng)建立在船舶正常行為建模之上，以此為標(biāo)準(zhǔn)，將觀察到的數(shù)據(jù)與正常模型相比較，找出差異較大的個體行為(例如橫穿主航道、船速過快和偏離航道等)。

異常檢測方法通常包含候選異常檢測和異常可靠性分析2個階段。在候選異常檢測階段，通過數(shù)理統(tǒng)計(jì)分析和數(shù)據(jù)挖掘等技術(shù)檢測異常數(shù)據(jù)，構(gòu)成候選異常數(shù)據(jù)。在可靠性分析階段，對候選異常數(shù)據(jù)進(jìn)行過濾和篩選，得到有用的異常數(shù)據(jù)。

由于船舶異常行為具有時空特性，因此在對候選異常數(shù)據(jù)進(jìn)行檢測時不僅要檢測在時間和空間上表現(xiàn)為異常的數(shù)據(jù)，還要根據(jù)其專題屬性(例如速度、航向角等)與其正常行為的比較，判斷是否有偏離。同時，由于船舶異常行為受多種因素的影響，因此特別需要將船舶異常行為的可靠性分析置于具體的時空情境下進(jìn)行[3]，并結(jié)合領(lǐng)域知識或先驗(yàn)知識對可能造成船舶危險的異常進(jìn)行辨識。由此，可將船舶異常行為研究分解為圖1的形式。

圖1 船舶異常行為識別過程

2 船舶異常行為分類

目前對船舶行為的研究大多從船舶密度、船舶速度、船舶軌跡及船舶間距等4個方面描述船舶總體行為特征，船舶異常行為主要根據(jù)其運(yùn)動、位置上的異常進(jìn)行判別。因此,根據(jù)文獻(xiàn)[4],將船舶異常行為分成16大類(見圖2)，船舶航行異常檢測一般需將其全部覆蓋。

3 船舶異常行為研究進(jìn)展

當(dāng)前，數(shù)據(jù)挖掘領(lǐng)域中的異常檢測方法眾多(主要有基于分布的方法、基于距離的方法、基于密度的方法、基于深度的方法和基于聚類的方法等5類)，但結(jié)合船舶行為特點(diǎn)進(jìn)行異常識別的研究[5-7]較少。文獻(xiàn)[6]提出一種基于卡爾曼濾波的船舶航行軌跡異常行為預(yù)測方法，通過DBSCAN算法對AIS歷史數(shù)據(jù)進(jìn)行密度聚類得到正常的船舶歷史航跡圖譜，結(jié)合卡爾曼濾波算法對船舶航行軌跡和船舶實(shí)時數(shù)據(jù)狀態(tài)進(jìn)行預(yù)測，并給予實(shí)時警告。

圖2 船舶異常行為分類

當(dāng)前國外已有不少針對船舶航行異常檢測的技術(shù)和方法，可進(jìn)一步將其細(xì)化為基于神經(jīng)網(wǎng)絡(luò)的方法、基于統(tǒng)計(jì)的方法和基于機(jī)器學(xué)習(xí)的方法[4]，每種方法又采用1種或多種技術(shù)(見圖3)。

圖3 船舶異常行為研究方法分類

3.1基于神經(jīng)網(wǎng)絡(luò)的方法

當(dāng)前針對基于神經(jīng)網(wǎng)絡(luò)的異常檢測的研究有很多，且應(yīng)用多種多樣。神經(jīng)網(wǎng)絡(luò)能很好地歸納一些不可見的模式，學(xué)習(xí)復(fù)雜的分類界線。WAXMAN等[8]提出一種利用傳統(tǒng)方法不能解決的船舶群體復(fù)雜行為問題求解方法,用船舶群體的中心代替整個船舶群體，將船舶運(yùn)動分解到RED三維上求和，利用RED三維上的軌跡形成船舶運(yùn)動軌跡，通過神經(jīng)網(wǎng)絡(luò)方法對軌跡進(jìn)行分類。RIVEIRO等[9]提出一種基于高斯模型聚類的異常檢測方法,在圖形可視化中加入用戶交互，在數(shù)據(jù)處理過程中對已有知識或經(jīng)驗(yàn)進(jìn)行實(shí)時更新，提高準(zhǔn)確率和可靠性。RHODES等[10-11]利用AIS數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)船舶正常行為，從而進(jìn)行船舶異常行為檢測和軌跡預(yù)測;此外,以AIS數(shù)據(jù)為樣本，提出一種模糊神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)正常的船舶運(yùn)動，實(shí)現(xiàn)對船舶異常行為的識別。

基于神經(jīng)網(wǎng)絡(luò)的異常檢測方法存在的最大問題是整個訓(xùn)練過程非常封閉。輸入神經(jīng)元與輸出神經(jīng)元之間的處理不易理解，不能為操作者提供解釋或理由。在神經(jīng)網(wǎng)絡(luò)準(zhǔn)備好分類新數(shù)據(jù)之前，需進(jìn)行培訓(xùn)和測試,以進(jìn)行網(wǎng)絡(luò)調(diào)整和閾值確定等。

3.2基于統(tǒng)計(jì)的方法

基于統(tǒng)計(jì)的方法有參數(shù)統(tǒng)計(jì)和非參數(shù)統(tǒng)計(jì)2類,其中:參數(shù)統(tǒng)計(jì)方法在數(shù)據(jù)有對應(yīng)統(tǒng)計(jì)模型的前提下，可采用無監(jiān)督方式迅速檢測到異常;非參數(shù)統(tǒng)計(jì)方法中數(shù)據(jù)的基礎(chǔ)分布沒有任何假定。盡管該方法需更多資源，但被認(rèn)為是一種較為實(shí)用的自動化異常檢測方法。SOLEIMANI等[12]從幾何學(xué)的角度分析船舶航線，使用A*算法找出最優(yōu)路徑，引入軌跡長度、曲線面積、緯度軌跡梯度和經(jīng)度軌跡梯度等4個特征，采用無監(jiān)督增量學(xué)習(xí)方法比較船舶真實(shí)軌跡與最優(yōu)路徑的特征偏離，獲得軌跡異常值。該方法無需訓(xùn)練，不受地理空間大小的限制，可應(yīng)用在更大范圍內(nèi)和不同的數(shù)據(jù)集上。LEI[13]提出一種針對海域移動對象探索軌跡行為的異常檢測模型,使用船舶相應(yīng)的位置信息構(gòu)建概率樹，探究航行軌跡并判斷其是否異常。該模型可解決數(shù)據(jù)過多、過于復(fù)雜的問題,但只能檢測是否發(fā)生異常，難以獲取異常軌跡的信息。JEONG等[14]提出一種基于使用概率主題模型的區(qū)域和速度觀測軌跡模式建模方法,通過將高斯模型嵌入到離散主題模型中，將語義識別的LDA算法應(yīng)用到軌跡預(yù)測上，使用分步貪心算法進(jìn)行分類，提出雙階段在線推理模型，提高交通分析模式和異常檢測的效率及精準(zhǔn)度。該方法考慮時空關(guān)系及對象速度，并使用分步貪心算法，因此可減少問題的維度。AVRAM等[15]提出一種基于海域時空數(shù)據(jù)的異常檢測方法，定義一個坐標(biāo)與時間的數(shù)據(jù)集，結(jié)合數(shù)據(jù)驅(qū)動和模型驅(qū)動2種方法逐級對數(shù)據(jù)進(jìn)行檢測，并與感興趣的行為對比，判斷是否為異常行為或異常行為描述。該方法的優(yōu)點(diǎn)是結(jié)合2種方法，能全面檢測;不足是實(shí)現(xiàn)難度較大，且需建立大量模型，難以設(shè)定一個好的標(biāo)準(zhǔn)。LIU等[16]提出一種基于密度的船舶運(yùn)動軌跡知識聚類方法,從歷史AIS數(shù)據(jù)中提取出正常軌跡作為集群中心(即中心向量)，將離群較多的點(diǎn)定義為異常;同時,將速度考慮在內(nèi)，設(shè)定相應(yīng)的速度閾值，超出范圍即為異常。JAKOB等[17]以樣本軌跡數(shù)據(jù)為對象，構(gòu)建一個混合高斯模型(Gaussian Mixture Model，GMM)，學(xué)習(xí)不同類型船舶的正常行為模式，探測異常的和非法的船舶行為。BALDACCI等[18]提出一種矢量交通特征的概念,為獲取與海中航線相關(guān)的矢量,使用AIS聯(lián)絡(luò)點(diǎn)和圖像處理技術(shù),在地圖上標(biāo)記AIS聯(lián)絡(luò)站點(diǎn)，經(jīng)過過濾，利用一種邊緣檢測算法提取海洋的段，對這些段進(jìn)行聚類，每個聚類只選取1個段，每個選出的段將形成特征為高斯分布的海道區(qū)域，船舶根據(jù)自身與相應(yīng)段的距離關(guān)聯(lián)海道區(qū)域。

基于統(tǒng)計(jì)的異常檢測方法很容易實(shí)現(xiàn)，但僅限于處理特定的問題。若異常被均勻地分散在樣品中，則統(tǒng)計(jì)方法是無效的。此外，由于很難確定一個正常分布分離異常值的閾值，因此統(tǒng)計(jì)方法存在誤報的可能性很大。

3.3基于機(jī)器學(xué)習(xí)的方法

機(jī)器學(xué)習(xí)方法是指自動學(xué)習(xí)復(fù)雜的數(shù)據(jù)結(jié)構(gòu)、已有的異常和正常模式，對異常行為的特征進(jìn)行概率推斷和模糊匹配，建立學(xué)習(xí)模型，從而發(fā)現(xiàn)未知的異常，提高異常檢測的自適應(yīng)性。目前使用的技術(shù)主要有決策樹、遺傳編程、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)和聚類等。LANE等[19]提出一種基于貝葉斯網(wǎng)絡(luò)聚變的異常行為檢測方法,將船的異常行為總結(jié)為偏離、AIS接收異常、異常抵港、相互靠近和區(qū)域進(jìn)入等5種,計(jì)算每種異常行為發(fā)生的概率，使用貝葉斯網(wǎng)絡(luò)對各種異常行為進(jìn)行聚變,得出該行為產(chǎn)生威脅的概率。WANG等[20]提出一種針對船舶航線活動異常的二層檢測方法,其中:第1層考慮速度和方向噪聲，提出一種基于密度的空間聚類算法DBSCAN_SD，采用非監(jiān)督技術(shù)對數(shù)據(jù)點(diǎn)進(jìn)行預(yù)聚類，判斷是正常還是異常，并標(biāo)記;第2層在Hadoop上對標(biāo)記數(shù)據(jù)訓(xùn)練并行元學(xué)習(xí)算法，提高效率。SNIDARO等[21]提出基于異常分層和馬爾可夫邏輯網(wǎng)絡(luò)的態(tài)勢檢測工具,將海洋異常分為4層，使用JDL混合模型建立相關(guān)性，提出一種基于馬爾可夫邏輯網(wǎng)絡(luò)的海洋態(tài)勢檢測工具，更好地檢測船舶運(yùn)行過程中的異常態(tài)勢。KOWALSKA等[22]提出一種基于高斯處理數(shù)據(jù)驅(qū)動的無參貝葉斯模型,通過主動學(xué)習(xí)AIS歷史數(shù)據(jù)選擇一個訓(xùn)練集,使用高斯處理法創(chuàng)建一個正常船舶的運(yùn)動模型,根據(jù)速度、航向及對應(yīng)的經(jīng)緯度對船舶狀態(tài)進(jìn)行異常度量。OKTARINA等[23]提出一種使用支持向量機(jī)的船舶追蹤異常檢測方法,使用SVM分類器采集大量的船舶正常行駛和非正常行駛原始數(shù)據(jù)集，將這些數(shù)據(jù)集分成2組，分別進(jìn)行訓(xùn)練和測試，探究最佳樣本比例。TAN等[24]提出一種隱馬爾可夫異常檢測模型,機(jī)器學(xué)習(xí)一種特定程序的正常行為，通過比對檢測到異常；同時，構(gòu)造一個隱馬爾可夫模型，設(shè)計(jì)一種基于HSMM的異常檢測算法，用于計(jì)算入侵檢測系統(tǒng)監(jiān)控過程與完善正常過程，基于最大熵原理(MEP)，引入平均信息熵的概念(AIE)，構(gòu)造出計(jì)算機(jī)系統(tǒng)的正常行為。MASCARO等[25]提出一種基于貝葉斯網(wǎng)絡(luò)的船舶追蹤異常檢測模型,獲取AIS數(shù)據(jù)，使用貝葉斯網(wǎng)絡(luò)的概率推理模型進(jìn)行分析，建立靜態(tài)和動態(tài)2個模型，對未知行為進(jìn)行預(yù)測，獲取數(shù)據(jù)并進(jìn)行對比，判斷是否出現(xiàn)軌跡異常。LUO等[26]提出一種改進(jìn)的無監(jiān)督異常檢測算法，該算法結(jié)合誤用檢測和異常檢測，使用誤用檢測提前過濾已知錯誤和正常情況，使用異常檢測定義合理的閾值，超過該閾值的數(shù)據(jù)即為異常。CHEN等[27]以AIS數(shù)據(jù)、船級社數(shù)據(jù)、港口管理部門和海事安全保證部門提供的數(shù)據(jù)等數(shù)據(jù)為樣本，提出一種基于遺傳算法(GA)的知識發(fā)現(xiàn)系統(tǒng)學(xué)習(xí)正常的船舶行為，以探測異常船舶。BALDACCI等[28]開發(fā)一個AIS異常模擬器工具，用來模擬AIS的狀態(tài)、運(yùn)動和位置異常，將AIS異常模擬器應(yīng)用到AIS發(fā)射模型中，構(gòu)建AIS隨機(jī)或確定路徑的時間序列，并通過XML文件添加路標(biāo)制成輸入，進(jìn)行AIS異常追蹤。GRIFFIN等[29]建立一個學(xué)習(xí)與預(yù)測系統(tǒng)LEPER，該系統(tǒng)使用軍事網(wǎng)格參考系統(tǒng)將船舶的軌跡分解為離散平方序列，通過HMM計(jì)算這些序列中網(wǎng)格位置之間的轉(zhuǎn)移概率；為檢測異常，該系統(tǒng)使用一個連續(xù)模型預(yù)測船舶的位置，并與HMM預(yù)測結(jié)果相比較。

在實(shí)際應(yīng)用中，機(jī)器學(xué)習(xí)面臨著高維特征空間與樣本數(shù)不足、尋找最優(yōu)解困難和可解釋性差等挑戰(zhàn)。

3.4其他方法

ROSéN等[30]提出一種基于軌跡數(shù)據(jù)的在線異常檢測算法,針對特定的環(huán)境定義一條正常路徑，基于該路徑計(jì)算出相似位置，得到一定寬度的正常路徑，將超出該范圍定義為異常。RIVEIRO等[31]提出一種與正常船舶行為模型相匹配的異常檢測方法,建立實(shí)時的船舶正常行為模型和態(tài)勢圖，將新進(jìn)數(shù)據(jù)與正常行為模型相匹配，檢測出異常行為。DRAGOS等[32]提供一種支持海事領(lǐng)域異常分析的新方法，通過觀測或利用復(fù)雜模型提供信息檢索策略，從指導(dǎo)短期糾正措施的基本事實(shí)中檢索到能幫助領(lǐng)域?qū)＜依斫夂徒忉尨爱惓Ｐ袨榈母鼜?fù)雜網(wǎng)絡(luò)范疇界定，使用通用標(biāo)準(zhǔn)語義集成各種信息源，利用信息檢索支持海上船舶異常行為的檢測、分析和解釋。

4 現(xiàn)狀分析

通過查閱相關(guān)文獻(xiàn)發(fā)現(xiàn)，船舶異常行為分析主要存在以下3方面問題。

4.1船舶行為建模的動態(tài)性

建立船舶行為模型是異常行為檢測的基礎(chǔ)，而目前主要基于歷史數(shù)據(jù)進(jìn)行離線式建模，沒有依據(jù)實(shí)時數(shù)據(jù)對船舶行為進(jìn)行動態(tài)建?；蚋?。因此，船舶行為建模方式本身存在一定的缺陷。

4.2異常行為檢測的全面性

目前異常檢測的對象大多比較單一。例如，僅從軌跡、速度、加速度、航向角和密度中的某個方面或某2個方面進(jìn)行檢測，缺乏綜合性。

4.3異常行為識別的情境相關(guān)性

船舶異常行為的判斷與船舶航行所處環(huán)境有很強(qiáng)的關(guān)聯(lián)性，依據(jù)先驗(yàn)或領(lǐng)域知識，相同的航行運(yùn)動在某些情境下是異常的，而在另一些情境下可能是正常的。因此，需將船舶運(yùn)動行為置于具體的時空情境下判斷，而目前這方面的研究較少。

5 發(fā)展趨勢與挑戰(zhàn)

隨著互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)飛速發(fā)展，在安全監(jiān)管方面已初步形成由全球衛(wèi)星定位系統(tǒng)、中國船舶遠(yuǎn)程識別與跟蹤系統(tǒng)、閉路監(jiān)控電視系統(tǒng)、無線射頻識別系統(tǒng)、AIS和VTS等組成的海事立體化監(jiān)管體系。同時，海事部門建立有完備的船舶數(shù)據(jù)庫和船員數(shù)據(jù)庫；數(shù)字航道和智能航道的建設(shè)可為感知航道提供水文、氣象及通航條件等方面的數(shù)據(jù)，從而為船舶異常行為分析提供數(shù)據(jù)基礎(chǔ)。這些數(shù)據(jù)不僅容量大、來源廣、類型多樣，而且彼此關(guān)聯(lián)復(fù)雜，構(gòu)成航運(yùn)大數(shù)據(jù)，具有大數(shù)據(jù)的4個基本特征(即數(shù)據(jù)規(guī)模大、數(shù)據(jù)種類多、數(shù)據(jù)要求處理速度快和數(shù)據(jù)價值密度低)。然而，航運(yùn)大數(shù)據(jù)在帶來機(jī)遇的同時也帶來一定的挑戰(zhàn)，只有采用新處理模式才能更全面、及時、準(zhǔn)確地識別船舶異常行為。因此，可將船舶異常行為研究的發(fā)展方向和面臨的挑戰(zhàn)歸納為以下3個方面：

1) 探索面向大數(shù)據(jù)的船舶行為建模方式。船舶行為建模是異常識別的關(guān)鍵及核心，而目前的建模方式主要基于單一對象的小數(shù)據(jù)樣本，側(cè)重于根據(jù)先驗(yàn)知識預(yù)先人工建立模型，依據(jù)既定模型進(jìn)行行為建模。但是，航運(yùn)大數(shù)據(jù)在帶來更多知識和更大價值的同時，也帶來大量的不確定性，從而導(dǎo)致以樣本描述整體行為出現(xiàn)偏差的可能性增大，甚至增大發(fā)生錯誤的風(fēng)險或遺漏需發(fā)現(xiàn)的知識。因此，面向航運(yùn)大數(shù)據(jù)，需重新考慮統(tǒng)計(jì)模型選擇、參數(shù)訓(xùn)練等問題，并探索新的數(shù)據(jù)挖掘算法，動態(tài)構(gòu)建船舶行為模型。

2) 結(jié)合情境分析識別船舶異常行為。船舶異常行為識別與其所處的時空環(huán)境具有強(qiáng)關(guān)聯(lián)性，只有綜合挖掘氣象、水文、航道拓?fù)浣Y(jié)構(gòu)、交通流狀況、船舶本身的靜態(tài)和動態(tài)屬性、航行規(guī)則及人員等情境因素才能有效判斷可能對船舶造成危險的異常，從而提高識別的準(zhǔn)確度。

3) 基于新的數(shù)據(jù)處理挖掘平臺。航運(yùn)大數(shù)據(jù)不僅數(shù)據(jù)量巨大，而且所蘊(yùn)含的知識價值會隨著時間的流逝而逐漸衰減。異常行為識別具有極高的實(shí)時性要求，因此相應(yīng)的數(shù)據(jù)分析必須快速、高效，甚至是實(shí)時處理。云計(jì)算的出現(xiàn)為航運(yùn)大數(shù)據(jù)的有效利用帶來了契機(jī)，利用其分布式文件系統(tǒng)存儲船舶航行數(shù)據(jù)，利用其MapReduce并行計(jì)算方式加速船舶行為建模及異常識別，為船舶異常行為研究提供新思路和新方法。

6 結(jié)束語

船舶異常行為研究一直是海事安全科學(xué)理論的基礎(chǔ)問題，面對新問題研究新方法，進(jìn)一步探索船舶異常行為識別的理論和技術(shù)，對保證船舶安全航行，規(guī)避風(fēng)險，減少虛警，促進(jìn)水路運(yùn)輸暢通、平安、綠色和高效的發(fā)展均具有重要意義。

[1] 中華人民共和國交通運(yùn)輸部[EB/OL].[2015-04-01].http://www.moc.govcn.

[2] 徐武雄，初秀民，劉興龍.水上交通信息可視化技術(shù)研究進(jìn)展[J].中國航海，2015，38(1)：34-38.

[3] 吳兆麟，朱軍.海上交通工程[M].2版.大連：大連海事大學(xué)出版社，2004.

[4] DAVENPORT M.Kinematic Behaviour Anomaly Detection (KBAD) Final Report [R].DRDC CORA Report，2008.

[5] 甄榮.基于AIS信息的港口水域船舶異常行為識別研究[D].廈門:集美大學(xué)，2015.

[6] 邱洪生.基于卡爾曼濾波的船舶航行軌跡異常行為預(yù)測算法研究[D].天津:河北工業(yè)大學(xué)，2012.

[7] 甄榮，邵哲平，潘家財，等.基于統(tǒng)計(jì)學(xué)理論的船舶軌跡異常識別[J].集美大學(xué)學(xué)報(自然科學(xué)版)，2015,20(3):193-197.

[8] WAXMAN A,HU Haijun,MARTIN D.Maritime Group Motion Analysis:Representation，Learning，Recognition，and Deviation Detection[C].18th International Conference on Information Fusion.IEEE,Washington DC，2015:1015-1021.

[9] RIVEIRO M,FALKMAN G,ZIEMKE T.Improving Maritime Anomaly Detection and Situation Awareness Through Interactive Visualization[C].11th International Conference on Information Fusion.IEEE,Cologne，2008:47-54.

[10] RHODES B J,BOMBERGER N A,ZANDIPOUR M.Probabilistic Associative Learning of Vessel Motion Patterns at Multiple Spatial Scales for Maritime Situation Awareness[C].10th International Conference on Information Fusion，2007:1-8.

[11] RHODES B J，BOMBERGER N A，SEIBERT M.Maritime Situation Monitoring and Awareness Using Learning Mechanisms[C].Military Communications Conference，Atlantic City，2005:646-652.

[12] SOLEIMANI B H,SOUZA E N D,HILLIARD C,et al.Anomaly Detection in Maritime Data Based on Geometrical Analysis of Trajectories[C].18th International Conference on Information Fusion，Washington DC，2015:1100-1105.

[13] LEI P R.Exploring Trajectory Behavior Model for Anomaly Detection in Maritime Moving Objects[C].2013 IEEE International Conference on Intelligence and Security Informatics ，Seettle WA，2013:271.

[14] JEONG H,YOO Y,YI K M,et al.Two-Stage Online Inference Model for Traffic Pattern Analysis and Anomaly Detection[J].Machine Vision and Applications,2014,25(6):1501-1517.

[15] AVRAM V,GLASSER U,YAGHOUBI H Y.Anomaly Detection in Spatiotemporal Data in the Maritime Domain[C].IEEE International Conference on Intelligence and Security Informatics，Arlington VA，2012:147-149.

[16] LIU B,SOUZA E N,MATWIN S,et al.Knowledge-Based Clustering of Ship Trajectories Using Density-Based Approach[J].IEEE International Conference on Big Data，Washington DC，2014:603-608.

[17] JAKOB M,VANEK O,PECHOUCEK M.Using Agents to Improve International Maritime Transport Security[J].IEEE Intelligent Systems，2011，26(1):90-96.

[18] BALDACCI A,ROLLA S,CARTHEL C.Maritime Traffic Characterization with the Automated Identification System[R].La Spezia，Italy:NURC-FR,2009.

[19] LANER D,NEVELL D A,HAYWARD S D,et al.Maritime Anomaly Detection and Treat Assessment[C].13th Conference on Information Fusion，Edinburgh，2010:1-8.

[20] WANG Xiaoguang，LIU Xuan，MATWIN Stan.Vessel Route Anomaly Detection with Hadoop MapReduce[C].IEEE International Conference on Big Data，Washington DC，2014:25-30.

[21] SNIDARO L,VISENTINI I,BRYAN K,et al.Markov Logic Networks for Context Integration and Situation Assessment in Maritime Domain[C].15th International Conference on Information Fusion，Singapore，2012:1534-1539.

[22] KOWALSKA K,PEEL L.Maritime Anomaly Detection using Gaussian Process Active Learning[C].15th International Conference on Information Fusion，Singapore，2012:1164-1171.

[23] OKTARINA D,HANDAYANI D,SEDIONO W,et al.Anomaly Detection in Vessel Tracking Using Support Vector Machines[C].International Conference on Advanced Computer Science Applications and Technologies，2013:213-217.

[24] TAN Xiaobin，XI Hongsheng.Hidden SemiMarkov Model for Anomaly Detection[J].Applied Mathematics and Computation，2008，205(2):562-567.

[25] MASCARO S,NICHOLSOB A E,KORB K B.Anomaly Detection in Vessel Tracks Using Bayesian Networks[J].International Journal of Approximate Reasoning，2014，55(1):84-98.

[26] LUO Na，YUAN Fuyu，ZUO Wanli，et al.Improved Unsupervised Anomaly Detection Algorithm[C].Third International Conference RSKT 2008，Chengdu，2008:532-539.

[27] CHEN C H,KHOO L P,CHONG Y T.Knowledge Discovery Using Genetic Algorithm for Maritime Situational Awareness[J].Expert System with Applications，2014，41(6):2742-2753.

[28] BALDACCI A.Automated Identification System Anomaly Simulator[R].La Spezia，Italy:NURC-MR，2008.

[29] GRIFFIN C.Learning and Prediction for Enhanced Readiness:An ONR Office 31 Program[R].Presentation to TTCP MAR AG-8，2009.

[30] ROSéN O,MEDVEDEV A.An Online Algorithm For Anomaly Detection in Trajectory Data[C].American Control Conference，Montreal，2012:1117-1122.

[31] RIVEIRO M,FALKMAN G.Supporting the Analytical Reasoning Process in Maritime Anomaly Detection:Evaluation and Experimental Design[C].14th International Conference Information Visualisation，London，2010:170-178.

[32] DRAGOS V.From Finding to Explaining:Information Retrieval to Support Maritime Anomaly Analysis[J].International Journal of Knowledge and Systems Science，2016，7(1):40-56.

StatusandResearchTrendsonAbnormalShipBehavior

GAOShu1a,1b，LIUTiantian1a,CHUXiumin1c，CHENLiangchen1a,2，CAOXiufeng1a

(1a.School of Computer Science and Technology; 1b.Hubei Key Laboratory of Transportation Internet of Things; 1c.Intelligent Transport System Research Center,Wuhan University of Technology Wuhan 430063，China; 2.Department of Computer Application,Institute of Industrial Relations China,Beijing 100048,China)

How to detect abnormal ship behavior is an interesting issue.The current status and research trends on abnormal ship behavior are reviewed.Ship behavior and its anomaly identification is introduced,and the abnormal behavior classification and identification process are explained.The detection method of the abnormal ship behavior is classified,and existing problems are presented.Future development direction and advice in related areas are summarized.

waterway transportation; abnormal ship behavior; AIS data; big data; cloud computing

U675.7;TP391

A

2017-02-24

國家自然科學(xué)基金(51479155);中央高?；緲I(yè)務(wù)費(fèi)專項(xiàng)資金(16ZY006)；湖北省自然科學(xué)基金(2014CFB190)

高 曙(1967—)，女，安徽蕪湖人，教授，博士生導(dǎo)師，從事水上交通信息化技術(shù)研究。E-mail:gshu418@163.com

初秀民(1969—)，男，吉林集安人，研究員，博士生導(dǎo)師，從事水路交通智能化技術(shù)研究。E-mail:chuxm@whut.edu.cn

1000-4653(2017)02-0038-06