一种基于多维密度距离和异常隔离机制检测船舶异常行为的方法

科学领域:

• 海上安全的航行.
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 现有的异常船舶行为检测主要集中在轨道位置异常值上,忽视了关键的船舶速度信息.
• 在船舶行为分析中确定适当的异常值是具有挑战性的,往往导致低于最佳的风险缓解.
• 传统方法可能会与某些异常检测算法固有的随机性作斗争,从而影响效率.

研究的目的:

• 开发一种先进的异常船舶行为检测方法,包括船舶位置和速度数据.
• 解决现有方法在值确定和算法效率方面的局限性.
• 通过更强大,更准确的异常检测,提高海上航行安全.

主要方法:

• 利用基于加速 (AMDL) 和多维密度集群 (MDDBSCAN) 算法的最小描述长度原则来分析船舶位置和速度.
• 引入了一种基于MDDBSCAN算法的速度权重和噪点的异常值确定新方法.
• 实施了选择性隔离树构建策略,以减轻隔离森林 (iForest) 算法的随机性问题.

主要成果:

• 拟议的方法在检测船舶位置异常方面取得了显著的改进,其性能高达14%的优于现有方法.
• 与特征融合方法相比,船舶速度异常检测的准确性提高了3%.
• 与传统的隔离森林算法相比,整体算法效率增加了5%.

结论:

• 拟议的探测异常船舶行为方法,整合距离测量和隔离机制,是实用和有效的.
• 该方法成功地解决了现有方法的局限性,考虑了船舶的速度和位置,并改进了值确定和算法效率.
• 这项研究有助于通过更准确,更有效地检测异常船只行为来提高海上航行安全.