Određivanje pomorskih plovidbenih koridora zasnovano na statističkom učenju na zapisima automatskog sustava za identifikaciju plovila

master's thesis

• Author: Mihaela Gamulin
• Mentor: Renato Filjar (mentor)
• Mentor: Luka Grubišić (mentor)
• Committee member: Renato Filjar (predsjednik povjerenstva)
• Committee member: Luka Grubišić (član povjerenstva)
• Committee member: Matija Bašić (član povjerenstva)
• Committee member: Igor Ciganović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Science; (Department of Mathematics); Zagreb
• Defense date and country: 2020-02-28, Croatia
• Scientific / art field, discipline and subdiscipline: NATURAL SCIENCES; Mathematics

Abstract

Razumijevanje uzoraka ponašanja plovila u operativnom radu ključno je za razvijanje svijesti o situacijama u pomorskom prometu, posebice za klasificiranje i predviđanje aktivnosti. Razvojem automatskog identifikacijskog sustava (eng. Automatic Identification System, AIS), omogućeno je praćenje putanja plovila, kao ulaza za postupke identifikacije uobičajenih obrazaca ponašanja, definicije koridora, detekcije neuobičajenih manevara, optimizaciju upravljanja plovidbenim tokovima, strategijsko planiranje, te povećanje učinkovitosti navigacije i smanjenje učinaka na okoliš. Navedeni elementi svijesti o situaciji mogu se izvesti iz AIS poruka korištenjem statističke analize i strojnog učenja na opaženim podacima (AIS poruke). Metoda ovog rada, izdvajanje prometnih ruta i detekcija anomalija, nazvana TREAD (eng. Traffic Route Extraction and Anomaly Detection), ima za cilj pretvoriti velike količine AIS podataka u znanje koje se može iskoristiti za klasificiranje i predviđanje ruta te detekciju anomalija, neovisno o broju uređaja iz kojih se dobivaju podaci, njihovim obilježjima i platformi. Postupak izdvajanja ruta temelji se na nenadgledanom inkrementalnom učenju, što omogućuje karakterizaciju pomorskog prometa bez a priori znanja, dok se predviđanje ruta i detekcija anomalija temelji na aposteriornoj vjerojatnosti.

Abstract (english)

Understanding vessel behavior patterns in operational work is crucial for developing awareness of maritime traffic situations, in particular for classifying and predicting activities. With the development of the Automatic Identification System (AIS), it is possible to monitor vessel trajectories as inputs for procedures for identifying common behavioral patterns, defining corridors, detecting unusual maneuvers, optimizing navigational flow management, strategic planning, and increasing navigation efficiency and reducing effects on the environment. The aforementioned situation awareness elements can be derived from AIS messages using statistical analysis and machine learning on observed data (AIS messages). The method of this work, Traffic Route Extraction and Anomaly Detection (TREAD), aims to convert large amounts of AIS data into knowledge that can be used to classify and predict routes and detect anomalies, regardless of number the devices from which the data is obtained, their performance and the platform. The route extraction process is based on unsupervised incremental learning, which allows characterization of maritime traffic without a priori knowledge, while route prediction and anomaly detection are based on posterior probability.

• Keywords: pomorski promet; uzorci ponašanje plovila; statistička analiza; strojno učenje
• Keywords (english): maritime traffic; vessel behavior patterns; statistical analysis; machine learning
• Language: croatian
• URN:NBN: urn:nbn:hr:217:264833
• Study programme: Title: Computer Science and Mathematics; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra računarstva i matematike (magistar/magistra računarstva i matematike)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2020-07-22 12:01:44