摘要

从大型时空数据集中提取有价值的信息需要创新的方法，以有效地处理大量的数据，同时有效地揭示数据的潜在结构，以便为决策过程提供有用的信息。

创新的知识发现技术已经被开发出来，它使用船舶运动的随机均值反转模型来揭示海上交通的潜在图形结构。所产生的知识使许多可能性成为可能，从基于图形的多边预测到异常检测技术，再到船舶路线优化。总的来说，本报告所涵盖的主题代表了开发知识发现技术所需的理论框架，该技术能够揭示海上交通的基本图形结构，这在配套的报告-第二部分中有所记载。

本报告的第一部分记录了船舶运动模型的规范化，促使它比其他传统模型更容易被使用。提供了估算过程参数的程序，并对其用于长期预测和数据关联进行了调查。这个模型的主要局限性，即它只适用于非机动目标，也通过规范化的模型的增强版来克服，该模型适合于通过航点航行的船只的情况。现实世界的数据集被用来展示所开发的技术在实际相关案例中的潜力。

这项工作是在DRDC-CMRE的合作研究活动中完成的，即DRDC关于下一代海军指挥和控制系统的01da项目下的 "用于指挥和控制系统中的生命模式参数化"。

对国防和安全的意义

了解海上交通模式是更完整的海洋态势感知（MSA）的一部分，最终需要对海上船舶的活动进行有效的分类和预测。目前关于海上船舶的信息量对人类操作者来说是难以承受的，自动处理的帮助是必要的，也是需要的，以清晰有效的规范综合信息，突出重要特征，拒绝噪音。

本报告是开发未来知识发现技术的统计框架的基础，该框架可以得出海上交通的合成图形表示，同时能够有效地处理手头的大量数据。

在下一代C2系统中包括一种推导和表示生命模式的能力，也为作战和战术规划提供了更有效的决策。例如，海上交通的更准确的可预测性使天基资产能够进行实际的传感器交叉提示。这增强了基于空间的追踪和监测感兴趣的船只的能力。另一个例子是考虑生活模式的信息，以便在海军以前没有什么经验的地区计划演习。通过在一个作战地区获得自动得出的生命模式，军事规划人员将能够包括这一信息，以作出更有效的决定，要么确保他们自己部队的安全，要么应用更大的非弹药作战效果。

1 引言

海上态势感知（MSA），即了解在海洋领域和周围环境中进行的所有活动[1]，对于支持及时的决策过程至关重要。MSA的一个关键组成部分是对海上交通的监控。由于技术的进步和国际法规，尽管仍有一些限制，但强大的全球海上船舶监控能力正在成为现实。

海上交通监控网络正越来越多地被用于全球范围的监控。这些网络主要以自动识别系统（AIS）为基础，船舶通过该系统广播其位置、速度和航线等相关信息。沿海雷达和合成孔径雷达（SAR）系统也作为非合作性监视系统做出了贡献和补充，但它们产生的数据量不可避免地比AIS网络产生的数据量少。

由于海上交通的增加和对国家和国际要求的广泛遵守，全世界的AIS接收器网络在过去的十年里有了很大的发展，产生了越来越多的AIS数据。文献中很容易找到全球AIS网络的例子，每月接收8亿条AIS信息，由全世界超过10万艘独特的船只广播，仅仅通过沿海接收器[2]。除此之外，卫星AIS（S-AIS）正在为非沿海地区提供探测能力，其性能取决于卫星重访率、船舶交通密度和其他因素[3]。

这样的数据量显然在算法的复杂性和可扩展性方面构成了巨大的挑战，在为任何现实世界的应用进行设计和规划时，这些方面都是不容忽视的。更重要的是，人类操作员不可能处理这些大量的数据，因此严格要求合适的算法来提取对决策过程有用的信息。科学家和研究人员在研究和设计适当的方法以提取有关船舶的行为、模式和统计信息方面付出了巨大的努力，有效地将原本只为避免碰撞而设想的AIS转化为实现有用的MSA的重要手段。

全球AIS覆盖率现在是一个公认的现实。然而，在实践中，仍有许多因素对可实现的刷新时间（即接收新信息的频率）产生负面影响。这些因素包括：船舶关闭AIS转发器的能力，在较远的距离上与地面AIS相比错误率较高，或不利的天气条件（雨天衰减和类似现象）。另一个原因是信息碰撞：AIS协议是为本地无线电广播而设计的，但当在大视野范围内接收S-AIS时，信息碰撞的概率大大增加，有效地降低了无错误检测率。

在实践中，公海上的船只通常不会被连续观测到，由此产生的覆盖空白显然对广域追踪构成了挑战。如果能在船舶穿越这些覆盖空白时计算出船舶位置的准确预测，那么在某种意义上，这种持久性下降的影响就会得到缓解。

不幸的是，准确的、长期的（即几个小时）船舶状态预测的问题在跟踪文献中被忽略了，只有少数作品（部分）解决了这个问题[4, 5]。事实上，最广泛采用的运动模型，即近乎恒定速度（NCV）模型[6, 7]明显不适合表示船舶运动的长期演变，因为船舶的位置和速度是无界的；从另一个角度看，这相当于预测位置的不确定性随着预测时间的增加而呈立方增长。在传统的跟踪应用中，这并不是一个重要的问题1，但对于长期预测来说却是一个重要的问题。使用更合适但不太常用的Ornstein-Uhlenbeck（OU）过程来建立运动学模型对跟踪界来说并不完全陌生，在文献中可以找到一些作品[9, 10, 11]的描述。这里使用OU模型，应用零均值转换效应，目的是在长期状态预测之前改善目标动态的短期特征。

最近提出了一个长期预测问题的新表述[8]，并针对在地中海收集的、由商业船舶广播的AIS信息的非常大的数据集进行了验证[12]。所提出的模型使用OU过程来随机表示船舶的速度。与NCV模型相比，OU过程有一个额外的反馈回路，确保速度在一段时间内是有限制的。在实践中，当过程值偏离一个确定的速度值时，该过程有一个恢复到该值的趋势；这种效应也被称为平均反转效应。在[13]中提出了一个类似的扩展OU方法的过程，它为长期状态预测增加了对船舶运动变化的进一步约束。本工作采用了[8]中较简单的OU过程模型。

有了这个模型，位置的预测误差协方差（预测的不确定性）是一个更受约束的时间扩展规律，由于额外的反馈回路，它只随预测时间线性增加（而不是立方）。换句话说，所提出的配方将预测误差协方差（不确定性）降低了几个数量级。更重要的是，已经证明，随着预测时间的增加，大多数商业海运的运动实际上用OU过程比用NCV更好地建模。

本报告采用与文献[8]相同的形式，对全球理论框架提供了更广阔的视野，并介绍了其与业务相关的应用意义，为开发基于图的知识发现技术的配套报告-第二部分铺平了道路。本报告组织如下。首先，对随机状态方程进行了规范化，并将其专门化为OU均值回复速度运动模型；介绍了最佳预测程序和两种不同的过程参数最大似然（ML）估计技术，并说明了预测技术对长期数据关联问题的适用性。然后，重点将转移到将[8]中的模型扩展到船舶航点导航的情况，有效地缓解了建模的主要限制：只适用于非机动船。最后，介绍一些实验结果，以及这一研究方向的未来前景。

成为VIP会员查看完整内容