A CNN-LSTM Architecture for Marine Vessel Track Association Using Automatic Identification System (AIS) Data

要約

海洋監視では、潜在的な脅威をタイムリーに特定するために、船舶の通常の動きと異常な動きのパターンを区別することが重要です。
検出されたら、必要な介入が行われるまでこれらの血管を監視および追跡することが重要です。
これを達成するために、航跡関連付けアルゴリズムが使用されます。このアルゴリズムは、船舶の地質学的および運動パラメータを含む一連の観測を行い、それらをそれぞれの船舶に関連付けます。
これらのシーケンシャルな観測に固有の空間的および時間的変動により、従来の複数オブジェクト追跡アルゴリズムの関連付けタスクが困難になります。
さらに、重複するトラックと欠落したデータが存在すると、軌道追跡プロセスがさらに複雑になる可能性があります。
これらの課題に対処するために、この研究では、この追跡タスクを多変量時系列問題としてアプローチし、追跡関連付けのための 1D CNN-LSTM アーキテクチャ ベースのフレームワークを導入します。
この特殊なニューラル ネットワーク アーキテクチャは、連続した観察の間に存在する空間パターンと長期的な時間的関係を捉えることができます。
トレーニング プロセス中に、これらの基礎となる各血管の軌道を学習して構築します。
トレーニングが完了すると、提案されたフレームワークは、自動識別システム (AIS) を介して収集された船舶の位置とモーション データを入力として受け取り、最も可能性の高い船舶の軌跡を出力としてリアルタイムで返します。
私たちのアプローチのパフォーマンスを評価するために、特定の地理的地域を航行する 327 隻の船舶からの観測を含む AIS データセットを利用します。
精度、精度、再現率、F1 スコアなどの標準的なパフォーマンス指標を使用して、提案されたフレームワークのパフォーマンスを測定します。
他の競合するニューラル ネットワーク アーキテクチャと比較すると、私たちのアプローチは優れた追跡性能を示しています。

要約(オリジナル)

In marine surveillance, distinguishing between normal and anomalous vessel movement patterns is critical for identifying potential threats in a timely manner. Once detected, it is important to monitor and track these vessels until a necessary intervention occurs. To achieve this, track association algorithms are used, which take sequential observations comprising geological and motion parameters of the vessels and associate them with respective vessels. The spatial and temporal variations inherent in these sequential observations make the association task challenging for traditional multi-object tracking algorithms. Additionally, the presence of overlapping tracks and missing data can further complicate the trajectory tracking process. To address these challenges, in this study, we approach this tracking task as a multivariate time series problem and introduce a 1D CNN-LSTM architecture-based framework for track association. This special neural network architecture can capture the spatial patterns as well as the long-term temporal relations that exist among the sequential observations. During the training process, it learns and builds the trajectory for each of these underlying vessels. Once trained, the proposed framework takes the marine vessel’s location and motion data collected through the Automatic Identification System (AIS) as input and returns the most likely vessel track as output in real-time. To evaluate the performance of our approach, we utilize an AIS dataset containing observations from 327 vessels traveling in a specific geographic region. We measure the performance of our proposed framework using standard performance metrics such as accuracy, precision, recall, and F1 score. When compared with other competitive neural network architectures our approach demonstrates a superior tracking performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google