Ứng dụng dữ liệu AIS trong giám sát và phát hiện bất thường tàu thuyền trên biển

Trà Văn Đồng; Nguyễn Thu Nguyệt Minh; Lý Hải Sơn

Số phát hành: Số 23 - Tháng 8 - 2026 Khoa học - Kỹ thuật

Ứng dụng dữ liệu AIS trong giám sát và phát hiện bất thường tàu thuyền trên biển

Xuất bản: tháng 9 7, 2026

Tóm tắt

Nghiên cứu xây dựng hệ thống giám sát và phát hiện bất thường tàu thuyền trên biển dựa trên dữ liệu Hệ thống nhận dạng tự động (AIS). Hệ thống sử dụng các thông số về vị trí, tốc độ và hướng đi của tàu, kết hợp các phương pháp học máy, dự đoán và phân cụm DBSCAN để nhận diện hành vi bất thường và phát cảnh báo. Kết quả thử nghiệm cho thấy hệ thống đạt độ chính xác phát hiện bất thường lên đến 95%, thời gian phát hiện trung bình dưới 5 giây, đồng thời hỗ trợ trực quan hóa và so sánh hành trình thực tế với hành trình dự đoán. Kết quả cho thấy giải pháp có khả năng hỗ trợ giám sát và phát hiện sớm các hành vi bất thường của tàu thuyền trong thời gian thực.

Từ khóa

hệ thống nhận dạng tự động phân cụm không gian dựa trên mật độ của các ứng dụng có nhiễu

Tài liệu tham khảo

Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv. https://doi.org/10.48550/arXiv.1412.3555.

DOI: doi.org/10.48550/arxiv.1412.3555

De Souza, E., Boerder, K., & Worm, B. (2016). Improving fishing pattern detection from satellite AIS using data mining and machine learning. PLoS ONE, 11(7), e0158248. https://doi.org/10.1371/journal.pone.0158248.

DOI: doi.org/10.1371/journal.pone.0158248

Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996, August 2-4). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96) (pp. 226-231). Portland, OR, United States.

Guo, T., & Xie, L. (2022). Research on ship trajectory classification based on a deep convolutional neural network. Journal of Marine Science and Engineering, 10(5), 568. https://doi.org/10.3390/jmse10050568.

DOI: doi.org/10.3390/jmse10050568

He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep residual learning for image recognition. arXiv. https://doi.org/10.48550/arXiv.1512.03385.

DOI: doi.org/10.48550/arxiv.1512.03385

Holst, A., & Ekman, J. (2003). Anomaly detection in vessel motion (Technical Report). Saab Systems.

Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2016). Densely connected convolutional networks. arXiv. https://doi.org/10.48550/arXiv.1608.06993.

DOI: doi.org/10.48550/arxiv.1608.06993

Kontopoulos, I., Makris, A., & Tserpes, K. (2021). A deep learning streaming methodology for trajectory classification. ISPRS International Journal of Geo-Information, 10(4), 250. https://doi.org/10.3390/ijgi10040250.

DOI: doi.org/10.3390/ijgi10040250

Laxhammar, R., & Falkman, G. (2014). Online learning and sequential anomaly detection in trajectories. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(6), 1158-1173. https://doi.org/10.1109/TPAMI.2013.220.

DOI: doi.org/10.1109/tpami.2013.220

10.

Ristic, B., & Scala, B. (2008, June 30-July 3). Statistical analysis of motion patterns in AIS data: Anomaly detection and motion prediction. In Proceedings of the 11th International Conference on Information Fusion. Cologne, Germany.

11.

Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A. C., & Fei-Fei, L. (2014). ImageNet large scale visual recognition challenge. arXiv. https://doi.org/10.48550/arXiv.1409.0575.

DOI: doi.org/10.48550/arxiv.1409.0575

12.

Senin, P. (2008). Dynamic time warping algorithm review (Technical Report). Information and Computer Science Department, University of Hawaii at Mānoa.

13.

Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv. https://doi.org/10.48550/arXiv.1409.1556.

DOI: doi.org/10.48550/arxiv.1409.1556

14.

Vespe, M., Visentini, I., Bryan, K., & Braca, P. (2012, May 16-17). Unsupervised learning of maritime traffic patterns for anomaly detection. In Proceedings of the 9th IET Data Fusion & Target Tracking Conference: Algorithms & Applications. London, United Kingdom. https://doi.org/10.1049/ic.2012.0019.

DOI: doi.org/10.1049/ic.2012.0019

15.

Yin, X., et al. (2021). Sentiment analysis based on BiGRU information enhancement. Journal of Physics: Conference Series, 1748(3), 032054. https://doi.org/10.1088/1742-6596/1748/3/032054.

DOI: doi.org/10.1088/1742-6596/1748/3/032054

16.

Zhao, L. B., & Shi, G. Y. (2019). Maritime anomaly detection using density-based clustering and recurrent neural network. The Journal of Navigation, 72(4), 894-916. https://doi.org/10.1017/S037346331800101X.

DOI: doi.org/10.1017/s037346331800101x

Cùng chuyên mục

Các bài trong chuyên đề «Khoa học - Kỹ thuật».

Xem thêm bài viết