Outlier detection in maritime environments using AIS data and deep recurrent architectures

本文介绍了一种基于深度递归模型的海上监视方法，使用公开的自动识别系统（AIS）数据。该方法采用深度递归神经网络（RNN）模型对观测到的船舶运动模式进行编码和重构。我们的方法基于观测和重构的运动模式之间计算出的误差阈值机制。具体而言，使用观测到的运动模式训练编码器-解码器体系结构的深度学习框架，使模型能够学习和预测预期轨迹，并将其与实际轨迹进行比较。我们的模型，特别是双向GRU具有循环dropout的模型，在捕捉海上数据的时间动态方面展示了优越的性能，说明深度学习提高海上监视能力的潜力。我们的工作为未来的研究奠定了坚实的基础，突出了通过技术的创新应用提高海上安全的路径。

本文旨在通过深度循环模型，基于公开的自动识别系统（AIS）数据，提高海上监视能力。具体而言，通过训练深度学习框架，即编码器-解码器架构，使模型能够学习和预测预期轨迹，并将其与实际轨迹进行比较。

本文的关键思路是使用深度循环神经网络（RNN）对船只运动模式进行编码和重构，并基于计算出的误差阈值机制来进行监视。

本文的亮点包括使用深度学习框架来提高海上监视能力，尤其是使用双向GRU模型来捕捉海上数据的时间动态。本文使用了公开的AIS数据集，并开源了代码。未来可以进一步研究如何通过技术创新提高海上安全。

在这个领域中，最近还有其他相关研究，如“基于深度学习的船舶运动预测”和“基于AIS数据的船舶行为分析”等。