Πρωτότυπος Τίτλος:
Ανάλυση σε πραγματικό χρόνο δεδομένων κινητικότητας και ειδικά η ανάπτυξη μεθοδολογιών για την αποτελεσματική ανίχνευση μη αναμενόμενων συμπεριφορών και την κατηγοριοποίηση τροχιών
Συγγραφέας:
Κοντόπουλος, Ιωάννης, Νικόλαος
Επιβλέπων καθηγητής:
Τσερπές, Κωνσταντίνος
Περίληψη:
Στην εποχή μας, ο αυξανόμενος αριθμός των αισθητήρων των κινητών αντικειμένων έχει ως αποτέ-λεσμα τη συνεχόμενη παραγωγή ροών δεδομένων υψηλής συχνότητας και μεγάλου όγκου. Αυτό το φαινόμενο παρατηρείται πολύ στον τομέα της ναυτιλίας όπου τα περισσότερα πλοία παγκοσμίως μεταδίδουν την τοποθεσία τους περιοδικά. Επομένως, υπάρχει μεγάλη ανάγκη για εξαγωγή χρήσιμης πληροφορίας και αναγνώριση μοτίβων κίνησης από αυτά τα δεδομένα με έναν αυτόματο τρόπο. Επιπλέον, η αύξηση αυτών των δεδομένων θέτει νέες προκλήσεις στην κοινότητα της εξαγωγής δεδομένων όσον αφορά την αποδοτική ανάλυση και εξαγωγή γνώσης.
Η υποχρεωτική χρήση του αυτόματου συστήματος αναγνώρισης (Automatic Identification System - AIS) -- ένα σύστημα παρακολούθησης πλοίων -- σε πολλά πλοία, που έχει επιβληθεί από τους κανονισμούς ναυτιλίας, έχει ανοίξει νέες ευκαιρίες για τη ναυτιλιακή παρακολούθηση. Οι μεταδότες AIS είναι πλούσια πηγή πληροφοριών που ο καθένας μπορεί να συλλέξει με τη χρήση ενός δέκτη RF και παρέχουν πληροφορίες σε πραγματικό χρόνο για τις θέσεις των πλοίων. Η εκμετάλλευση δεδομένων AIS μπορεί να αποκαλύψει παράνομη συμπεριφορά, να προσφέρει ειδο-ποιήσεις σε πραγματικό χρόνο και να ενημερώσει τις αρχές για κάθε είδος παράξενης συμπεριφοράς. Μια μεγάλη πρόκληση στην παρακολούθηση πλοίων είναι η αναγνώριση γεγονότων ενδιαφέροντος μέσα από ογκώδεις και υψηλής συχνότητας ροές δεδομένων σε πραγματικό χρόνο. Ακόμη μεγαλύτε-ρη πρόκληση είναι η ανάπτυξη εφαρμογών στους επίγειους δέκτες που έχουν περιορισμένη ικανότη-τα επεξεργασίας. Επιπροσθέτως, οι γεμάτες λάθη και θόρυβο ροές δεδομένων παρακολούθησης πλοίων κάνει την ακριβή ανίχνευση γεγονότων ενδιαφέροντος ακόμη πιο δύσκολη. Σε αυτήν τη διατριβή προσπαθούμε να αντιμετωπίσου-με τις παραπάνω προκλήσεις.
Συνεπώς, προτείνουμε μια κατανεμημένη αρχιτεκτονική ικανή να αναγνωρίζει γεγονότα μέσα από λανθασμένες και θορυβώδεις ροές δεδομένων παρακολούθησης πλοίων όπως το spoofing και το κλείσιμο των δεκτών μετάδοσης σε πραγματικό χρόνο. Επιπλέον, παρουσιάζουμε μια επέκταση ενός υπάρχοντος δικτύου ναυτιλιακής κίνησης που βασίζεται σε κόμβους που αντιστοιχούν σε ναυτικές περιοχές παρατεταμένης παραμονής πλοίων ή μεγάλων στροφών (παραδείγματος χάριν, λιμάνια, ακρωτήρια, πλατφόρμες) και ακμές που αντιστοιχούν σε διαδρομές πλοίων μεταξύ δύο διαδοχικών κόμβων. Η εστίαση του προβλήματος είναι στις συνδέσεις του δικτύου και στον εμπλουτισμό με σημασιολογική πληροφορία σχετικά με τον τρόπο διάσχισης μιας ακμής. Επομένως, αραιά ιστορικά δεδομένα παρακολούθησης πλοίων και πολυωνυμι-κή παρεμβολή χρησιμοποιούνται για την εξαγωγή διαδρομών πλοίων. Προτείνεται μια παραλλαγή του αλγορίθμου ομαδοποίησης DBSCAN πάνω από μια κατανεμημένη αρχιτεκτονική, όπου οι παράμετροι εγγύτητας του αλγορίθ-μου αλλάζουν. Η παραλλαγή του αλγορίθμου εκμεταλλεύεται τη διαφορά στην ταχύτητα, πορεία και θέση για να οριστεί η απόσταση μεταξύ δύο διαδοχικών θέσεων πλοίων.
Επιπλέον, καινοτόμες προσεγγίσεις παρουσιάζονται για την κατηγοριοποίηση δραστηριότη-τας πλοίων από ροές δεδομένων σε πραγματικό χρόνο. Παρουσιάζεται μια λύση που τμηματοποι-εί τροχιές πλοίων σε πολλές μικρότερες τροχιές και ξεχωρίζει τα τμήματα στα οποία τα πλοία ψαρεύουν από άλλα τμήματα στα οποία τα πλοία απλά έχουν χαράξει πορεία προς τον προορισμό τους. Επίσης, παρουσιάζεται μια συγχώνευση των ερευνητικών τομέων του computer vision και της κατηγοριοποίησης τροχιών (trajectory classification). Ο στόχος αυτής της συγχώνευσης είναι να αυξήσει την ακρίβεια αναγνώρισης των μοτίβων κίνησης των πλοίων μέσα από τεχνικές deep learning σε πραγματικό χρόνο, υπερνικώντας τις προκλήσεις των μεγάλων δεδομένων όπως ο όγκος και η ταχύτητα. Τέλος, προς επίλυση των ίδιων προκλήσεων, διάφοροι αλγόριθμοι συμπίεσης τροχιών παρουσιάζονται και αξιολογούνται σε δεδομένα προερχόμενα από τροχιές πλοίων. Οι αλγόριθμοι συμπίεσης τροχιών που παρουσιάζονται σε αυτήν την έρευνα είναι κατάλληλοι είτε για ιστορικά δεδομένα είτε για δεδομένα πραγματικού χρόνου. Οι αλγόριθμοι αξιολογούνται ως προς το βαθμό συμπίεσης, την ταχύτητα εκτέλεσης και την απώλεια πληροφορίας. Παρουσιάζουμε τα ευρήματα αυτής της έρευνας που προορίζονται σε ερευνητές στον τομέα της έξυπνης παρακολούθη-σης πλοίων.
Η υποχρεωτική χρήση του αυτόματου συστήματος αναγνώρισης (Automatic Identification System - AIS) -- ένα σύστημα παρακολούθησης πλοίων -- σε πολλά πλοία, που έχει επιβληθεί από τους κανονισμούς ναυτιλίας, έχει ανοίξει νέες ευκαιρίες για τη ναυτιλιακή παρακολούθηση. Οι μεταδότες AIS είναι πλούσια πηγή πληροφοριών που ο καθένας μπορεί να συλλέξει με τη χρήση ενός δέκτη RF και παρέχουν πληροφορίες σε πραγματικό χρόνο για τις θέσεις των πλοίων. Η εκμετάλλευση δεδομένων AIS μπορεί να αποκαλύψει παράνομη συμπεριφορά, να προσφέρει ειδο-ποιήσεις σε πραγματικό χρόνο και να ενημερώσει τις αρχές για κάθε είδος παράξενης συμπεριφοράς. Μια μεγάλη πρόκληση στην παρακολούθηση πλοίων είναι η αναγνώριση γεγονότων ενδιαφέροντος μέσα από ογκώδεις και υψηλής συχνότητας ροές δεδομένων σε πραγματικό χρόνο. Ακόμη μεγαλύτε-ρη πρόκληση είναι η ανάπτυξη εφαρμογών στους επίγειους δέκτες που έχουν περιορισμένη ικανότη-τα επεξεργασίας. Επιπροσθέτως, οι γεμάτες λάθη και θόρυβο ροές δεδομένων παρακολούθησης πλοίων κάνει την ακριβή ανίχνευση γεγονότων ενδιαφέροντος ακόμη πιο δύσκολη. Σε αυτήν τη διατριβή προσπαθούμε να αντιμετωπίσου-με τις παραπάνω προκλήσεις.
Συνεπώς, προτείνουμε μια κατανεμημένη αρχιτεκτονική ικανή να αναγνωρίζει γεγονότα μέσα από λανθασμένες και θορυβώδεις ροές δεδομένων παρακολούθησης πλοίων όπως το spoofing και το κλείσιμο των δεκτών μετάδοσης σε πραγματικό χρόνο. Επιπλέον, παρουσιάζουμε μια επέκταση ενός υπάρχοντος δικτύου ναυτιλιακής κίνησης που βασίζεται σε κόμβους που αντιστοιχούν σε ναυτικές περιοχές παρατεταμένης παραμονής πλοίων ή μεγάλων στροφών (παραδείγματος χάριν, λιμάνια, ακρωτήρια, πλατφόρμες) και ακμές που αντιστοιχούν σε διαδρομές πλοίων μεταξύ δύο διαδοχικών κόμβων. Η εστίαση του προβλήματος είναι στις συνδέσεις του δικτύου και στον εμπλουτισμό με σημασιολογική πληροφορία σχετικά με τον τρόπο διάσχισης μιας ακμής. Επομένως, αραιά ιστορικά δεδομένα παρακολούθησης πλοίων και πολυωνυμι-κή παρεμβολή χρησιμοποιούνται για την εξαγωγή διαδρομών πλοίων. Προτείνεται μια παραλλαγή του αλγορίθμου ομαδοποίησης DBSCAN πάνω από μια κατανεμημένη αρχιτεκτονική, όπου οι παράμετροι εγγύτητας του αλγορίθ-μου αλλάζουν. Η παραλλαγή του αλγορίθμου εκμεταλλεύεται τη διαφορά στην ταχύτητα, πορεία και θέση για να οριστεί η απόσταση μεταξύ δύο διαδοχικών θέσεων πλοίων.
Επιπλέον, καινοτόμες προσεγγίσεις παρουσιάζονται για την κατηγοριοποίηση δραστηριότη-τας πλοίων από ροές δεδομένων σε πραγματικό χρόνο. Παρουσιάζεται μια λύση που τμηματοποι-εί τροχιές πλοίων σε πολλές μικρότερες τροχιές και ξεχωρίζει τα τμήματα στα οποία τα πλοία ψαρεύουν από άλλα τμήματα στα οποία τα πλοία απλά έχουν χαράξει πορεία προς τον προορισμό τους. Επίσης, παρουσιάζεται μια συγχώνευση των ερευνητικών τομέων του computer vision και της κατηγοριοποίησης τροχιών (trajectory classification). Ο στόχος αυτής της συγχώνευσης είναι να αυξήσει την ακρίβεια αναγνώρισης των μοτίβων κίνησης των πλοίων μέσα από τεχνικές deep learning σε πραγματικό χρόνο, υπερνικώντας τις προκλήσεις των μεγάλων δεδομένων όπως ο όγκος και η ταχύτητα. Τέλος, προς επίλυση των ίδιων προκλήσεων, διάφοροι αλγόριθμοι συμπίεσης τροχιών παρουσιάζονται και αξιολογούνται σε δεδομένα προερχόμενα από τροχιές πλοίων. Οι αλγόριθμοι συμπίεσης τροχιών που παρουσιάζονται σε αυτήν την έρευνα είναι κατάλληλοι είτε για ιστορικά δεδομένα είτε για δεδομένα πραγματικού χρόνου. Οι αλγόριθμοι αξιολογούνται ως προς το βαθμό συμπίεσης, την ταχύτητα εκτέλεσης και την απώλεια πληροφορίας. Παρουσιάζουμε τα ευρήματα αυτής της έρευνας που προορίζονται σε ερευνητές στον τομέα της έξυπνης παρακολούθη-σης πλοίων.
Ημερομηνία κατάθεσης:
2022-06-07
Γλώσσες Τεκμηρίου:
Αγγλικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Ναυτιλία-τεχνολογικές καινοτομίες
Εξόρυξη δεδομένων
Εξόρυξη δεδομένων
Λέξεις-κλειδιά:
ανάλυση σε πραγματικό χρόνο, ανίχνευση μη αναμενόμενων συμπεριφορών, κατηγοριοποίηση τροχιών, ομαδοποίηση τροχιών, νευρωνικά δίκτυα
Περιγραφή:
165 σ.,εικ.,πίν.,διαγρ.,χάρτες,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
