[论文解读] Composite Event Recognition for Maritime Monitoring

Manolis Pitsikalis, Alexander Artikis+4 more|arXiv (Cornell University)|Mar 7, 2019

Data Management and Algorithms参考文献 21被引用 4

一句话总结

本文提出了一种基于运行时事件演算（RTEC）的实时复合事件识别系统，用于海上监控，以检测复杂的船舶活动。该系统引入了一个经领域专家验证的25种海上模式形式化库，能够准确识别如拖网捕鱼、海盗行为和非法捕捞等行为，处理大规模AIS数据流时延迟低于1秒。

ABSTRACT

Maritime monitoring systems support safe shipping as they allow for the real-time detection of dangerous, suspicious and illegal vessel activities. We present such a system using the Run-Time Event Calculus, a composite event recognition system with formal, declarative semantics. For effective recognition, we developed a library of maritime patterns in close collaboration with domain experts. We present a thorough evaluation of the system and the patterns both in terms of predictive accuracy and computational efficiency, using real-world datasets of vessel position streams and contextual geographical information.

研究动机与目标

• 开发一种形式化、声明式的系统，利用实时AIS数据流检测复杂的海上事件。
• 解决在动态海上环境中识别危险、可疑及非法船舶活动的挑战。
• 与领域专家合作，定义超越基本异常行为的全面可操作海上模式库。
• 在真实世界数据集上评估系统性能，兼顾预测准确性和计算效率。
• 公开提供事件识别结果，以支持未来在模式学习和海上态势感知方面的研究。

提出的方法

• 采用运行时事件演算（RTEC）作为复合事件识别的基础形式化方法，具备声明式、基于逻辑的语义。
• 集成空间预处理，实时计算船舶与地理区域之间的空间关系（例如，邻近、位于区域内）。
• 应用轨迹简化技术，过滤非关键AIS消息，降低数据量，同时保留与事件相关的关键信号。
• 利用RTEC的流畅量和事件原语，构建包含25种海上模式（如拖网捕鱼、拖带、搜救）的分层模式库，依赖于低层级模式。
• 采用时间滑动窗口处理，检测时间序列事件，通过截止时间机制管理事件终止。
• 在两个真实世界的AIS数据集上评估性能：1800万条消息（布列斯特，2015–2016年）和5500万条消息（欧洲，2016年），并集成静态地理数据（如Natura 2000保护区、渔业区）。

实验结果

研究问题

• RQ1 如何形式化指定复合事件识别，以实现实时检测广泛的复杂海上活动？
• RQ2 通过关键点过滤实现的数据压缩对AIS数据流中事件检测准确性有何影响？
• RQ3 该系统在处理大规模实时AIS数据流时，效率如何，同时保持高检测准确性？
• RQ4 专家验证的海上模式能否在基于逻辑的事件演算框架中有效编码与识别？
• RQ5 使用上下文地理信息在多大程度上提升了对非法或可疑船舶行为的检测能力？

主要发现

• 系统实现了实时复合事件识别，在单核台式机上处理超过50,000个关键AIS事件的16小时窗口数据，耗时不足1秒。
• 关键点流压缩显著减少了输入数据量，但因消息被移除而引入了假阴性和假阳性，尤其影响拖网捕鱼和搜救模式的检测。
• 计算最密集的模式是拖网捕鱼和搜救（SAR），这归因于RTEC的截止时间机制对事件终止的处理。
• 与领域专家合作开发的25种海上模式库，可检测包括非法捕捞、海盗行为和异常航线在内的多样化活动。
• 布列斯特数据集（1800万条消息）中所有识别出的复合事件均已公开，以支持未来在模式学习和异常检测方面的研究。
• 该系统在陆基和卫星AIS数据中均表现出稳健性能，尤其在海上监控中常见的延迟数据环境中表现优异。