Key points are not available for this paper at this time.
Alors que les économies mondiales continuent de croître, le commerce maritime devrait doubler d'ici l'année 2050. Dans ce contexte, le développement d'une nouvelle génération de systèmes de supervision maritime intelligents, qui reposent sur une perception précise de l'information et des technologies basées sur l'apprentissage automatique, est crucial pour garantir la sécurité de la navigation maritime. Les méthodes traditionnelles de détection des comportements anormaux des navires souffrent souvent de capacités d'extraction de caractéristiques inadéquates, entraînant une détection des anomalies inefficace et inexacte. Pour remédier à ce problème, cet article introduit un modèle de détection basé sur un encodeur Transformer-GSA. Ce modèle améliore les données d'information sur les navires grâce au BCE-GAN, extrait des caractéristiques convolutionnelles multi-couches et utilise le module Transformer-GSA pour capter les dépendances entre les caractéristiques de trajectoire et les données de séries temporelles, identifiant ainsi efficacement les comportements anormaux des navires. Une évaluation réalisée à l'aide des données AIS de la route Yantai-Qingdao en janvier 2021 démontre que le modèle atteint une précision de 96,26 %, avec un nombre de paramètres réduit à 12,11 millions. Ces résultats confirment l'efficacité et la supériorité du modèle dans la détection des trajectoires anormales des navires, contribuant à la réduction des accidents maritimes et des activités illégales, soulageant le fardeau de gestion du personnel d'astreinte et améliorant la qualité des services de circulation maritime intelligents et l'efficacité des opérations portuaires dans l'architecture de l'Internet des Objets maritime.
Liu et al. (Mon,) ont étudié cette question.