WO2020157964A1 - 船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 - Google Patents
船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 Download PDFInfo
- Publication number
- WO2020157964A1 WO2020157964A1 PCT/JP2019/003664 JP2019003664W WO2020157964A1 WO 2020157964 A1 WO2020157964 A1 WO 2020157964A1 JP 2019003664 W JP2019003664 W JP 2019003664W WO 2020157964 A1 WO2020157964 A1 WO 2020157964A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- track
- ship
- target
- pattern
- drawn
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0244—Accuracy or reliability of position solution or of measurements contributing thereto
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0215—Interference
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
Definitions
- the program according to the present disclosure uses the ship information transmitted from one or more ships to generate a plurality of track patterns representing the track of the ship from position information that changes with the passage of time of the ship. And causing the computer to execute a step of generating a learned parameter by machine learning using the generated plurality of track patterns and the correct navigation state which is the correct label corresponding to each of the plurality of track patterns.
- the control unit 12 is a processor such as a CPU (Central Processing Unit).
- the control unit 12 has a function as an arithmetic device that performs control processing, arithmetic processing, and the like.
- the storage unit 14 is a storage device such as a memory or a hard disk.
- the storage unit 14 is, for example, a ROM (Read Only Memory) or a RAM (Random Access Memory).
- the storage unit 14 has a function of storing a control program and a calculation program executed by the control unit 12.
- the storage unit 14 also has a function of temporarily storing processed data and the like.
- the storage unit 14 may include a database.
- the ship analysis system 10 includes a data storage unit 20, a parameter storage unit 30, a ship behavior learning device 100, and a ship analysis device 200.
- the data storage unit 20, the parameter storage unit 30, the ship behavior learning device 100, and the ship analysis device 200 function as a data storage unit, a parameter storage unit, a ship behavior learning unit, and a ship analysis unit, respectively.
- a method of generating a track pattern from position information and speed information according to the second embodiment will be described below.
- the process of generating the track from the position information is substantially the same as the process of the track pattern generation unit 102, and thus the description thereof is omitted.
- a method of determining the drawing method of the track based on the speed information after the drawing of the track pattern image of FIG. 7 is completed will be described. That is, in the second embodiment, the speed information is superimposed on the track (track pattern) generated from the position information.
- Equation 4 Equation 4
- the ship analysis system 10 according to the third embodiment learns a set of a track pattern and a sailing state generated from position information of ship information and superposed with speed information. Furthermore, the ship analysis system 10 according to the third embodiment learns a nautical state and a track pattern in which acceleration information is superimposed and generated from position information of ship information as a set. Then, the ship analysis system 10 according to the third embodiment estimates the sailing state from the track pattern in which the speed information and the acceleration information are respectively superimposed and generated from the position information of the ship information of the target ship during the actual operation. Then, the ship analysis system 10 according to the third embodiment compares the estimated sailing state with the sailing state of the ship information of the target ship to determine whether the sailing state is correct. Thus, in the third embodiment, the amount of information is increased by superimposing the speed information and the acceleration information of the ship on the track pattern.
- the present invention is not limited to the above-mentioned embodiment, and can be modified as appropriate without departing from the spirit of the present invention.
- one or more of the processing of each step of the flowcharts described above may be omitted.
- S132 of FIG. 9 may be omitted.
- the track pattern generation unit sets the sailing state s r at time T as the correct answer label for the sailing state corresponding to the track pattern image, as in the case of each of the above embodiments.
- the ship analysis device and the ship analysis method also perform substantially the same processing as the generation of the track pattern in the above-described embodiment.
- the generation of the track pattern in the ship analysis device and the ship analysis method is substantially the same as the above-described track pattern generation unit related to the turning rate except for the addition of label information. As described above, even when the turning rate is used, the amount of information is increased, so that it is possible to obtain substantially the same effects as those of the above-described second to third embodiments.
- the estimating means uses a learned parameter previously generated by machine learning using a plurality of track patterns and a correct navigation state that is a correct label corresponding to each of the plurality of track patterns, and uses the learned state of the target ship.
- the ship analysis device according to appendix 1. (Appendix 3) The ship analysis device according to supplementary note 1 or 2, wherein the pattern generation unit generates the target track pattern so that the track is drawn by a different expression method according to the speed of the target ship in the track. (Appendix 4) The ship analysis device according to appendix 3, wherein the pattern generation unit generates the target track pattern such that the track is drawn in a different color according to the speed of the target ship in the track. (Appendix 5) 5.
- Appendix 31 Using the ship information transmitted from one or more ships, a plurality of track patterns representing the track of the ship are generated from position information that changes with time of the ship, A ship behavior learning method for generating a learned parameter by machine learning using the generated plurality of track patterns and a correct navigation state which is a correct label corresponding to each of the plurality of track patterns.
- Appendix 32 32.
- Appendix 33 33.
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Ocean & Marine Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
不審な船舶を適切に判定することが可能な船舶解析装置を提供する。船舶解析装置(1)は、パターン生成部(2)と、推定部(4)と、判定部(6)とを有する。パターン生成部(2)は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から対象船舶の航跡を表す対象航跡パターンを生成する。推定部(4)は、生成された航跡パターンを用いて、対象船舶の航海状態を推定する。判定部(6)は、推定された航海状態と、対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、対象航海状態が偽装されているか否かを判定する。
Description
本発明は、船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体に関する。
不審船舶による迷惑行為や密輸入、密入国を防ぐ目的で、目視による船舶監視が行われてきた。これに対し、近年、レーダーや船舶自動識別装置(AIS;Automatic Identification System)の船舶情報などを用いて、目視監視を支援する技術が開示されている。例えば、特許文献1は、1以上の船舶からの船舶自動識別装置(AIS)放射を、観測し、位置特定し、且つ受信し、船舶自動識別装置(AIS)指標を検出するように構成された、1以上の船舶自動識別装置(AIS)受信機を備えるシステムを開示する。
AISの船舶情報(AIS情報)は、意図的に改ざん(偽装)され得る。したがって、上述した特許文献1のように、単に、AIS放射を、観測し、位置特定し、AIS指標を検出するような技術では、適切に、船舶の航海状態を解析することができないおそれがある。したがって、不審な船舶を適切に判定することができないおそれがあった。
本開示の目的は、このような課題を解決するためになされたものであり、不審な船舶を適切に判定することが可能な船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体を提供することにある。
本開示にかかる船舶解析装置は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段とを有する。
また、本開示にかかる船舶行動学習装置は、1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段とを有する。
また、本開示にかかる船舶解析システムは、船舶の行動を解析する船舶解析手段と、前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段とを有し、前記船舶行動学習手段は、1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第1のパターン生成手段と、前記第1のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段とを有し、前記船舶解析手段は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第2のパターン生成手段と、前記第2のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段とを有する。
また、本開示にかかる船舶解析方法は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する。
また、本開示にかかる船舶行動学習方法は、1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する。
また、本開示にかかるプログラムは、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップとをコンピュータに実行させる。
また、本開示にかかるプログラムは、1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップとをコンピュータに実行させる。
本開示によれば、不審な船舶を適切に判定することが可能な船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体を提供できる。
(本開示にかかる実施の形態の概要)
本開示の実施の形態の説明に先立って、本開示にかかる実施の形態の概要について説明する。図1は、本開示の実施の形態にかかる船舶解析装置1の概要を示す図である。船舶解析装置1は、例えばコンピュータである。船舶解析装置1は、船舶の行動を解析する。船舶解析装置1は、パターン生成部2と、推定部4と、判定部6とを有する。パターン生成部2は、パターン生成手段(第2のパターン生成手段)として機能する。推定部4は、推定手段として機能する。判定部6は、判定手段として機能する。
本開示の実施の形態の説明に先立って、本開示にかかる実施の形態の概要について説明する。図1は、本開示の実施の形態にかかる船舶解析装置1の概要を示す図である。船舶解析装置1は、例えばコンピュータである。船舶解析装置1は、船舶の行動を解析する。船舶解析装置1は、パターン生成部2と、推定部4と、判定部6とを有する。パターン生成部2は、パターン生成手段(第2のパターン生成手段)として機能する。推定部4は、推定手段として機能する。判定部6は、判定手段として機能する。
パターン生成部2は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から対象船舶の航跡を表す対象航跡パターンを生成する。対象航跡パターン(航跡パターン)は、例えば画像である。推定部4は、生成された航跡パターンを用いて、対象船舶の航海状態を推定する。判定部6は、推定された航海状態と、対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、対象航海状態が偽装されているか否かを判定する。以下、関連技術に関する問題点について説明する。
近年、違法な漁業による環境破壊や資源の枯渇が世界的に問題視されている。違法漁業を抑止するために、船舶の識別符号、種類、位置、針路、速力、航海状態などの情報(船舶情報)を船舶間や地上基地局と相互通信する船舶自動識別装置(AIS)が注目されている。AISの航海状態を示すデータには、漁業行動中を示すコードが含まれるため、AISを正しく運用することで、個々の船舶の漁業行動を把握し、さらには海域全体での漁業の実態把握につなげることが期待される。
ここで、一般に船舶に搭載されるAISにはクラスA及びクラスBの2種類があり、多くの場合、漁船に搭載されるAISは、航海状態を送信する機能がない安価なクラスBである。また、仮に、クラスAを搭載する漁船が増えたとしても、AISの航海状態は船員の手入力であるため、悪意ある偽装を容易に行えるという問題がある。
この問題に対し、ドメイン知識に基づくエキスパートシステムによる航海状態の誤入力抽出手法が提案されている。同手法では、AISに含まれる航海状態の情報と、その他航海に関する情報とを比較し、起こりえないと推定される組み合わせを誤入力として抽出する。一例を述べると、移動していない「係留中」や「錨泊中」に一定以上の速度が記録されることはありえないことから、2ノット以上の速度のAISデータが「係留中」または「錨泊中」を示す航海状態を入力している場合、誤入力データとして抽出する。
一方、AISについて定義される航海状態は最大16通りあるため、上記手法では、すべてを網羅するエキスパートシステムの構築が煩雑である。特に、航海状態「漁」については、様々な漁種に対応する必要がある。つまり、AISの情報から様々な漁種を含む多様な航海状態から安定的に誤入力データを抽出することが課題であった。
このような問題点に対し、本開示にかかる船舶解析装置1は、上記のように構成されているので、対象船舶から発信された船舶情報(例えばAIS情報)に示された航海状態が偽装されているか否かを、適切に判定することができる。したがって、AISの情報から様々な漁種を含む多様な航海状態から安定的に誤入力データを抽出することが可能となる。したがって、本開示にかかる船舶解析装置1は、不審な船舶を適切に判定することが可能となる。
(実施の形態1)
以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
図2は、実施の形態1にかかる船舶解析システム10を示す図である。船舶解析システム10は、主要なハードウェア構成として、制御部12と、記憶部14と、通信部16と、インタフェース部18(IF;Interface)とを有する。制御部12、記憶部14、通信部16及びインタフェース部18は、データバスなどを介して相互に接続されている。
制御部12は、例えばCPU(Central Processing Unit)等のプロセッサである。制御部12は、制御処理及び演算処理等を行う演算装置としての機能を有する。記憶部14は、例えばメモリ又はハードディスク等の記憶デバイスである。記憶部14は、例えばROM(Read Only Memory)又はRAM(Random Access Memory)等である。記憶部14は、制御部12によって実行される制御プログラム及び演算プログラム等を記憶するための機能を有する。また、記憶部14は、処理データ等を一時的に記憶するための機能を有する。記憶部14は、データベースを含み得る。
通信部16は、他の装置と通信を行うために必要な処理を行う。通信部16は、通信ポート、ルータ、ファイアウォール等を含み得る。インタフェース部18(IF;Interface)は、例えばユーザインタフェース(UI)である。インタフェース部18は、キーボード、タッチパネル又はマウス等の入力装置と、ディスプレイ又はスピーカ等の出力装置とを有する。インタフェース部18は、ユーザ(オペレータ)によるデータの入力の操作を受け付け、ユーザに対して情報を出力する。インタフェース部18は、解析対象の船舶についての解析結果を表示してもよい。
また、実施の形態1にかかる船舶解析システム10は、データ蓄積部20、パラメータ蓄積部30、船舶行動学習装置100、及び船舶解析装置200を有する。データ蓄積部20、パラメータ蓄積部30、船舶行動学習装置100、及び船舶解析装置200は、それぞれ、データ蓄積手段、パラメータ蓄積手段、船舶行動学習手段、及び船舶解析手段として機能する。
なお、船舶解析システム10の各構成要素は、例えば、制御部12の制御によって、プログラムを実行させることによって実現できる。より具体的には、各構成要素は、記憶部14に格納されたプログラムを、制御部12が実行することによって実現され得る。また、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。また、各構成要素は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。また、各構成要素は、例えばFPGA(field-programmable gate array)又はマイコン等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。以上のことは、後述する他の実施の形態においても同様である。なお、各構成要素の具体的な機能については後述する。
また、船舶行動学習装置100及び船舶解析装置200は、物理的に別個の装置であってもよい。その場合、船舶行動学習装置100及び船舶解析装置200の両方が、別個に、制御部12と、記憶部14と、通信部16と、インタフェース部18とを有してもよい。この場合、船舶行動学習装置100及び船舶解析装置200の両方が、それぞれ独立して、プログラムを実行し得る。逆に、船舶行動学習装置100及び船舶解析装置200の各構成要素(後述)は、物理的に一体の装置で構成されてもよい。この場合、船舶解析システム10において、船舶行動学習装置100及び船舶解析装置200の各構成要素は、物理的に区別される必要はない。
データ蓄積部20は、記憶部14で実現され得るデータベースである。より具体的には、データ蓄積部20は、多数の船舶の船舶情報を保持するハードディスクやメモリカードなどの記憶媒体、あるいはそれらが接続されるネットワークなどで実現される。データ蓄積部20は、船舶の船舶情報の蓄積あるいは伝送を行う。船舶情報は、例えばAISによって取得されたものであるが、このような構成に限られない。
船舶行動学習装置100は、データ蓄積部20に格納された船舶情報から、船舶の航跡を表す複数の航跡パターンを生成する。そして、船舶行動学習装置100は、複数の航跡パターンから、機械学習によって、学習済みパラメータを生成し、パラメータ蓄積部30に格納する。
パラメータ蓄積部30は、記憶部14で実現され得る。より具体的には、パラメータ蓄積部30は、船舶行動学習装置100で生成された船舶行動分類器のパラメータ(学習済みパラメータ)を保持するハードディスクやメモリカードなどの記憶媒体、あるいは、それらが接続されるネットワークなどで実現される。パラメータ蓄積部30は、学習済みパラメータの蓄積あるいは伝送を行う。
船舶解析装置200は、対象船舶の船舶情報に示される航海状態の正誤を判定する航海状態正誤判定装置として機能する。船舶解析装置200は、対象船舶の航跡を表す対象航跡パターンを生成する。船舶解析装置200は、生成された航跡パターンから、学習済みパラメータを用いて、対象船舶の航海状態を推定する。そして、船舶解析装置200は、推定された航海状態と、対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、対象航海状態が偽装されているか否かを判定する。
図3は、実施の形態1にかかる船舶行動学習装置100の構成を示す図である。また、図4は、実施の形態1にかかる船舶行動学習装置100によって実行される船舶行動学習方法を示すフローチャートである。実施の形態1にかかる船舶行動学習装置100は、データ取得部101と、航跡パターン生成部102と、パターン学習部103とを有する。データ取得部101は、データ取得手段として機能する。航跡パターン生成部102は、航跡パターン生成手段(第1のパターン生成手段)として機能する。パターン学習部103は、パターン学習手段として機能する。
データ取得部101は、各船舶の船舶情報を取得する(ステップS102)。ここで、データ蓄積部20は、複数の船舶の船舶情報が蓄積されている。船舶情報は、対応する船舶の航海状態と時間情報とが対応付けられた状態で、データ蓄積部20に格納されている。データ取得部101は、データ蓄積部20から、各船舶の、時間的に連続する航海状態及び位置情報のデータを抽出する。そして、データ取得部101は、航海状態を示すデータ及び位置情報を、航跡パターン生成部102に出力する。ここで、S102の処理で取得(抽出)される航海状態は、偽装(改ざん)されていないとする。
航跡パターン生成部102は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する(ステップS104)。具体的には、航跡パターン生成部102は、データ取得部101から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。そして、航跡パターン生成部102は、データ取得部101から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態(正解航海状態)を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部102は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部103に出力する。航跡パターンのさらに具体的な生成方法については、後述する。
パターン学習部103は、航跡パターンを学習して、学習済みパラメータを生成する(ステップS106)。具体的には、パターン学習部103は、航跡パターン生成部102から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部103は、最適化したパラメータ(学習済みパラメータ)を、パラメータ蓄積部30に格納する。
図5~図7は、実施の形態1にかかる航跡パターンの生成方法を説明するための図である。船舶情報は、所定の時間間隔でサンプリングされた、時系列で連続する複数のデータセットを含む。時刻iのデータセットは、位置情報piと、速度情報viと、航海状態siとを含む。航跡パターン生成部102は、これらのデータセットの中から、基準となる任意の時刻のデータを1つ選択する。ここでは基準時刻をTとする。
そして、各点を描画すると、図5に例示されるような離散点となる。図5には、時刻T-2、・・・、T、・・・、T+5における位置情報が描画されている。なお、時刻T+k(kは整数)は、時刻Tからk秒後ということを意味するのではなく、サンプリング周期において、時刻Tのタイミングからk番目の時刻を意味する。
次に、航跡パターン生成部102は、基準時刻Tの前後のm個のデータに対し、基準時刻Tに対する相対的な位置情報pi’を以下の式2によって算出する。ここで、round()は、整数値への丸め処理を表し、αは所定のスカラー値である。
(式2)
(式2)
航跡パターン生成部102は、基準時刻Tの点PTが所定のサイズのグリッドの中心に位置するようにしつつ、各点pi’(位置情報)を図6に例示するようにマッピングする。このとき、グリッドの1マスの分解能をrとすると、前述のαはα=1/rで表される。
次に、航跡パターン生成部102は、時間的に連続する点を直線でつなぎ、図7に例示される航跡パターン画像を生成する。なお、ここでは簡単のために、時間的に連続する点を結ぶために直線を用いたが、直線を用いることに限定されない。例えば、スプライン補間等を用いて、曲線によって、時間的に連続する点をつないでもよい。なお、位置情報のデータの時間間隔が不均一の場合には、船舶ごとのデータの時間間隔を一定に揃える処理を適用してもよい。
航跡パターン生成部102は、上記のように、基準時刻Tを中心として生成された航跡パターン画像に対応する航海状態について、時刻Tにおける航海状態sTが正解ラベルであると設定する。以上の処理を任意の船舶、任意の時刻において繰り返すことで、大量の正解ラベル付き画像データセットを生成することができる。
パターン学習部103は、航跡パターン生成部102によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部103は、例えば、畳み込みニューラルネットワーク(Convolutional Neural Net;CNN)等を用いて学習を行ってもよいが、CNN以外の機械学習アルゴリズムを用いてもよい。このことは、他の実施の形態でも同様である。
図8は、実施の形態1にかかる船舶解析装置200の構成を示す図である。また、図9は、実施の形態1にかかる船舶解析装置200によって実行される船舶解析方法を示すフローチャートである。船舶解析装置200は、データ取得部201と、航跡パターン生成部202と、航海状態推定部203と、航海状態正誤判定部204と、出力部205とを有する。データ取得部201は、データ取得手段として機能する。航跡パターン生成部202は、航跡パターン生成手段(第2のパターン生成手段)として機能する。航海状態推定部203は、航海状態推定手段として機能する。航海状態正誤判定部204は、航海状態正誤判定手段として機能する。出力部205は、出力手段として機能する。また、航跡パターン生成部202は、図1に示したパターン生成部2に対応する。航海状態推定部203は、図1に示した推定部4に対応する。航海状態正誤判定部204は、図1に示した判定部6に対応する。
データ取得部201は、対象船舶の船舶情報を取得する(ステップS122)。具体的には、データ取得部201は、データ蓄積部20から、解析対象の船舶(対象船舶)の、時間的に連続する航海状態及び位置情報のデータを抽出する。そして、データ取得部201は、位置情報を、航跡パターン生成部202に出力する。また、データ取得部201は、航海状態を示すデータを、航海状態正誤判定部204に出力する。ここで、S122の処理で取得(抽出)される航海状態は、偽装(改ざん)されている可能性があるとする。
航跡パターン生成部202は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する(ステップS124)。具体的には航跡パターン生成部202は、データ取得部201から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像(対象航跡パターン画像)を生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部102(S104)の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部202は、生成された対象航跡パターン画像を、航海状態推定部203に出力する。
航海状態推定部203は、対象船舶の航海状態を推定する(ステップS126)。具体的には、航海状態推定部203は、パラメータ蓄積部30から、学習済みの航海状態分類器のパラメータ(学習済みパラメータ)を取得する。航海状態推定部203は、学習済みパラメータを用いて、パターン学習部103で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部203は、航跡パターン生成部202から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部203は、推定された航海状態(推定航海状態)を、航海状態正誤判定部204に出力する。
航海状態正誤判定部204は、データ取得部201から出力された対象船舶の船舶情報に示された航海状態(対象航海状態)と、航海状態推定部203から出力された推定航海状態とを比較する(ステップS128)。そして、航海状態正誤判定部204は、対象航海状態と推定航海状態とが一致するか否かを判定する(ステップS130)。両者が一致する場合(S130のYES)、航海状態正誤判定部204は、一致を示す信号(例えば「0」)を、出力部205に出力する。一方、両者が一致しない場合(S130のNO)、航海状態正誤判定部204は、不一致を示す信号(例えば「1」)を、出力部205に出力する。
出力部205は、航海状態正誤判定部204から出力された対象航海状態の正誤判定結果を出力する。ここでいう出力は、判定結果の表示、記録、伝送などを含む。出力部205は、図2に示したインタフェース部18によって実現され得る。出力部205は、表示装置、データ出力装置(プリンタ等)、記憶装置(又は記憶媒体)などを含み得る。あるいは、出力部205は、このような装置と接続する有線又は無線の通信インタフェースを含んで構成されてもよい。なお、出力部205は、判定結果を一時的に記憶する出力バッファを含んでもよい。
航海状態正誤判定部204から一致を示す信号(例えば「0」)が出力された場合(S130のYES)、出力部205は、対象航海状態が正しい旨を表示する(ステップS132)。一方、航海状態正誤判定部204から不一致を示す信号(例えば「1」)が出力された場合(S130のNO)、出力部205は、対象航海状態が偽装されている旨を表示する(ステップS134)。
上述したように、実施の形態1にかかる船舶解析システム10は、船舶情報の位置情報から生成される航跡パターンと航海状態とをセットで学習する。そして、実施の形態1にかかる船舶解析システム10は、実運用時には、対象船舶の船舶情報の位置情報から生成される航跡パターンから推定される航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。これにより、専門的な知識によらないで、適切に、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態1にかかる船舶解析システム10(船舶解析装置200)は、不審な船舶を適切に判定することが可能となる。また、実施の形態1にかかる船舶解析システム10の船舶行動学習装置100は、適切に、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、不審な船舶を適切に判定することを可能とする学習済みパラメータを生成することができる。
(実施の形態2)
次に、実施の形態2について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態2にかかるシステム構成については、図2に示したものと実質的に同様であるので、説明を省略する。実施の形態2においては、航跡パターンの生成方法が、実施の形態1と異なる。
次に、実施の形態2について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態2にかかるシステム構成については、図2に示したものと実質的に同様であるので、説明を省略する。実施の形態2においては、航跡パターンの生成方法が、実施の形態1と異なる。
図10は、実施の形態2にかかる船舶行動学習装置100の構成を示す図である。なお、実施の形態2にかかる船舶行動学習装置100によって実行される船舶行動学習方法の概要は、図4に示したフローチャートと実質的に同様である。実施の形態2にかかる船舶行動学習装置100は、データ取得部301と、航跡パターン生成部302と、パターン学習部303とを有する。データ取得部301は、データ取得手段として機能する。航跡パターン生成部302は、航跡パターン生成手段(第1のパターン生成手段)として機能する。パターン学習部303は、パターン学習手段として機能する。
データ取得部301は、各船舶の船舶情報を取得する(S102)。ここで、実施の形態2においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部20に格納され得るとする。データ取得部301は、データ蓄積部20から、各船舶の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部301は、航海状態を示すデータ、位置情報及び速度情報を、航跡パターン生成部302に出力する。
なお、一般的に、GPS又はAISから取得される船舶情報には、速度情報が含まれ得る。しかしながら、船舶情報に速度情報が含まれていない場合には、データ取得部301は、連続する2点間の空間的距離と時間的距離から速度を算出することが可能である。時間的距離については、連続する2点間のデータの取得日時から求めることが可能である。
航跡パターン生成部302は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する(S104)。具体的には、航跡パターン生成部302は、速度情報に基づいて描画方法を決定し、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。つまり、航跡パターン生成部302は、航跡を、航跡における船舶の速度に応じて異なる表現方法で描画するように、航跡パターンを生成する。そして、航跡パターン生成部302は、データ取得部301から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態(正解航海状態)を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部302は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部303に出力する。実施の形態2にかかる航跡パターンのさらに具体的な生成方法については、後述する。
パターン学習部303は、航跡パターンを学習して、学習済みパラメータを生成する(S106)。具体的には、パターン学習部303は、航跡パターン生成部302から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部303は、最適化したパラメータ(学習済みパラメータ)を、パラメータ蓄積部30に格納する。
以下、実施の形態2にかかる、位置情報と速度情報から航跡パターンを生成する方法について説明する。なお、位置情報から航跡を生成する処理については、航跡パターン生成部102の処理と実質的に同様であるため、説明を省略する。以下では、図7の航跡パターン画像の描画が終了した以降の、速度情報に基づいて航跡の描画方法を決定する方法について説明する。つまり、実施の形態2においては、位置情報から生成された航跡(航跡パターン)に、速度情報が重畳される。
まず、航跡パターン生成部302は、速度情報viを、所定の最高速度vmaxを用いて以下の式3により変換し、0.0から1.0の範囲に正規化されたvi’を算出する。なお、vmaxについては、現在における実用上の高速船の最高速度とされる45ノット程度を入力すればよい。あるいは、vmaxについては、各国の高速船の定義を用いて、22ノット(日本)、24ノット(欧州)、30ノット(米国)としてもよい。
(式3)
(式3)
航跡パターン生成部302は、このvi’の値に基づき、図7の航跡パターン画像の描画方法を決定する。一例として、vi’に基づき、描画する線の色を変更してもよい。vi’に基づいて線の色を変更する方法として、vi’の色相環へのマッピングについて説明する。v’の最小値及び最大値がそれぞれ色相環の0度及び360度になるようにマッピングすると、速度の最大値と最小値が色相環上では連続してしまう。したがって、例えば最小値が色相の0度(赤)、最大値が色相の240度(青)に対応するように、vi’の色相環へのマッピングを行ってもよい。ここで、色相Hiは以下の式4で表される。
(式4)
(式4)
このようにして、実施の形態2においては、図7に示した航跡パターン(軌跡)が、船舶の速度情報に基づいて着色される。つまり、着色される航跡パターンの色は、船舶の速度情報に応じて、一意に決定される。なお、点piにおける色はCi
RGBを使えばよい。一方、点piと点p(i+1)と間を結ぶ線分の色については、2点間の色が線形に変化するように重みづけ和を行って決定してもよい。あるいは、単純に、点pi及び点p(i+1)における速度情報に対応する色情報の平均値の色、又はこれらの点のどちらか一方の色を用いてもよい。
なお、vi’に基づいて変更する描画方法は、色を用いて速度情報を表現するものに限定されない。例えば、描画する線の太さ又は線の種類(破線、点線等)などで、速度情報を表現してもよい。なお、色を用いた描画方法の場合は、3チャネルの航跡パターン画像が生成され、線の種類又は太さを用いた描画方法の場合は、1チャネルの航跡パターン画像が生成され得る。
航跡パターン生成部302は、上記のように、基準時刻Tを中心として生成された航跡パターン画像に対応する航海状態について、時刻Tにおける航海状態sTが正解ラベルであると設定する。以上の処理を任意の船舶、任意の時刻において繰り返すことで、大量の正解ラベル付き画像データセットを生成することができる。
パターン学習部303は、パターン学習部103と同様にして、航跡パターン生成部302によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部303は、例えば、畳み込みニューラルネットワーク(CNN)等を用いて学習を行ってもよい。なお、航跡の描画方法として色を用いた場合、CNNの入力がグレースケール画像からカラー画像に変わるため、ネットワークのチャネルの構成が、実施の形態1の場合とは異なることに注意すべきである。
図11は、実施の形態2にかかる船舶解析装置200の構成を示す図である。なお、実施の形態2にかかる船舶解析装置200によって実行される船舶解析方法の概要は、図9に示したフローチャートと実質的に同様である。実施の形態2にかかる船舶解析装置200は、データ取得部401と、航跡パターン生成部402と、航海状態推定部403と、航海状態正誤判定部204と、出力部205とを有する。データ取得部401は、データ取得手段として機能する。航跡パターン生成部402は、航跡パターン生成手段(第2のパターン生成手段)として機能する。航海状態推定部403は、航海状態推定手段として機能する。また、航跡パターン生成部402は、図1に示したパターン生成部2に対応する。航海状態推定部403は、図1に示した推定部4に対応する。
データ取得部401は、対象船舶の船舶情報を取得する(S122)。ここで、上述したように、実施の形態2においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部20に格納されている。データ取得部401は、データ蓄積部20から、解析対象の船舶(対象船舶)の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部401は、位置情報及び速度情報を、航跡パターン生成部402に出力する。また、データ取得部401は、航海状態を示すデータを、航海状態正誤判定部204に出力する。ここで、上述したように、S122の処理で取得(抽出)される航海状態は、偽装されている可能性があるとする。また、データ取得部301と同様に、データ取得部401は、船舶情報に速度情報が含まれていない場合には、連続する2点間の空間的距離と時間的距離から速度を算出することが可能である。
航跡パターン生成部402は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する(S124)。具体的には、航跡パターン生成部402は、速度情報に基づいて描画方法(色など)を決定し、データ取得部401から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像(対象航跡パターン画像)を生成する。つまり、航跡パターン生成部402は、航跡を、航跡における対象船舶の速度に応じて異なる表現方法で描画するように、対象航跡パターンを生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部302(S104)の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部402は、生成された対象航跡パターン画像を、航海状態推定部403に出力する。
航海状態推定部403は、対象船舶の航海状態を推定する(S126)。具体的には、航海状態推定部403は、パラメータ蓄積部30から、学習済みの航海状態分類器のパラメータ(学習済みパラメータ)を取得する。航海状態推定部403は、パターン学習部303で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部403は、航跡パターン生成部402から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部403は、推定された航海状態(推定航海状態)を、航海状態正誤判定部204に出力する。
実施の形態1と同様に、航海状態正誤判定部204は、データ取得部401から出力された対象船舶の船舶情報に示された航海状態(対象航海状態)と、航海状態推定部403から出力された推定航海状態とを比較する(S128)。そして、航海状態正誤判定部204は、対象航海状態と推定航海状態とが一致するか否かを判定する(S130)。両者が一致する場合(S130のYES)、出力部205は、対象航海状態が正しい旨を表示する(S132)。一方、両者が一致しない場合(S130のNO)、出力部205は、対象航海状態が偽装されている旨を表示する(S134)。
上述したように、実施の形態2にかかる船舶解析システム10は、船舶情報の位置情報から生成され速度情報が重畳された航跡パターンと航海状態とをセットで学習する。そして、実施の形態2にかかる船舶解析システム10は、実運用時には、対象船舶の船舶情報の位置情報から生成され速度情報が重畳された航跡パターンから推定される航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。このように、実施の形態2では、船舶の速度情報を航跡パターンに重畳することで、情報量を増加させている。これにより、実施の形態2にかかる船舶解析システム10は、実施の形態1と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態2にかかる船舶解析システム10(船舶解析装置200)は、実施の形態1と比較して、不審な船舶をさらに適切に判定することが可能となる。また、実施の形態2にかかる船舶解析システム10の船舶行動学習装置100は、実施の形態1と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、実施の形態2においては、実施の形態1と比較して、不審な船舶をさらに適切に判定することを可能とする学習済みパラメータを生成することができる。
(実施の形態3)
次に、実施の形態3について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態3にかかるシステム構成については、図2に示したものと実質的に同様であるので、説明を省略する。実施の形態3においては、航跡パターンの生成方法が、上述した実施の形態と異なる。
次に、実施の形態3について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態3にかかるシステム構成については、図2に示したものと実質的に同様であるので、説明を省略する。実施の形態3においては、航跡パターンの生成方法が、上述した実施の形態と異なる。
図12は、実施の形態3にかかる船舶行動学習装置100の構成を示す図である。なお、実施の形態3にかかる船舶行動学習装置100によって実行される船舶行動学習方法の概要は、図4に示したフローチャートと実質的に同様である。実施の形態3にかかる船舶行動学習装置100は、データ取得部501と、航跡パターン生成部502と、パターン学習部503と、加速度算出部504とを有する。データ取得部501は、データ取得手段として機能する。航跡パターン生成部502は、航跡パターン生成手段(第1のパターン生成手段)として機能する。パターン学習部503は、パターン学習手段として機能する。加速度算出部504は、加速度算出手段として機能する。
データ取得部501は、各船舶の船舶情報を取得する(S102)。ここで、実施の形態3においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部20に格納され得るとする。データ取得部501は、データ蓄積部20から、各船舶の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部501は、航海状態を示すデータ、位置情報及び速度情報を、航跡パターン生成部502に出力する。さらに、データ取得部501は、速度情報と時刻情報とを加速度算出部504に出力する。
なお、一般的に、GPS又はAISから取得される船舶情報には、速度情報が含まれ得る。しかしながら、船舶情報に速度情報が含まれていない場合には、データ取得部501は、連続する2点間の空間的距離と時間的距離から速度を算出することが可能である。時間的距離については、連続する2点間のデータの取得日時から求めることが可能である。
加速度算出部504は、データ取得部501から出力された時刻情報と速度情報とから加速度情報を算出する。そして、加速度算出部504は、算出した加速度情報を航跡パターン生成部502に出力する。具体的には、加速度算出部504は、時間的に連続する速度情報viと、各速度情報が観測された時刻tiとを用いて、各時刻における加速度aiを、以下の式7によって算出する。
(式7)
(式7)
航跡パターン生成部502は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する(S104)。具体的には、航跡パターン生成部502は、速度情報及び加速度情報に基づいて描画方法を決定し、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。そして、航跡パターン生成部502は、データ取得部501から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態(正解航海状態)を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部502は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部503に出力する。実施の形態3にかかる航跡パターンのさらに具体的な生成方法については、後述する。
パターン学習部503は、航跡パターンを学習して、学習済みパラメータを生成する(S106)。具体的には、パターン学習部503は、航跡パターン生成部502から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部503は、最適化したパラメータ(学習済みパラメータ)を、パラメータ蓄積部30に格納する。
以下、実施の形態3にかかる、位置情報と速度情報と加速度情報とから航跡パターンを生成する方法について説明する。位置情報から航跡を生成する処理、及び、速度情報を航跡に重畳する処理については、航跡パターン生成部302の処理と実質的に同様であるため、説明を省略する。以下では、図7の航跡パターン画像の描画が終了した以降の、加速度情報に基づいて航跡の描画方法を決定する方法について説明する。つまり、実施の形態3においては、位置情報から生成された航跡に、加速度情報が重畳される。なお、実施の形態3においては、実施の形態2にかかる速度情報が重畳された航跡と加速度情報が重畳された航跡とが別個に生成されてもよいし、実施の形態2にかかる速度情報が重畳された航跡に、さらに加速度情報が重畳されてもよい。
まず、航跡パターン生成部502は、加速度情報aiを、所定の最高加速度amaxを用いて以下の式8により変換し、0.0から1.0の範囲に正規化されたai’を算出する。なお、amaxは、ユーザによって予め設定された所定値であってもよい。
(式8)
(式8)
航跡パターン生成部502は、このai’の値に基づき、図7の航跡パターン画像の描画方法を決定する。一例として、ai’に基づき、描画する線の色を変更してもよい。ai’に基づいて線の色を変更する方法として、ai’の色相環へのマッピングについて説明する。ai’の最小値及び最大値がそれぞれ色相環の0度及び360度になるようにマッピングすると、加速度の最大値と最小値が色相環上では連続してしまう。したがって、例えば最小値が色相の0度(赤)、最大値が色相の240度(青)に対応するように、ai’の色相環へのマッピングを行ってもよい。ここで、色相Hiは以下の式9で表される。
(式9)
(式9)
このようにして、実施の形態3においては、図7に示した航跡パターン(軌跡)が、船舶の加速度情報に基づいて着色される。つまり、着色される航跡パターンの色は、船舶の加速度情報に応じて、一意に決定される。なお、点piと点p(i+1)との間を結ぶ線分の色についてはCi
RGBを使えばよい。一方、点piにおける色については、点p(i-1)について算出された加速度a(i-1)と、点piについて算出された加速度aiとの平均値に対応する色情報を用いてもよい。あるいは、単純に、点p(i-1)について算出された加速度a(i-1)、又は、点piについて算出された加速度aiに対応する色情報を用いてもよい。
なお、ai’に基づいて変更する描画方法は、色を用いて加速度情報を表現するものに限定されない。例えば、描画する線の太さ又は線の種類(破線、点線等)などで、加速度情報を表現してもよい。なお、色を用いた描画方法の場合は、3チャネルの航跡パターン画像が生成され、線の種類又は太さを用いた描画方法の場合は、1チャネルの航跡パターン画像が生成され得る。
航跡パターン生成部502は、上記のようにして生成された、速度によって描画方法が決定された航跡パターン、及び、加速度によって描画方法が決定された航跡パターンの2種類の航跡パターン画像を、パターン学習部503に出力する。なお、速度による描画方法及び加速度による描画方法が共に色によるものである場合、航跡パターン生成部502は、速度による航跡パターン及び加速度による航跡パターンを、6チャネルの航跡パターン画像として、パターン学習部503に出力する。
なお、例えば、速度による描画方法が色によるものであり、加速度による描画方法が線の太さによるものであってもよい。この場合、航跡パターン生成部502は、速度による航跡パターン及び加速度による航跡パターンを、4チャネルの航跡パターン画像として、パターン学習部503に出力する。また、例えば、速度による描画方法が線の種類によるものであり、加速度による描画方法が線の太さによるものであってもよい。この場合、航跡パターン生成部502は、速度による航跡パターン及び加速度による航跡パターンを、2チャネルの航跡パターン画像として、パターン学習部503に出力する。
パターン学習部503は、パターン学習部103と同様にして、航跡パターン生成部502によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部503は、例えば、畳み込みニューラルネットワーク(CNN)等を用いて学習を行ってもよい。
図13は、実施の形態3にかかる船舶解析装置200の構成を示す図である。なお、実施の形態3にかかる船舶解析装置200によって実行される船舶解析方法の概要は、図9に示したフローチャートと実質的に同様である。実施の形態3にかかる船舶解析装置200は、データ取得部601と、航跡パターン生成部602と、航海状態推定部603と、加速度算出部604と、航海状態正誤判定部204と、出力部205とを有する。データ取得部601は、データ取得手段として機能する。航跡パターン生成部602は、航跡パターン生成手段(第2のパターン生成手段)として機能する。航海状態推定部603は、航海状態推定手段として機能する。また、航跡パターン生成部602は、図1に示したパターン生成部2に対応する。航海状態推定部603は、図1に示した推定部4に対応する。
データ取得部601は、対象船舶の船舶情報を取得する(S122)。ここで、上述したように、実施の形態3においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部20に格納されている。データ取得部601は、データ蓄積部20から、解析対象の船舶(対象船舶)の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部601は、位置情報及び速度情報を、航跡パターン生成部602に出力する。また、データ取得部601は、航海状態を示すデータを、航海状態正誤判定部204に出力する。ここで、上述したように、S122の処理で取得(抽出)される航海状態は、偽装されている可能性があるとする。また、データ取得部301と同様に、データ取得部601は、船舶情報に速度情報が含まれていない場合には、連続する2点間の空間的距離と時間的距離から速度を算出することが可能である。
さらに、データ取得部601は、速度情報と時刻情報とを加速度算出部604に出力する。加速度算出部604は、加速度算出部504と同様にして、データ取得部601から出力された時刻情報と速度情報とから加速度情報を算出する。そして、加速度算出部604は、算出した加速度情報を航跡パターン生成部602に出力する。
航跡パターン生成部602は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する(S124)。具体的には、航跡パターン生成部602は、速度情報に基づいて描画方法(色など)を決定し、データ取得部601から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像(対象航跡パターン画像)を生成する。さらに、航跡パターン生成部602は、加速度情報に基づいて描画方法(色など)を決定し、データ取得部601から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像(対象航跡パターン画像)を生成する。つまり、航跡パターン生成部602は、航跡を、航跡における対象船舶の速度及び加速度に応じて異なる表現方法で描画するように、速度及び加速度それぞれについての対象航跡パターンを生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部502(S104)の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部602は、生成された対象航跡パターン画像を、航海状態推定部603に出力する。
航海状態推定部603は、対象船舶の航海状態を推定する(S126)。具体的には、航海状態推定部603は、パラメータ蓄積部30から、学習済みの航海状態分類器のパラメータ(学習済みパラメータ)を取得する。航海状態推定部603は、パターン学習部503で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部603は、航跡パターン生成部602から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部603は、推定された航海状態(推定航海状態)を、航海状態正誤判定部204に出力する。
実施の形態1と同様に、航海状態正誤判定部204は、データ取得部601から出力された対象船舶の船舶情報に示された航海状態(対象航海状態)と、航海状態推定部603から出力された推定航海状態とを比較する(S128)。そして、航海状態正誤判定部204は、対象航海状態と推定航海状態とが一致するか否かを判定する(S130)。両者が一致する場合(S130のYES)、出力部205は、対象航海状態が正しい旨を表示する(S132)。一方、両者が一致しない場合(S130のNO)、出力部205は、対象航海状態が偽装されている旨を表示する(S134)。
上述したように、実施の形態3にかかる船舶解析システム10は、船舶情報の位置情報から生成され速度情報が重畳された航跡パターンと航海状態とをセットで学習する。さらに、実施の形態3にかかる船舶解析システム10は、船舶情報の位置情報から生成され加速度情報が重畳された航跡パターンと航海状態とをセットで学習する。そして、実施の形態3にかかる船舶解析システム10は、実運用時には、対象船舶の船舶情報の位置情報から生成され速度情報及び加速度情報がそれぞれ重畳された航跡パターンから、航海状態を推定する。そして、実施の形態3にかかる船舶解析システム10は、推定された航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。このように、実施の形態3では、船舶の速度情報及び加速度情報を航跡パターンに重畳することで、情報量を増加させている。
これにより、実施の形態3にかかる船舶解析システム10は、上記の他の実施の形態と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態3にかかる船舶解析システム10(船舶解析装置200)は、上記の他の実施の形態と比較して、不審な船舶をさらに適切に判定することが可能となる。また、実施の形態3にかかる船舶解析システム10の船舶行動学習装置100は、上記の他の実施の形態と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、実施の形態3においては、上記の他の実施の形態と比較して、不審な船舶をさらに適切に判定することを可能とする学習済みパラメータを生成することができる。
(変形例)
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートの各ステップの処理の1つ以上は、省略され得る。例えば、図9のS132は、省略されてもよい。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートの各ステップの処理の1つ以上は、省略され得る。例えば、図9のS132は、省略されてもよい。
また、例えば、航跡パターン生成部において、描画方法決定に用いることができる情報としては、速度や加速度だけでなく、船舶の回頭率(進行方向の時間変化)などを用いてもよい。つまり、上述した実施の形態に、以下に示す船舶の回頭率を用いた方法をさらに適用してもよい。
ここで、回頭率は、AIS情報等の船舶情報の航海状態を示すデータに含まれ得る。回頭率が用いられる場合、船舶行動学習装置100及び船舶解析装置200の航跡パターン生成部は、速度又は加速度などを用いる場合と同様に、時系列の回頭率を正規化する(式3及び式8参照)。ここで、正規化された回頭率をtr’とすると、航跡パターン生成部は、各々のtr’を色相環にマッピングして、各々のtr’に対応する色を決定する。回頭率を用いる場合は、例えば0度と359度の差は1度としてみることが望ましいため、色相Hiのマッピングにおいては、速度又は加速度を用いる場合と異なり、式12を用いればよい。
(式12)
Hi=tr’
(式12)
Hi=tr’
また、航跡パターン生成部は、点pi(図7参照)を、例えば、その点におけるtr’に対応する色に着色するとともに、点piと点pi+1とを結ぶ線分の色を、例えば、点piにおけるtr’と点pi+1とにおけるtr’との平均値に対応する色に着色する。なお、描画方法は、tr’に応じて色を変える方法に限定されない。例えば、描画する線の太さや線の種類などをtr’に応じて変えてもよい。さらに、航跡パターン生成部は、上記の各実施の形態の場合と同様に、航跡パターン画像に対応する航海状態について、時刻Tにおける航海状態srを、正解ラベルとして設定する。なお、船舶解析装置及び船舶解析方法についても、航跡パターンの生成上記の実施の形態と実質的に同様の処理が行われる。なお、船舶解析装置及び船舶解析方法における航跡パターンの生成は、上記の回頭率にかかる航跡パターン生成部と、ラベル情報の付与を除き、実質的に同様である。このように、回頭率を用いた場合でも、情報量が増加するので、上記の実施の形態2~3と実質的に同様の効果を得ることができる。
上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、CD-ROM、CD-R、CD-R/W、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM)を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
(付記1)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する船舶解析装置。
(付記2)
前記推定手段は、複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記1に記載の船舶解析装置。
(付記3)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1又は2に記載の船舶解析装置。
(付記4)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記3に記載の船舶解析装置。
(付記5)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1~4のいずれか1項に記載の船舶解析装置。
(付記6)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記5に記載の船舶解析装置。
(付記7)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1~6のいずれか1項に記載の船舶解析装置。
(付記8)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記7に記載の船舶解析装置。
(付記9)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段と
を有する船舶行動学習装置。
(付記10)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9に記載の船舶行動学習装置。
(付記11)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記10に記載の船舶行動学習装置。
(付記12)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9~11のいずれか1項に記載の船舶行動学習装置。
(付記13)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記12に記載の船舶行動学習装置。
(付記14)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9~13のいずれか1項に記載の船舶行動学習装置。
(付記15)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記14に記載の船舶行動学習装置。
(付記16)
船舶の行動を解析する船舶解析手段と、
前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段と
を有し、
前記船舶行動学習手段は、
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第1のパターン生成手段と、
前記第1のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段と
を有し、
前記船舶解析手段は、
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第2のパターン生成手段と、
前記第2のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する
船舶解析システム。
(付記17)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16に記載の船舶解析システム。
(付記18)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記17に記載の船舶解析システム。
(付記19)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16~18のいずれか1項に記載の船舶解析システム。
(付記20)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記19に記載の船舶解析システム。
(付記21)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16~20のいずれか1項に記載の船舶解析システム。
(付記22)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記21に記載の船舶解析システム。
(付記23)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する
船舶解析方法。
(付記24)
複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記23に記載の船舶解析方法。
(付記25)
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23又は24に記載の船舶解析方法。
(付記26)
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記25に記載の船舶解析方法。
(付記27)
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23~26のいずれか1項に記載の船舶解析方法。
(付記28)
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記27に記載の船舶解析方法。
(付記29)
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23~28のいずれか1項に記載の船舶解析方法。
(付記30)
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記29に記載の船舶解析方法。
(付記31)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する
船舶行動学習方法。
(付記32)
前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31に記載の船舶行動学習方法。
(付記33)
前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記32に記載の船舶行動学習方法。
(付記34)
前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31~33のいずれか1項に記載の船舶行動学習方法。
(付記35)
前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記34に記載の船舶行動学習方法。
(付記36)
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31~35のいずれか1項に記載の船舶行動学習方法。
(付記37)
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記36に記載の船舶行動学習方法。
(付記38)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
(付記39)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
(付記1)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する船舶解析装置。
(付記2)
前記推定手段は、複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記1に記載の船舶解析装置。
(付記3)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1又は2に記載の船舶解析装置。
(付記4)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記3に記載の船舶解析装置。
(付記5)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1~4のいずれか1項に記載の船舶解析装置。
(付記6)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記5に記載の船舶解析装置。
(付記7)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記1~6のいずれか1項に記載の船舶解析装置。
(付記8)
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記7に記載の船舶解析装置。
(付記9)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段と
を有する船舶行動学習装置。
(付記10)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9に記載の船舶行動学習装置。
(付記11)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記10に記載の船舶行動学習装置。
(付記12)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9~11のいずれか1項に記載の船舶行動学習装置。
(付記13)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記12に記載の船舶行動学習装置。
(付記14)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記9~13のいずれか1項に記載の船舶行動学習装置。
(付記15)
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記14に記載の船舶行動学習装置。
(付記16)
船舶の行動を解析する船舶解析手段と、
前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段と
を有し、
前記船舶行動学習手段は、
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第1のパターン生成手段と、
前記第1のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段と
を有し、
前記船舶解析手段は、
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第2のパターン生成手段と、
前記第2のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する
船舶解析システム。
(付記17)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16に記載の船舶解析システム。
(付記18)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記17に記載の船舶解析システム。
(付記19)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16~18のいずれか1項に記載の船舶解析システム。
(付記20)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記19に記載の船舶解析システム。
(付記21)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記16~20のいずれか1項に記載の船舶解析システム。
(付記22)
前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記21に記載の船舶解析システム。
(付記23)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する
船舶解析方法。
(付記24)
複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記23に記載の船舶解析方法。
(付記25)
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23又は24に記載の船舶解析方法。
(付記26)
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記25に記載の船舶解析方法。
(付記27)
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23~26のいずれか1項に記載の船舶解析方法。
(付記28)
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記27に記載の船舶解析方法。
(付記29)
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記23~28のいずれか1項に記載の船舶解析方法。
(付記30)
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記29に記載の船舶解析方法。
(付記31)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する
船舶行動学習方法。
(付記32)
前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31に記載の船舶行動学習方法。
(付記33)
前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記32に記載の船舶行動学習方法。
(付記34)
前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31~33のいずれか1項に記載の船舶行動学習方法。
(付記35)
前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記34に記載の船舶行動学習方法。
(付記36)
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記31~35のいずれか1項に記載の船舶行動学習方法。
(付記37)
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記36に記載の船舶行動学習方法。
(付記38)
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
(付記39)
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
1 船舶解析装置
2 パターン生成部
4 推定部
6 判定部
10 船舶解析システム
20 データ蓄積部
30 パラメータ蓄積部
100 船舶行動学習装置
101 データ取得部
102 航跡パターン生成部
103 パターン学習部
200 船舶解析装置
201 データ取得部
202 航跡パターン生成部
203 航海状態推定部
204 航海状態正誤判定部
205 出力部
301 データ取得部
302 航跡パターン生成部
303 パターン学習部
401 データ取得部
402 航跡パターン生成部
403 航海状態推定部
501 データ取得部
502 航跡パターン生成部
503 パターン学習部
504 加速度算出部
601 データ取得部
602 航跡パターン生成部
603 航海状態推定部
604 加速度算出部
2 パターン生成部
4 推定部
6 判定部
10 船舶解析システム
20 データ蓄積部
30 パラメータ蓄積部
100 船舶行動学習装置
101 データ取得部
102 航跡パターン生成部
103 パターン学習部
200 船舶解析装置
201 データ取得部
202 航跡パターン生成部
203 航海状態推定部
204 航海状態正誤判定部
205 出力部
301 データ取得部
302 航跡パターン生成部
303 パターン学習部
401 データ取得部
402 航跡パターン生成部
403 航海状態推定部
501 データ取得部
502 航跡パターン生成部
503 パターン学習部
504 加速度算出部
601 データ取得部
602 航跡パターン生成部
603 航海状態推定部
604 加速度算出部
Claims (39)
- 解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する船舶解析装置。 - 前記推定手段は、複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
請求項1に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項1又は2に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項3に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項1~4のいずれか1項に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項5に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項1~6のいずれか1項に記載の船舶解析装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項7に記載の船舶解析装置。 - 1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段と
を有する船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項9に記載の船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項10に記載の船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項9~11のいずれか1項に記載の船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項12に記載の船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項9~13のいずれか1項に記載の船舶行動学習装置。 - 前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項14に記載の船舶行動学習装置。 - 船舶の行動を解析する船舶解析手段と、
前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段と
を有し、
前記船舶行動学習手段は、
1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第1のパターン生成手段と、
前記第1のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段と
を有し、
前記船舶解析手段は、
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第2のパターン生成手段と、
前記第2のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する
船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項16に記載の船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項17に記載の船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項16~18のいずれか1項に記載の船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項19に記載の船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項16~20のいずれか1項に記載の船舶解析システム。 - 前記第1のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
前記第2のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項21に記載の船舶解析システム。 - 解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する
船舶解析方法。 - 複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
請求項23に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項23又は24に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項25に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項23~26のいずれか1項に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項27に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
請求項23~28のいずれか1項に記載の船舶解析方法。 - 前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
請求項29に記載の船舶解析方法。 - 1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する
船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項31に記載の船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項32に記載の船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項31~33のいずれか1項に記載の船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項34に記載の船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
請求項31~35のいずれか1項に記載の船舶行動学習方法。 - 前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
請求項36に記載の船舶行動学習方法。 - 解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。 - 1つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/003664 WO2020157964A1 (ja) | 2019-02-01 | 2019-02-01 | 船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 |
US17/425,829 US20220317238A1 (en) | 2019-02-01 | 2019-02-01 | Vessel analysis device, vessel behavior learning device, vessel analysis system, vessel analysis method, vessel behavior learning method, and recording medium |
JP2020569317A JP7272373B2 (ja) | 2019-02-01 | 2019-02-01 | 船舶解析装置、船舶解析方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/003664 WO2020157964A1 (ja) | 2019-02-01 | 2019-02-01 | 船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020157964A1 true WO2020157964A1 (ja) | 2020-08-06 |
Family
ID=71842005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2019/003664 WO2020157964A1 (ja) | 2019-02-01 | 2019-02-01 | 船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220317238A1 (ja) |
JP (1) | JP7272373B2 (ja) |
WO (1) | WO2020157964A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181078A (ja) * | 2003-12-18 | 2005-07-07 | Tokimec Inc | 船舶用航行支援装置 |
JP2011226798A (ja) * | 2010-04-15 | 2011-11-10 | Mitsubishi Electric Corp | 船舶識別装置 |
JP2013222326A (ja) * | 2012-04-17 | 2013-10-28 | Furuno Electric Co Ltd | 自船周囲情報表示装置及び自船周囲情報表示方法 |
KR20160120917A (ko) * | 2015-04-09 | 2016-10-19 | 한국전자통신연구원 | 크라우드 소싱을 이용한 선박 자동 식별 정보 검증 장치 및 방법 |
JP2018019359A (ja) * | 2016-07-29 | 2018-02-01 | キヤノン株式会社 | 船舶監視装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10281799A (ja) * | 1997-04-11 | 1998-10-23 | Furuno Electric Co Ltd | 航行援助装置 |
US8836570B2 (en) * | 2011-10-26 | 2014-09-16 | Raytheon Canada Limited | Systems and methods for extending maritime domain awareness by sharing radar tracks between vessels |
US20140218242A1 (en) * | 2013-02-01 | 2014-08-07 | NanoSatisfi Inc. | Computerized nano-satellite platform for large ocean vessel tracking |
US20170102466A1 (en) * | 2015-10-09 | 2017-04-13 | Harris Corporation | Systems and methods for space-based geolocation of vessels using maritime signals transmitted therefrom |
KR20180119344A (ko) * | 2017-04-25 | 2018-11-02 | 재단법인대구경북과학기술원 | 영역 감시 장치 및 이에 의한 영역 감시 방법 |
-
2019
- 2019-02-01 WO PCT/JP2019/003664 patent/WO2020157964A1/ja active Application Filing
- 2019-02-01 US US17/425,829 patent/US20220317238A1/en not_active Abandoned
- 2019-02-01 JP JP2020569317A patent/JP7272373B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005181078A (ja) * | 2003-12-18 | 2005-07-07 | Tokimec Inc | 船舶用航行支援装置 |
JP2011226798A (ja) * | 2010-04-15 | 2011-11-10 | Mitsubishi Electric Corp | 船舶識別装置 |
JP2013222326A (ja) * | 2012-04-17 | 2013-10-28 | Furuno Electric Co Ltd | 自船周囲情報表示装置及び自船周囲情報表示方法 |
KR20160120917A (ko) * | 2015-04-09 | 2016-10-19 | 한국전자통신연구원 | 크라우드 소싱을 이용한 선박 자동 식별 정보 검증 장치 및 방법 |
JP2018019359A (ja) * | 2016-07-29 | 2018-02-01 | キヤノン株式会社 | 船舶監視装置 |
Non-Patent Citations (1)
Title |
---|
JIANG, XIANG ET AL.: "Fishing Activity Detection from AIS Data Using Autoencoders", CANADIAN CONFERENCE ON AI 2016, 20 December 2018 (2018-12-20), pages 33 - 39, XP047341416 * |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020157964A1 (ja) | 2021-11-11 |
JP7272373B2 (ja) | 2023-05-12 |
US20220317238A1 (en) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208816B (zh) | 用于海上无人艇的自动障碍物识别***及识别方法 | |
US20190204416A1 (en) | Target object detecting device, method of detecting a target object and computer readable medium | |
JP5724907B2 (ja) | 船舶の統合監視のための衛星情報及び船舶情報の統合方法 | |
JP5209662B2 (ja) | 船舶識別装置 | |
US20210114698A1 (en) | Apparatus, method, and recording medium for autonomous ship navigation | |
JP7449567B2 (ja) | 通信端末、プログラム及び方法 | |
Silveira et al. | Assessment of ship collision estimation methods using AIS data | |
Shu et al. | Vessel speed, course, and path analysis in the Botlek area of the Port of Rotterdam, Netherlands | |
WO2020161843A1 (ja) | 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体 | |
JP5008154B2 (ja) | 船舶の電流モーメント解析装置 | |
KR20160111567A (ko) | 선박의 충돌 방지 방법 | |
WO2017204076A1 (ja) | 信号処理装置及びレーダ装置 | |
JP6611796B2 (ja) | 信号処理装置、及びレーダ装置 | |
WO2020157964A1 (ja) | 船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体 | |
Nissov et al. | Analysing Cyber-resiliency of a Marine Navigation System using Behavioural Relations | |
EP2538240B1 (en) | Underwater Detecting Device, Method and Program | |
US9989635B2 (en) | Course and/or speed data | |
Reichert et al. | X-Band radar derived sea surface elevation maps as input to ship motion forecasting | |
KR20200137100A (ko) | 파랑 스펙트럼 실시간 추정 및 운항지침제공 알고리즘을 구현한 시스템 및 동 시스템을 구비한 선박 또는 해양구조물 | |
Chapple | Unsupervised detection of mine-like objects in seabed imagery from autonomous underwater vehicles | |
CN106952503A (zh) | 一种基于自适应多传感器管理的海上态势感知方法 | |
CN111401120B (zh) | 一种河道船流量分析***及方法 | |
CN113705503A (zh) | 一种基于多模态信息融合的异常行为检测***及方法 | |
WO2020075274A1 (ja) | 船舶行動学習方法、船舶行動学習装置、航海状態推定方法および航海状態推定装置 | |
Gupta et al. | Data processing framework for ship performance analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19913939 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2020569317 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19913939 Country of ref document: EP Kind code of ref document: A1 |