Vers l'apprentissage de comportement de navire : prendre en considération les biais géographiques

Towards vessel behavior learning : taking into account geographical biases

• Auteur / Autrice : Raphael Sturgis
• Direction : Hachem Kadri, Valentin Emiya, Basile Couëtoux, Pierre-Olivier Garreau
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 21/12/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Informatique de Marseille (Marseille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….)
• Jury : Président / Présidente : Frédéric Béchet
• Jury : Examinateurs / Examinatrices : Hachem Kadri, Valentin Emiya, Laetitia Chapel, Jean-Yves Tourneret, Kevin Tierney, Ricard Marxer
• Jury : Rapporteurs / Rapporteuses : Laetitia Chapel, Jean-Yves Tourneret

Mots clés

Mots clés contrôlés

Systèmes d'Identification Automatique (transports maritimes)

Apprentissage automatique

Séries chronologiques

Mots clés libres

Séries temporelles

Apprentissage automatique

Ais

Détection de comportement

Classification point à point de séries temporelles

Time series

Machine learning

Ais

Behavior detection

Point-Wise classification

Résumé

Le système d’identification automatique (AIS) est un système de partage d’infor-mations qui permet aux navires commerciaux de communiquer entre eux et avec lesservices de trafic maritime (VTS). De ce fait, ce système produit de grandes quantitésde données. Ces données peuvent être interprétées comme des séries temporellesdécrivant la trajectoire des navires à travers leurs positions et d’autres variables tellesque la vitesse ou le cap. Dans cette thèse, nous étudions différentes méthodes pourexploiter ces données afin d’améliorer le routage des navires et détecter leurs compor-tements.Une première contribution de ce travail est l’introduction d’une méthode pourgénérer des graphes routables qui permet de régler un seul paramètre afin d’obtenirdes résultats satisfaisants pour une zone d’intérêt donnée. Au cours de ce travail,nous avons constaté que ces paramètres réglables nous permettaient d’améliorer laqualité des graphes routables produits dans certaines zones, mais que pour certainsendroits de cette zone, un seul paramètre ne permettait pas d’obtenir des résultatssatisfaisants partout. Afin de remédier à ce problème, nous proposons une méthodepour caractériser des zones afin de, par la suite, choisir les paramètres les mieuxadaptés aux différentes zones.Par la suite, l’accent a été mis sur la détection du comportement des navires porte-conteneurs, par exemple lorsqu’un navire est à quai ou à la dérive, grâce à l’utilisationde différentes techniques d’apprentissage automatique. Lors du traitement des don-nées AIS, nous avons constaté que la géographie était un aspect majeur qui devaitêtre pris en compte. En effet, la géographie permet de limiter les comportementssusceptibles d’être présents dans une zone, mais peut également biaiser les modèlesd’apprentissage automatique lorsque les données ne sont pas disponibles à l’échellemondiale. La quantité limitée de données annotées disponibles est également unproblème central à résoudre. L’une des contributions est la mise à disposition de lacommunauté de différents jeux de données de comportements des navires.L’une de nos contributions concernant la détection des comportements des naviresest une méthode qui utilise la géographie à notre avantage pour améliorer la détectiondes comportements. Notre méthode permet d’entraîner différents modèles dans deszones spécifiques où la disponibilité de données étiquetées n’est pas un problèmeet de transférer ces connaissances dans des zones où aucune donnée étiquetée n’estdisponible. Le choix des modèles à utiliser est fait en examinant la distribution desdonnées non étiquetées disponibles dans la zone cible et en choisissant les modèlespour lesquels les distributions des données d’entraînement sont les plus similaires.Enfin, nous explorons également différentes méthodes pour supprimer les biaisgéographiques, intrinsèques aux données AIS, afin d’améliorer la détection des comportements. Nous explorons deux méthodes pour ce faire, la première basée surl’ingénierie des caractéristiques et la seconde basée sur l’augmentation des données.Nous avons montré que notre méthode utilisant l’ingénierie des caractéristiques amé-liore les performances de nos différents modèles de détection de comportement. Nousprofitons également de l’occasion pour comparer différents modèles adaptés à cettetâche.

The automatic identification system (AIS) is an information-sharing system thatallows commercial vessels to communicate with each other and with vessel trafficservices (VTS). As such, this system produces great quantities of data. This data canbe interpreted as time series describing the trajectory of vessels through their posi-tions and other variables such as speed or heading. In this thesis, we study differentmethods for exploiting this data for improving vessel routing and distinguishing vesselbehaviours.A first contribution of this work is the introduction of a method for generatingroutable graphs that allows tuning through a single parameters in order to get sat-isfactory results for a given area of interest. During this work, we found that thistunable parameter allowed us to improve the quality of the routable graphs producedin certain areas, but for a given interest area one single parameter did not allow forsatisfactory results everywhere. In order to alleviate this issue, we propose a methodfor characterizing areas in order to choose the parameters best suited for differentareas.Later a focus was placed on detecting container vessels’ behavior, such as when avessel is docked or drifting, for example, through the use of different machine learningtechnics. When treating AIS, we found that geography was a major aspect of datathat had to be taken into account. Indeed, geography informs the behavior likely tobe present in an area but can also bias machine learning models when global data isavailable. A central issue to tackle is also the limited amount of behavior data available.During this thesis a number of datasets were made available to the community.One of our contributions around detecting vessel behaviors is a method that usesgeography to our advantage to improve behavior detection. Our method allows us totrain different models in specific areas where labeled data availability is not an issueand transfer that knowledge to areas where no labeled data is available. We chosewhich models to use by looking at the distribution of the unlabeled data available inthe target area and choose the models for which the training data distributions aremost similar.Finally, we also explore different methods for removing the geographical biases,intrinsic to AIS data, in order to improve behavior detection. We explore 2 methodsfor doing such, the first method based on feature engineering and the second methodbased on data augmentation. We have shown that our method using feature engineer-ing improves the accuracy of our different behavior detection models. We also takethe opportunity to compare a variety of different models adapted to this task.