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
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Soutenance en 2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Informatique de Marseille (Marseille ; 1994-....)
• Partenaire(s) de recherche : Laboratoire : LIS Laboratoire d'Informatique et Systèmes
• Jury : Président / Présidente : Frédéric BéCHET
• Jury : Examinateurs / Examinatrices : Hachem Kadri, Laëtitia Chapel, Jean-Yves Tourneret, Kevin Tierney, Valentin Emiya
• Jury : Rapporteur / Rapporteuse : Laëtitia Chapel, Jean-Yves Tourneret

Mots clés

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 les services de trafic maritime (VTS). De ce fait, ce système produit de grandes quantités de données. Ces données peuvent être interprétées comme des séries temporelles décrivant la trajectoire des navires à travers leurs positions et d’autres variables telles que la vitesse ou le cap. Dans cette thèse, nous étudions différentes méthodes pour exploiter 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 pour générer des graphes routables qui permet de régler un seul paramètre afin d’obtenir des résultats satisfaisants pour une zone d’intérêt donnée. Au cours de ce travail, nous avons constaté que ces paramètres réglables nous permettaient d’améliorer la qualité des graphes routables produits dans certaines zones, mais que pour certains endroits de cette zone, un seul paramètre ne permettait pas d’obtenir des résultats satisfaisants partout. Afin de remédier à ce problème, nous proposons une méthode pour caractériser des zones afin de, par la suite, choisir les paramètres les mieux adaptés 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’utilisation de différentes techniques d’apprentissage automatique. Lors du traitement des don- nées AIS, nous avons constaté que la géographie était un aspect majeur qui devait être pris en compte. En effet, la géographie permet de limiter les comportements susceptibles d’être présents dans une zone, mais peut également biaiser les modèles d’apprentissage automatique lorsque les données ne sont pas disponibles à l’échelle mondiale. La quantité limitée de données annotées disponibles est également un problème central à résoudre. L’une des contributions est la mise à disposition de la communauté de différents jeux de données de comportements des navires. L’une de nos contributions concernant la détection des comportements des navires est une méthode qui utilise la géographie à notre avantage pour améliorer la détection des comportements. Notre méthode permet d’entraîner différents modèles dans des zones spécifiques où la disponibilité de données étiquetées n’est pas un problème et de transférer ces connaissances dans des zones où aucune donnée étiquetée n’est disponible. Le choix des modèles à utiliser est fait en examinant la distribution des données non étiquetées disponibles dans la zone cible et en choisissant les modèles pour lesquels les distributions des données d’entraînement sont les plus similaires. Enfin, nous explorons également différentes méthodes pour supprimer les biais géographiques, intrinsèques aux données AIS, afin d’améliorer la détection des comportements. Nous explorons deux méthodes pour ce faire, la première basée sur l’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. Nous profitons également de l’occasion pour comparer différents modèles adaptés à cette tâche.

The automatic identification system (AIS) is an information-sharing system that allows commercial vessels to communicate with each other and with vessel traffic services (VTS). As such, this system produces great quantities of data. This data can be 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 different methods for exploiting this data for improving vessel routing and distinguishing vessel behaviours. A first contribution of this work is the introduction of a method for generating routable 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 this tunable parameter allowed us to improve the quality of the routable graphs produced in certain areas, but for a given interest area one single parameter did not allow for satisfactory results everywhere. In order to alleviate this issue, we propose a method for characterizing areas in order to choose the parameters best suited for different areas. Later a focus was placed on detecting container vessels’ behavior, such as when a vessel is docked or drifting, for example, through the use of different machine learning technics. When treating AIS, we found that geography was a major aspect of data that had to be taken into account. Indeed, geography informs the behavior likely to be present in an area but can also bias machine learning models when global data is available. 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 uses geography to our advantage to improve behavior detection. Our method allows us to train different models in specific areas where labeled data availability is not an issue and transfer that knowledge to areas where no labeled data is available. We chose which models to use by looking at the distribution of the unlabeled data available in the target area and choose the models for which the training data distributions are most 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 methods for doing such, the first method based on feature engineering and the second method based on data augmentation. We have shown that our method using feature engineer- ing improves the accuracy of our different behavior detection models. We also take the opportunity to compare a variety of different models adapted to this task.