Sidebar

2020 01 28 laivu judejimas380x250Pastaruoju metu didėjant jūrų transporto intensyvumui vis labiau tampa aktuali jūrų eismo įvykių prevencija. Vienas iš aktualiausių šioje srityje uždavinių – neįprasto jūrų transporto eismo aptikimas, kuris grindžiamas laivų trajektorijų analize, neteisėtų, ir kitų anomalių trajektorijos duomenų atsiradimo paieškomis.

Laivų judėjimo trajektorijas nusako sudėtingos duomenų struktūros (laivų tipai, navigavimo būsenos koordinačių sekos laike, meteorologinės sąlygos judėjimo zonoje, skirtingos eismo taisyklės geografinėje zonoje ir t. t.). Per pastarąjį dešimtmetį šioje srityje savo vietą atranda dirbtinio intelekto taikymai: generuojami duomenų srautai struktūrizuojami, identifikuojami dėsningumai ar nukrypimai, atliekamas automatinis laivo judėjimo trajektorijos prognozavimas ir anomalių įvykių identifikavimas. Šioje srityje, bendradarbiaujant su Klaipėdos universitetu, tyrimus atlieka VU MIF Duomenų mokslo ir skaitmeninių technologijų instituto mokslininkai (Julius Venskus, Povilas Treigys, Jolita Bernatavičienė, Gintautas Tamulevičius, Viktor Medvedev). Čia vystomi giliojo mokymo neuroninių tinklų algoritmai jutiklių srauto duomenims analizuoti ir apdoroti, jūrų transporto duomenų klasifikavimui ir neįprasto eismo aptikimui.

Tyrimai daugiadisciplininiai, juose sprendžiamos problemos susijusios su didžiųjų duomenų analize, anomalijų aptikimu, neuroninių tinklų permokymu, jutiklių duomenų apdorojimu ir pan. Gauti rezultatai yra labai svarbūs su tyrimų susijusių taikomųjų problemų sprendimu – padeda nustatyti neįprastą laivų judėjimą intensyvaus eismo zonose taikant neuroninius tinklus.

Tyrimų rezultatai pristatyti tarptautinėse konferencijose ITISE 2019 (Granada, Ispanija) ir CDAM 2019 (Minskas, Baltarusija), bei publikuoti žurnaluose, esančiose Clarivate Analitics Web of Science duomenų bazėje: Informatica ir Sensors, kuris yra pirmajame savo kategorijos žurnalų sąrašo ketvirtyje (Q1).

Daugiau su tyrimų rezultatais galite susipažinti čia:

Real-Time Maritime Traffic Anomaly Detection Based on Sensors and History Data Embedding

Integration of a Self-Organizing Map and a Virtual Pheromone for Real-Time Abnormal Movement Detection in Marine Traffic

 

Siekdami užtikrinti jums teikiamų paslaugų kokybę, Universiteto tinklalapiuose naudojame slapukus. Tęsdami naršymą jūs sutinkate su Vilniaus universiteto slapukų politika. Daugiau informacijos