A Composite Evaluation Framework for Unsupervised Maritime Anomaly Detection in AIS Data with Applications to Ocean Monitoring

Resumen Técnico: Un Marco de Evaluación Compuesto para la Detección No Supervisada de Anomalías Marítimas en Datos AIS

Planteamiento del Problema
El transporte marítimo representa más del 80% del comercio mundial, lo que requiere un monitoreo robusto para la seguridad, la protección y la preservación del medio ambiente. Si bien el Sistema de Identificación Automática (AIS) proporciona datos espacio-temporales de alta frecuencia para el seguimiento de embarcaciones, la identificación de comportamientos anómalos de los buques sigue siendo un desafío significativo. El obstáculo principal es la falta de datos de anomalías etiquetados, lo que hace que los enfoques de aprendizaje supervisado sean impracticables y limite la capacidad de evaluar objetivamente los modelos no supervisados. Las técnicas no supervisadas existentes, como el Isolation Forest, se utilizan ampliamente por su eficiencia, pero sufren de una brecha crítica: la ausencia de un estándar, interpretable y cuantitativo, para evaluar su rendimiento. Los métodos de evaluación actuales suelen depender de la inspección visual subjetiva o del juicio de expertos, los cuales son difíciles de reproducir y comparar entre diferentes modelos.

Metodología
El estudio propone un marco integral centrado en el Índice de Calidad de Detección de Anomalías Marítimas (MADQI, por sus siglas en inglés), una métrica compuesta diseñada para evaluar la detección de anomalías no supervisada sin etiquetas de verdad de terreno (ground truth). La metodología consta de tres pilares principales:

1. Ingeniería de Características y Taxonomía de Anomalías:
   El marco procesa los datos brutos de AIS (latitud, longitud, Velocidad Sobre el Fondo [SOG], Rumbo Sobre el Fondo [COG] y marcas de tiempo) agrupando las observaciones por identificador de buque (MMSI) y ordenándolas cronológicamente. Deriva un conjunto de características multidimensionales que incluye:

   • Espaciales: Distancia de Haversine entre posiciones consecutivas para detectar saltos espaciales irreales.
   • Temporales: Diferencias de tiempo entre mensajes para identificar brechas de transmisión.
   • Cinemáticas: Velocidad implícita (derivada de distancia/tiempo) en comparación con la SOG reportada.
   • Conductuales: Diferencias de velocidad y Tasas de Giro (TR) para capturar maniobras abruptas.

   Basándose en estas características, el estudio define cinco tipos específicos de anomalías: Anomalía de Velocidad, Anomalía de Salto de Posición, Anomalía de Brecha Temporal, Anomalía de Tasa de Giro y Anomalía de Comportamiento Compuesta.

2. Modelo de Detección No Supervisada:
   Se emplea el algoritmo Isolation Forest como el motor central de detección. Este opera mediante la partición recursiva del espacio de características para aislar anomalías, las cuales típicamente requieren menos divisiones que las observaciones normales. El modelo genera un puntaje de anomalía para cada observación, donde los puntajes más bajos indican mayores grados de anormalidad.

3. El Marco de Evaluación MADQI:
   Para abordar la falta de métricas de evaluación, los autores introducen el MADQI, un índice compuesto ponderado que comprende cuatro componentes normalizados:

   • Consistencia de la Tasa de Anomalías (ARC): Mide la alineación entre el nivel de contaminación observado y el nivel de contaminación esperado establecido en el modelo.
   • Puntaje de Plausibilidad Física (PPS): Evalúa si las anomalías detectadas exhiben desviaciones físicas significativas (en velocidad, distancia y tiempo) en comparación con el comportamiento normal.
   • Separación de la Distribución de Puntajes (SDS): Cuantifica la separación estadística entre los puntajes de anomalía de las observaciones normales y las anómalas.
   • Evidencia de Casos Extremos (ECE): Evalúa la presencia de desviaciones conductuales extremas, particularmente en el desplazamiento espacial.

   Estrategia de Normalización: Se utiliza una estrategia de evaluación de múltiples fragmentos (multi-chunk) para asegurar la robustez. El conjunto de datos se particiona en subconjuntos no superpuestos para estimar distribuciones empíricas. Los parámetros de escala se derivan automáticamente utilizando el cuartil inferior (percentil 25) de estas distribuciones. Finalmente, se aplica una función de saturación exponencial para normalizar los componentes a una escala de [0, 1], evitando el sesgo de centralización común en la normalización racional suave. El puntaje MADQI final es la media aritmética de estos cuatro componentes normalizados.

Contribuciones Clave
El documento detalla cuatro contribuciones primarias:

1. Enfoque No Supervisado Unificado: Un marco robusto que utiliza Isolation Forest con características espaciales (Haversine) y conductuales para detectar anomalías en datos AIS no etiquetados.
2. Taxonomía de Anomalías Estructurada: Un sistema de clasificación que categoriza las anomalías en cinco tipos distintos basados en la dinámica espacial y conductual.
3. Métrica MADQI: Un índice de evaluación novedoso, específico del dominio y agnóstico al modelo, que proporciona una medida numérica, escalable e interpretable para la detección de anomalías no supervisada, resolviendo el problema de la falta de métricas de referencia.
4. Herramienta de Despliegue Práctico: Una implementación que integra la visualización geoespacial (usando la librería Folium) para proyectar las anomalías detectadas en mapas interactivos, cerrando la brecha entre la detección y la inteligencia accionable.

Resultados Experimentales
El marco fue probado en un conjunto de datos de 1,048,576 observaciones de AIS de los Estados Unidos el 31 de marzo de 2022. Utilizando un subconjunto de 500,000 observaciones para las pruebas con un Isolation Forest configurado con 100 árboles y una tasa de contaminación de 0.001:

• El modelo identificó 498 anomalías (aprox. 0.1% de los datos) y 10 anomalías extremas tras un filtrado secundario.
• El puntaje MADQI alcanzado fue del 80.37%.
• El análisis de componentes reveló que el modelo tuvo un desempeño más fuerte en la Evidencia de Casos Extremos (ECE) (puntaje normalizado de 1.000) y en la Consistencia de la Tasa de Anomalías (ARC) (0.907), con un desempeño moderado en la Plausibilidad Física (PPS) y la Separación de la Distribución de Puntajes (SDS).
• La evaluación de múltiples fragmentos demostró que las pruebas de segmento único podrían conducir a resultados sesgados, validando la necesidad de la estrategia de estimación robusta propuesta.

Significancia y Reivindicaciones
Los autores afirman que este trabajo establece un estándar robusto y específico del dominio para la evaluación de la detección de anomalías basada en AIS de forma no supervisada. Al mejorar la transparencia, la interpretabilidad y la confiabilidad de los modelos de detección, el marco MADQI permite un monitoreo marítimo más confiable. El estudio postula que esta contribución proporciona una base práctica para la gobernanza oceánica basada en datos, apoyando los esfuerzos para combatir actividades ilegales, mejorar la seguridad de la navegación y proteger los ecosistemas marinos en alineación con el Objetivo de Desarrollo Sostenible 14 de la ONU. El marco se presenta como un paso para transitar de un análisis subjetivo hacia una evaluación objetiva y cuantitativa en la seguridad marítima.