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

Resumo Técnico: Um Framework de Avaliação Composta para Detecção Não Supervisionada de Anomalias Marítimas em Dados AIS

Definição do Problema
O transporte marítimo responde por mais de 80% do comércio global, necessitando de um monitoramento robusto para segurança, proteção e preservação ambiental. Embora o Sistema de Identificação Automática (AIS) forneça dados espaço-temporais de alta frequência para o rastreamento de embarcações, identificar comportamentos anômalos de navios continua sendo um desafio significativo. O principal obstáculo é a falta de dados de anomalias rotulados, o que torna impraticáveis as abordagens de aprendizado supervisionado e limita a capacidade de avaliar objetivamente modelos não supervisionados. As técnicas não supervisionadas existentes, como o Isolation Forest, são amplamente utilizadas por sua eficiência, mas sofrem de uma lacuna crítica: a ausência de um benchmark padronizado, interpretável e quantitativo para avaliar seu desempenho. Os métodos de avaliação atuais frequentemente dependem de inspeção visual subjetiva ou julgamento de especialistas, que são difíceis de reproduzir e comparar entre diferentes modelos.

Metodologia
O estudo propõe um framework abrangente centrado no Índice de Qualidade de Detecção de Anomalias Marítimas (MADQI), uma métrica composta projetada para avaliar a detecção de anomalias não supervisionada sem rótulos de verdade fundamental (ground truth). A metodologia consiste em três pilares principais:

1. Engenharia de Atributos e Taxonomia de Anomalias:
   O framework processa dados brutos de AIS (latitude, longitude, Velocidade Sobre o Solo [SOG], Curso Sobre o Solo [COG] e carimbos de data/hora) agrupando as observações por identificador de embarcação (MMSI) e ordenando-as cronologicamente. Ele deriva um conjunto de atributos multidimensionais incluindo:

   • Espaciais: Distância de Haversine entre posições consecutivas para detectar saltos espaciais irreais.
   • Temporais: Diferenças de tempo entre mensagens para identificar lacunas de transmissão.
   • Cinemáticos: Velocidade implícita (derivada de distância/tempo) comparada ao SOG reportado.
   • Comportamentais: Diferenças de velocidade e Taxas de Giro (TR) para capturar manobras abruptas.

   Com base nesses atributos, o estudo define cinco tipos específicos de anomalia: Anomalia de Velocidade, Anomalia de Salto de Posição, Anomalia de Lacuna Temporal, Anomalia de Taxa de Giro e Anomalia Comportamental Composta.

2. Modelo de Detecção Não Supervisionada:
   O algoritmo Isolation Forest é empregado como o motor central de detecção. Ele opera particionando recursivamente o espaço de atributos para isolar anomalias, que tipicamente requerem menos divisões do que as observações normais. O modelo gera um escore de anomalia para cada observação, onde escores menores indicam maiores graus de anormalidade.

3. O Framework de Avaliação MADQI:
   Para abordar a falta de métricas de avaliação, os autores introduzem o MADQI, um índice composto ponderado composto por quatro componentes normalizados:

   • Consistência da Taxa de Anomalia (ARC): Mede o alinhamento entre o nível de contaminação observado e o nível de contaminação esperado definido no modelo.
   • Pontuação de Plausibilidade Física (PPS): Avalia se as anomalias detectadas exibem desvios físicos significativos (em velocidade, distância e tempo) em comparação com o comportamento normal.
   • Separação de Distribuição de Escores (SDS): Quantifica a separação estatística entre os escores de anomalia das observações normais e anômalas.
   • Evidência de Casos Extremos (ECE): Avalia a presença de desvios comportamentais extremos, particularmente em deslocamento espacial.

   Estratégia de Normalização: Uma estratégia de avaliação de múltiplos blocos (multi-chunk) é utilizada para garantir robustez. O conjunto de dados é particionado em subconjuntos não sobrepostos para estimar distribuições empíricas. Os parâmetros de escala são derivados automaticamente usando o quartil inferior (percentil 25) dessas distribuições. Finalmente, uma função de saturação exponencial é aplicada para normalizar os componentes em uma escala de [0, 1], evitando o viés de centralização comum na normalização racional suave. O escore MADQI final é a média aritmética desses quatro componentes normalizados.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

1. Abordagem Não Supervisionada Unificada: Um framework robusto utilizando Isolation Forest com atributos espaciais (Haversine) e comportamentais para detectar anomalias em dados AIS não rotulados.
2. Taxonomia de Anomalias Estruturada: Um sistema de classificação categorizando anomalias em cinco tipos distintos baseados em dinâmicas espaciais e comportamentais.
3. Métrica MADQI: Um índice de avaliação novo, específico para o domínio e agnóstico ao modelo, que fornece uma medida numérica, escalável e interpretável para detecção de anomalias não supervisionada, resolvendo o problema da ausência de métricas de benchmark.
4. Ferramenta de Implementação Prática: Uma implementação que integra visualização geoespacial (usando a biblioteca Folium) para projetar as anomalias detectadas em mapas interativos, unindo a detecção à inteligência acionável.

Resultados Experimentais
O framework foi testado em um conjunto de dados de 1.048.576 observações de AIS dos Estados Unidos em 31 de março de 2022. Utilizando um subconjunto de 500.000 observações para teste com um Isolation Forest configurado com 100 árvores e uma taxa de contaminação de 0,001:

• O modelo identificou 498 anomalias (aprox. 0,1% dos dados) e 10 anomalias extremas após filtragem secundária.
• O escore MADQI alcançado foi de 80,37%.
• A análise de componentes revelou que o modelo teve seu melhor desempenho em Evidência de Casos Extremos (ECE) (escore normalizado de 1,000) e Consistência da Taxa de Anomalia (ARC) (0,907), com desempenho moderado em Plausibilidade Física (PPS) e Separação de Distribuição de Escores (SDS).
• A avaliação de múltiplos blocos demonstrou que o teste de segmento único poderia levar a resultados enviesados, validando a necessidade da estratégia de estimativa robusta proposta.

Significância e Alegações
Os autores afirmam que este trabalho estabelece um padrão robusto e específico para o domínio para a avaliação da detecção de anomalias baseada em AIS não supervisionada. Ao aumentar a transparência, interpretabilidade e confiabilidade dos modelos de detecção, o framework MADQI permite um monitoramento marítimo mais confiável. O estudo postula que esta contribuição fornece uma base prática para a governança oceânica baseada em dados, apoiando esforços para combater atividades ilegais, melhorar a segurança de navegação e proteger ecossistemas marinhos em alinhamento com o Objetivo de Desenvolvimento Sustentável 14 da ONU. O framework é apresentado como um passo para mover-se da análise subjetiva para a avaliação objetiva e quantitativa na segurança marítima.