JP2019175462A - 教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法 - Google Patents

Abstract

【課題】教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法を提供する。【解決手段】本発明は、海上交通管制システム（Ｖｅｓｓｅｌ Ｔｒａｆｆｉｃ Ｓｅｒｖｉｃｅ Ｓｙｓｔｅｍ；ＶＴＳ）から船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けて教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）させ、その学習結果を利用して、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別し、その結果を表示する、教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法を提供する。【選択図】図１

Description

本発明は、教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法に係り、特に、海上交通管制システム（Ｖｅｓｓｅｌ Ｔｒａｆｆｉｃ Ｓｅｒｖｉｃｅ Ｓｙｓｔｅｍ；ＶＴＳ）から船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けて教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）させ、その学習結果を利用して、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別し、その結果を表示する、教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法に関する。

一般に、海上交通管制システム（Ｖｅｓｓｅｌ Ｔｒａｆｆｉｃ Ｓｅｒｖｉｃｅ Ｓｙｓｔｅｍ）は、海上交通量の暴走や危険貨物の増加、潜在的な環境汚染の危険などから港湾の安全または港湾運営の効率性を向上させるために実施する通航サービスを提供するシステムである。海上交通管制システムは、管制区域内で周辺状況や海上交通状況などの情報を船舶に適時に提供することにより、船舶における航海意思決定過程に役立つようにする。海上交通管制システムは、韓国で１９９３年ポハン（浦項）港に初めて導入されて以来、全国１４個の貿易港湾と珍島沿岸に設置されている。

一方、挙動異常船舶は、密輸船、逃走船、事故船舶、無動力運航船、調整不能船舶など、非正常的航行船舶を意味する。このような挙動異常船舶は、一般にジグザグ状に航路を離脱したり復帰したりすることを繰り返し行うか、急激な船速変化があるか、その場を旋回するか、或いは急激に航路を変更するパターンで航行することにより、正常に運航する船舶に深刻な影響をもたらすおそれがある。

韓国登録特許第１２８１６７３号公報には、挙動異常船舶を自動的に識別することができる異常航海識別用パージ推論アルゴリズムを提供することにより、専門家や熟練度なしにも挙動異常船舶の識別が正確かつ精密に行われ、人的資源によって挙動異常船舶の識別作業が効果的に補完できる、新規タイプの知能型航海挙動異常船舶の識別方法が開示されている。

このような従来の技術は、入力される各項目の異常状態を区間関数で定義し、これを合算して挙動異常程度を算出する方式であって、各項目に対して変化量の大きさ、累積変化量などの大きさを予め定義しなければならないという問題があり、このような区間定義内容は全体システムの性能に悪影響を及ぼすことになる。

そこで、本発明は、かかる問題点を解決するためになされたもので、その目的は、従来技術のパージ推論方法のようにシステムのパラメータを一つ一つ調整しなくても、大容量のデータを用いてパターンを学習して船舶の正常状態と異常状態を分類することができ、入力−出力対からなるデータを用いて学習する教師あり学習法に比べて船舶の異常状態を正確に識別することができる、教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法を提供することにある。

上記目的を達成するために、本発明の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムは、海上交通管制システム（ＶＴＳ）から船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けてデータベース化するように構成された船舶交通データベースと、前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させるように構成された教師なし学習器と、前記教師なし学習器によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別するように構成された異常状態識別器と、前記異常状態識別器によって得られた異常運航船舶識別結果を表示するように構成された船舶交通管制情報表示装置とを含むことを特徴とする。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記船舶交通データベースは、船舶自動識別装置の航跡データとして、船舶名、船舶種類、船舶諸元、時間による船舶の位置情報、時間による船舶の速度情報、時間による船舶の針路情報および船積貨物情報を含み、レーダーの航跡データとして、時間による物標の位置情報、時間による物標の速度情報、および時間による物標の針路情報を含むことができる。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記教師なし学習器は、船舶自動識別装置の航跡データの入力を受けて正規化させるように構成されたデータ正規化部と、前記データ正規化部によって正規化された学習データを用いてニューロンを学習させ、学習済みのモデルを用いてエンコーダとデコーダを生成するように構成された運航状態学習部と、前記エンコーダを用いて学習データを所定の数のグループに分類するように構成された運航状態分類部と、前記運航状態分類部によって分類された学習データを用いて船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習するように構成された運航状態シーケンス学習部とを含むことができる。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記教師なし学習器は、入力−入力対からなる学習データを用いる神経網モデルであるオートエンコーダモデルを利用することができる。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記オートエンコーダモデルは、４個の入力層、８個の第１隠匿層、４個の第２隠匿層、８個の第３隠匿層および４個の出力層を有するニューロンを含み、入力および出力データは、４次元（緯度、経度、針路、速度）で構成できる。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記運航状態シーケンス学習部は、時系列データのためのＬＳＴＭオートエンコーダ（Ｌｏｎｇ−Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ａｕｔｏ−ｅｎｃｏｄｅｒ）モデルを使用することができる。

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記船舶交通管制情報表示装置は、モニターの電子海図上に各船舶の異常状態が段階的な色（緑色：安全、オレンジ色：警告、赤色：異常）で表示できる。

上記目的を達成するために、本発明の他の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別方法は、船舶交通データベースが海上交通管制システムから船舶自動識別装置およびレーダーの航跡データの入力を受けてデータベース化する段階と、教師なし学習器が前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させる段階と、異常状態識別器が、前記教師なし学習段階によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別する段階と、船舶交通管制情報表示装置が、前記異常状態識別器によって得られた異常運航船舶識別結果を表示する段階とを含むことを特徴とする。

前記他の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別方法において、前記教師なし学習段階は、データ正規化部が船舶自動識別装置の航跡データの入力を受けて正規化させる段階と、運航状態学習部が、前記正規化させる段階によって正規化された学習データを用いてニューロンを学習させ、学習済みのモデルを用いてエンコーダとデコーダを生成する段階と、運航状態分類部が前記エンコーダを用いて学習データを所定の数のグループに分類する段階と、運航状態シーケンス学習部が、前記分類段階で分類された学習データを用いて船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習する段階とを含むことができる。

本発明の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法によれば、船舶交通データベースが海上交通管制システムから船舶自動識別装置およびレーダーの航跡データの入力を受けてデータベース化し、教師なし学習器が前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させ、異常状態識別器が、前記教師なし学習段階によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別し、船舶交通管制情報表示装置が、前記異常状態識別器によって得られた異常運航船舶識別結果を表示するように構成されることにより、従来技術のパージ推論方法のようにシステムのパラメータを一つ一つ調整しなくても、大容量のデータを用いてパターンを学習して船舶の正常状態と異常状態を分類することができ、入力−出力対からなるデータを用いて学習する教師あり学習法に比べて船舶の異常状態を正確に識別することができるという優れた効果がある。

すなわち、本発明は、入力データのみからなる航跡データのセットを学習に利用する教師なし学習方法を用いて異常運航船舶を識別するので、従来技術のパージ推論方法のようにシステムのパラメータを一つ一つ調整しなくても、大容量のデータを用いてパターンを学習して船舶の正常状態と異常状態を分類することができ、入力−出力対からなるデータを用いて学習する教師あり学習法に比べて船舶の異常状態を正確に識別することができるという優れた効果がある。

本発明の実施形態に係る、教師なし学習方法を用いた船舶の異常運航状態自動識別システムのブロック構成図である。 図１の教師なし学習器の詳細ブロック構成図である。 図２の運航状態学習部で利用するオートエンコーダモデルの構成図である。 図２の運航状態シーケンス学習部で利用するＬＳＴＭオートエンコーダモデルの構成図である。 本発明の実施形態に係る、教師なし学習方法を用いた船舶の異常運航状態自動識別方法を示すフローチャートである。 図５のＳ２００の詳細フローチャートである。

以下、本発明の実施形態を添付図面を参照して詳細に説明する。

図１は本発明の実施形態に係る、教師なし学習方法を用いた船舶の異常運航状態自動識別システムのブロック構成図、図２は図１の教師なし学習器の詳細ブロック構成図である。

本発明の実施形態に係る、教師なし学習方法を用いた船舶の異常運航状態自動識別システムは、図１および図２に示すように、船舶交通データベース１００、教師なし学習器２００、異常状態識別器３００および船舶交通管制情報表示装置４００を含む。

船舶交通データベース１００は、海上交通管制システムＶＴＳから船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けてデータベース化する役割を果たす。

船舶交通データベース１００は、下記［表１］に示すように、船舶自動識別装置（ＡＩＳ）の航跡データとして、船舶名、船舶種類、船舶諸元、時間による船舶の位置情報、時間による船舶の速度情報、時間による船舶の針路情報および船積貨物情報を含み、レーダーの航跡データとして、時間による物標の位置情報、時間による物標の速度情報および時間による物標の針路情報を含む。

一方、船舶自動識別装置（ＡＩＳ）を搭載していない船舶は、レーダーのみを用いて船舶の運航情報を把握することができる。

このような船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データは、海上交通管制システム（ＶＴＳ）から毎秒受信され、この情報を船舶交通データベース１００に蓄積して学習データとして使用される。

教師なし学習器２００は、船舶交通データベース１００から学習データとして航跡データのセットの入力を受けて教師なし学習させる役割を果たす。

教師なし学習器２００は、海上交通データの特性上、入力−出力対からなる学習データを生成し難いため、入力−入力対からなる学習データを用いる神経網モデルであるオートエンコーダモデルを使用する。オートエンコーダモデルは、航跡データのセットからなる入力データのみを用いてモデルを学習させることができ、対象港湾の船舶運航パターンを一般化することができる。

教師なし学習器２００は、図２に示すように、データ正規化部２１０、運航状態学習部２２０、運航状態分類部２３０および運航状態シーケンス学習部２４０を含む。

データ正規化部２１０は、船舶交通データベース１００から船舶自動識別装置（ＡＩＳ）の航跡データ［すなわち、船舶の位置（緯度、経度）、針路および速度情報］の入力を受け、これを船舶別に分類して一定サイクル（約１０秒）で補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）し、下記［数式１］のように補間されたデータに基づいて各項目別最大値／最小値を用いて０と１との間の実数値に正規化させる。

運航状態学習部２２０は、データ正規化部２１０によって正規化された学習データを用いてニューロンを学習させ、学習済みのモデルを用いてエンコーダとデコーダを生成する。

運航状態学習部２２０は、入力−入力対の学習データを用いるオートエンコーダモデルである。

オートエンコーダモデルは、図３に示すように、４個の入力層、８個の第１隠匿層、４個の第２隠匿層、８個の第３隠匿層および４個の出力層を有するニューロンを含み、入力および出力データは、４次元（緯度、経度、針路、速度）で構成される。

学習は、入力層と出力層のデータが出来る限り同一になるまで行われ、学習済みのモデルは、入力データを４次元のデータとして投影（ｐｒｏｊｅｃｔｉｏｎ）するエンコーダ（ｅｎｃｏｄｅｒ）と、これをさらに復元するデコーダ（ｄｅｃｏｄｅｒ）を生成する。

運航状態分類部２３０は、エンコーダを用いて学習データを所定の数のグループに分類する役割を果たす。

運航状態分類部２３０では、学習されたモデルのエンコーダを用いて学習データを４次元の空間上に投影する。

オートエンコーダモデルは、類似の意味を持つデータ同士をグループ化する特性があって、航跡データを一般化することに利点がある。

これにより、投影された結果をｋ−ｍｅａｎｓなどのクラスタリングアルゴリズムを介して任意のグループに分けることができ、本発明の実施形態では、２０個の状態グループに分類する（状態グループの数は、あまり重要ではなく、運航状態を区分することができる適切な数に決定する。）。

分類結果、すべての学習データは２０個の状態に区分される。

運航状態シーケンス学習部２４０は、運航状態分類部２３０によって分類された学習データを用いて船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習する役割を果たす。

運航状態シーケンス学習部２４０は、図４に示すように、時系列データのためのＬＳＴＭオートエンコーダ（Ｌｏｎｇ−Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ａｕｔｏ−ｅｎｃｏｄｅｒ）モデルを使用する。

運航状態シーケンス学習部２４０に使用された学習データは、１０秒単位で補間された６つの連続した状態シーケンスを用いて合計６０秒間の運航状態シーケンスを学習する。

状態シーケンスの時間範囲（６０秒）は、モデルの入出力を拡張または縮小して調節することができる。

異常状態識別器３００は、教師なし学習器２００によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別するための役割を果たす。

異常状態識別器３００では、船舶の異常運航状態、すなわち１）学習されていない運航状態の場合と２）学習されていない運航状態に遷移する場合を全て含む。

１）は、学習された運航状態学習モデルの入力値と出力値との差を異常値（ａｎｏｍａｌｉｔｙ）とし、低水深区域を運航する状態または航路上停止状態を例として挙げることができる。

２）は、運航状態シーケンス学習モデルの入力値と出力値との差を異常値とする。

入力値と出力値との差は、２ベクトル間のユークリッド距離（ｅｕｃｌｉｄｅａｎ ｄｉｓｔａｎｃｅ）の値を用いるか、或いはコサイン類似度（ｃｏｓｉｎｅ ｓｉｍｉｌａｒｉｔｙ）の値を用いることができる。

最終的な船舶の異常運航値は、１）値と２）値とを合算して使用し、一定値以上の値を持つときに異常状態と判断する。

船舶交通管制情報表示装置４００は、異常状態識別器３００によって得られた異常運航船舶識別結果を表示する役割を果たす。

船舶交通管制情報表示装置４００は、モニターの電子海図上に各船舶の異常状態が段階的な色（例えば、緑色：安全、オレンジ色：警告、赤色：異常）で表示され、管制士が容易に認知することができるようにする。

以下、上述したように構成された本発明の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムを用いた、船舶の異常運航状態自動識別方法を説明する。

図５は本発明の実施形態に係る、教師なし学習方法を用いた船舶の異常運航状態自動識別方法を示すフローチャート、図６は図５のＳ２００の詳細フローチャートであって、ここで、Ｓはステップ（ｓｔｅｐ）を示す。

まず、船舶交通データベース１００が海上交通管制システム（ＶＴＳ）から船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けてデータベース化する（Ｓ１００）。

その後、教師なし学習器２００が船舶交通データベース１００から航跡データのセットの入力を受けて教師なし学習させる（Ｓ２００）。

ステップＳ２００について、図６を参照してより詳細に説明する。

まず、データ正規化部２１０が、船舶自動識別装置（ＡＩＳ）の航跡データの情報のうち、船舶の位置（緯度、経度）、針路および速度情報を船舶別に分類し、設定周期で補間し、補間された学習データに基づいて各項目別の最大値および最小値を用いて０と１との間の実数値に正規化させる（Ｓ２１０）。

次いで、運航状態学習部２２０が、前記ステップＳ２１０により正規化された学習データを用いてニューロンそれぞれを学習させ、入力層と出力層のデータが所定の数だけ同一になるまで学習が行われ、学習済みのモデルは、入力データを４次元のデータとして投影するエンコーダ、およびこれをさらに復元するデコーダを生成する（Ｓ２２０）。

その後、運航状態分類部２３０がエンコーダを用いて学習データを４次元の空間上に投影し、投影された結果をクラスタリングアルゴリズムを用いて所定の数のグループに分類する（Ｓ２３０）。

次いで、運航状態シーケンス学習部２４０が、前記ステップＳ２３０で分類された学習データを用いて船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習する（Ｓ２４０）。

ステップＳ３００では、異常状態識別器３００が、前記ステップＳ２００で教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別する。

ステップＳ４００では、船舶交通管制情報表示装置４００が、異常状態識別器３００によって得られた異常運航船舶識別結果を表示する。

本発明の実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法によれば、船舶交通データベースが海上交通管制システムから船舶自動識別装置およびレーダーの航跡データの入力を受けてデータベース化し、教師なし学習器が前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させ、異常状態識別器が、前記教師なし学習段階によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別し、船舶交通管制情報表示装置が、前記異常状態識別器によって得られた異常運航船舶識別結果を表示するように構成されることにより、従来技術のパージ推論方法のようにシステムのパラメータを一つ一つ調整しなくても、大容量のデータを用いてパターンを学習して船舶の正常状態と異常状態を分類することができ、入力−出力対からなるデータを用いて学習する教師あり学習法に比べて船舶の異常状態を正確に識別することができる。

すなわち、本発明は、入力データのみからなる航跡データのセットを学習に利用する教師なし学習方法を用いて異常運航船舶を識別するので、従来技術のパージ推論方法のようにシステムのパラメータを一つ一つ調整しなくても、大容量のデータを用いてパターンを学習して船舶の正常状態と異常状態を分類することができ、入力−出力対からなるデータを用いて学習する教師あり学習法に比べて船舶の異常状態を正確に識別することができる。

図面および明細書には最適な実施形態が開示されており、特定の用語が使用されているが、これらは、本発明の実施形態を説明するための目的で使用されたもので、意味を限定したり特許請求の範囲に記載された本発明の範囲を制限したりするために使用されたものではない。そのため、本技術分野における通常の知識を有する者であれば、これらの実施形態から様々な変形および均等な他の実施が可能であるという点を理解することができる。よって、本発明の神聖な技術的保護範囲は、添付された特許請求の範囲の技術的思想によって定められるべきであろう。

１００ 船舶交通データベース
２００ 教師なし学習器
２１０ データ正規化部
２２０ 運航状態学習部
２３０ 運航状態分類部
２４０ 運航状態シーケンス学習部
３００ 異常状態識別器
４００ 船舶交通管制情報表示装置

前記実施形態に係る教師なし学習方法を用いた船舶の異常運航状態自動識別システムにおいて、前記運航状態シーケンス学習部は、時系列データのためのＬＳＴＭオートエンコーダ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ ａｕｔｏ−ｅｎｃｏｄｅｒ）モデルを使用することができる。

運航状態シーケンス学習部２４０は、図４に示すように、時系列データのためのＬＳＴＭオートエンコーダ（Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ ａｕｔｏ−ｅｎｃｏｄｅｒ）モデルを使用する。

Claims (8)

1. 海上交通管制システム（ＶＴＳ）から船舶自動識別装置（ＡＩＳ）およびレーダーの航跡データの入力を受けてデータベース化するように構成された船舶交通データベースと、
   前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させるように構成された教師なし学習器と、
   前記教師なし学習器によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別するように構成された異常状態識別器と、
   前記異常状態識別器によって得られた異常運航船舶識別結果を表示するように構成された船舶交通管制情報表示装置とを含み、
   前記教師なし学習器は、
   船舶自動識別装置の航跡データの入力を受けて正規化させるように構成されたデータ正規化部と、
   前記データ正規化部によって正規化された学習データを用いてニューロンを学習させ、学習済みのモデルを用いてエンコーダとデコーダを生成するように構成された運航状態学習部と、
   前記エンコーダを用いて学習データを所定の数のグループに分類するように構成された運航状態分類部と、
   前記運航状態分類部によって分類された学習データを用いて船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習するように構成された運航状態シーケンス学習部とを含む、教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
2. 前記船舶交通データベースは、
   船舶自動識別装置の航跡データとして、船舶名、船舶種類、船舶諸元、時間による船舶の位置情報、時間による船舶の速度情報、時間による船舶の針路情報および船積貨物情報を含み、
   レーダーの航跡データとして、時間による物標の位置情報、時間による物標の速度情報および時間による物標の針路情報を含む、請求項１に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
3. 前記教師なし学習器は、入力−入力対からなる学習データを用いる神経網モデルであるオートエンコーダモデルを利用する、請求項１に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
4. 前記オートエンコーダモデルは、４個の入力層、８個の第１隠匿層、４個の第２隠匿層、８個の第３隠匿層および４個の出力層を有するニューロンを含み、
   入力および出力データは、４次元（緯度、経度、針路、速度）で構成される、請求項３に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
5. 前記運航状態シーケンス学習部は、時系列データのためのＬＳＴＭオートエンコーダ（Ｌｏｎｇ−Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ａｕｔｏ−ｅｎｃｏｄｅｒ）モデルを使用する、請求項１に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
6. 前記船舶交通管制情報表示装置は、
   モニターの電子海図上に各船舶の異常状態が段階的な色（緑色：安全、オレンジ色：警告、赤色：異常）で表示される、請求項１に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システム。
7. 請求項１に記載の教師なし学習方法を用いた船舶の異常運航状態自動識別システムを用いた、船舶の異常運航状態自動識別方法であって、
   船舶交通データベースが海上交通管制システムから船舶自動識別装置およびレーダーの航跡データの入力を受けてデータベース化する段階と、
   教師なし学習器が前記船舶交通データベースから航跡データのセットの入力を受けて教師なし学習させる段階と、
   異常状態識別器が、前記教師なし学習段階によって教師なし学習された結果を用いて、管制区域を運航する船舶の運航状態を自動的に判断して異常運航船舶を識別する段階と、
   船舶交通管制情報表示装置が、前記異常状態識別器によって得られた異常運航船舶識別結果を表示する段階とを含む、船舶の異常運航状態自動識別方法。
8. 前記教師なし学習段階は、
   データ正規化部が船舶自動識別装置の航跡データの入力を受けて正規化させる段階と、
   運航状態学習部が、前記正規化させる段階によって正規化された学習データを用いてニューロンを学習させ、学習済みのモデルを用いてエンコーダとデコーダを生成する段階と、
   運航状態分類部が前記エンコーダを用いて学習データを所定の数のグループに分類する段階と、
   運航状態シーケンス学習部が、前記分類段階で分類された学習データを用いて、船舶別運航状態シーケンスを生成し、これを学習データとして用いて学習する段階とを含む、請求項７に記載の船舶の異常運航状態自動識別方法。