JP7272373B2 - 船舶解析装置、船舶解析方法及びプログラム - Google Patents

Description

本発明は、船舶解析装置、船舶解析方法及びプログラムに関する。

不審船舶による迷惑行為や密輸入、密入国を防ぐ目的で、目視による船舶監視が行われてきた。これに対し、近年、レーダーや船舶自動識別装置（ＡＩＳ；Automatic Identification System）の船舶情報などを用いて、目視監視を支援する技術が開示されている。例えば、特許文献１は、１以上の船舶からの船舶自動識別装置（ＡＩＳ）放射を、観測し、位置特定し、且つ受信し、船舶自動識別装置（ＡＩＳ）指標を検出するように構成された、１以上の船舶自動識別装置（ＡＩＳ）受信機を備えるシステムを開示する。

特開２０１７－１９１５９３号公報

ＡＩＳの船舶情報（ＡＩＳ情報）は、意図的に改ざん（偽装）され得る。したがって、上述した特許文献１のように、単に、ＡＩＳ放射を、観測し、位置特定し、ＡＩＳ指標を検出するような技術では、適切に、船舶の航海状態を解析することができないおそれがある。したがって、不審な船舶を適切に判定することができないおそれがあった。

本開示の目的は、このような課題を解決するためになされたものであり、不審な船舶を適切に判定することが可能な船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体を提供することにある。

本開示にかかる船舶解析装置は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段とを有する。

また、本開示にかかる船舶行動学習装置は、１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段とを有する。

また、本開示にかかる船舶解析システムは、船舶の行動を解析する船舶解析手段と、前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段とを有し、前記船舶行動学習手段は、１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第１のパターン生成手段と、前記第１のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段とを有し、前記船舶解析手段は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第２のパターン生成手段と、前記第２のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段とを有する。

また、本開示にかかる船舶解析方法は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する。

また、本開示にかかる船舶行動学習方法は、１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する。

また、本開示にかかるプログラムは、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップとをコンピュータに実行させる。

また、本開示にかかるプログラムは、１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップとをコンピュータに実行させる。

本開示によれば、不審な船舶を適切に判定することが可能な船舶解析装置、船舶行動学習装置、船舶解析システム、船舶解析方法、船舶行動学習方法及び記録媒体を提供できる。

本開示の実施の形態にかかる船舶解析装置の概要を示す図である。 実施の形態１にかかる船舶解析システムを示す図である。 実施の形態１にかかる船舶行動学習装置の構成を示す図である。 実施の形態１にかかる船舶行動学習装置によって実行される船舶行動学習方法を示すフローチャートである。 実施の形態１にかかる航跡パターンの生成方法を説明するための図である。 実施の形態１にかかる航跡パターンの生成方法を説明するための図である。 実施の形態１にかかる航跡パターンの生成方法を説明するための図である。 実施の形態１にかかる船舶解析装置の構成を示す図である。 実施の形態１にかかる船舶解析装置によって実行される船舶解析方法を示すフローチャートである。 実施の形態２にかかる船舶行動学習装置の構成を示す図である。 実施の形態２にかかる船舶解析装置の構成を示す図である。 実施の形態３にかかる船舶行動学習装置の構成を示す図である。 実施の形態３にかかる船舶解析装置の構成を示す図である。

（本開示にかかる実施の形態の概要）
本開示の実施の形態の説明に先立って、本開示にかかる実施の形態の概要について説明する。図１は、本開示の実施の形態にかかる船舶解析装置１の概要を示す図である。船舶解析装置１は、例えばコンピュータである。船舶解析装置１は、船舶の行動を解析する。船舶解析装置１は、パターン生成部２と、推定部４と、判定部６とを有する。パターン生成部２は、パターン生成手段（第２のパターン生成手段）として機能する。推定部４は、推定手段として機能する。判定部６は、判定手段として機能する。

パターン生成部２は、解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から対象船舶の航跡を表す対象航跡パターンを生成する。対象航跡パターン（航跡パターン）は、例えば画像である。推定部４は、生成された航跡パターンを用いて、対象船舶の航海状態を推定する。判定部６は、推定された航海状態と、対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、対象航海状態が偽装されているか否かを判定する。以下、関連技術に関する問題点について説明する。

近年、違法な漁業による環境破壊や資源の枯渇が世界的に問題視されている。違法漁業を抑止するために、船舶の識別符号、種類、位置、針路、速力、航海状態などの情報（船舶情報）を船舶間や地上基地局と相互通信する船舶自動識別装置（ＡＩＳ）が注目されている。ＡＩＳの航海状態を示すデータには、漁業行動中を示すコードが含まれるため、ＡＩＳを正しく運用することで、個々の船舶の漁業行動を把握し、さらには海域全体での漁業の実態把握につなげることが期待される。

ここで、一般に船舶に搭載されるＡＩＳにはクラスＡ及びクラスＢの２種類があり、多くの場合、漁船に搭載されるＡＩＳは、航海状態を送信する機能がない安価なクラスＢである。また、仮に、クラスＡを搭載する漁船が増えたとしても、ＡＩＳの航海状態は船員の手入力であるため、悪意ある偽装を容易に行えるという問題がある。

この問題に対し、ドメイン知識に基づくエキスパートシステムによる航海状態の誤入力抽出手法が提案されている。同手法では、ＡＩＳに含まれる航海状態の情報と、その他航海に関する情報とを比較し、起こりえないと推定される組み合わせを誤入力として抽出する。一例を述べると、移動していない「係留中」や「錨泊中」に一定以上の速度が記録されることはありえないことから、２ノット以上の速度のＡＩＳデータが「係留中」または「錨泊中」を示す航海状態を入力している場合、誤入力データとして抽出する。

一方、ＡＩＳについて定義される航海状態は最大１６通りあるため、上記手法では、すべてを網羅するエキスパートシステムの構築が煩雑である。特に、航海状態「漁」については、様々な漁種に対応する必要がある。つまり、ＡＩＳの情報から様々な漁種を含む多様な航海状態から安定的に誤入力データを抽出することが課題であった。

このような問題点に対し、本開示にかかる船舶解析装置１は、上記のように構成されているので、対象船舶から発信された船舶情報（例えばＡＩＳ情報）に示された航海状態が偽装されているか否かを、適切に判定することができる。したがって、ＡＩＳの情報から様々な漁種を含む多様な航海状態から安定的に誤入力データを抽出することが可能となる。したがって、本開示にかかる船舶解析装置１は、不審な船舶を適切に判定することが可能となる。

（実施の形態１）
以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

図２は、実施の形態１にかかる船舶解析システム１０を示す図である。船舶解析システム１０は、主要なハードウェア構成として、制御部１２と、記憶部１４と、通信部１６と、インタフェース部１８（ＩＦ；Interface）とを有する。制御部１２、記憶部１４、通信部１６及びインタフェース部１８は、データバスなどを介して相互に接続されている。

制御部１２は、例えばＣＰＵ（Central Processing Unit）等のプロセッサである。制御部１２は、制御処理及び演算処理等を行う演算装置としての機能を有する。記憶部１４は、例えばメモリ又はハードディスク等の記憶デバイスである。記憶部１４は、例えばＲＯＭ（Read Only Memory）又はＲＡＭ（Random Access Memory）等である。記憶部１４は、制御部１２によって実行される制御プログラム及び演算プログラム等を記憶するための機能を有する。また、記憶部１４は、処理データ等を一時的に記憶するための機能を有する。記憶部１４は、データベースを含み得る。

通信部１６は、他の装置と通信を行うために必要な処理を行う。通信部１６は、通信ポート、ルータ、ファイアウォール等を含み得る。インタフェース部１８（ＩＦ；Interface）は、例えばユーザインタフェース（ＵＩ）である。インタフェース部１８は、キーボード、タッチパネル又はマウス等の入力装置と、ディスプレイ又はスピーカ等の出力装置とを有する。インタフェース部１８は、ユーザ（オペレータ）によるデータの入力の操作を受け付け、ユーザに対して情報を出力する。インタフェース部１８は、解析対象の船舶についての解析結果を表示してもよい。

また、実施の形態１にかかる船舶解析システム１０は、データ蓄積部２０、パラメータ蓄積部３０、船舶行動学習装置１００、及び船舶解析装置２００を有する。データ蓄積部２０、パラメータ蓄積部３０、船舶行動学習装置１００、及び船舶解析装置２００は、それぞれ、データ蓄積手段、パラメータ蓄積手段、船舶行動学習手段、及び船舶解析手段として機能する。

なお、船舶解析システム１０の各構成要素は、例えば、制御部１２の制御によって、プログラムを実行させることによって実現できる。より具体的には、各構成要素は、記憶部１４に格納されたプログラムを、制御部１２が実行することによって実現され得る。また、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。また、各構成要素は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。また、各構成要素は、例えばＦＰＧＡ（field-programmable gate array）又はマイコン等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。以上のことは、後述する他の実施の形態においても同様である。なお、各構成要素の具体的な機能については後述する。

また、船舶行動学習装置１００及び船舶解析装置２００は、物理的に別個の装置であってもよい。その場合、船舶行動学習装置１００及び船舶解析装置２００の両方が、別個に、制御部１２と、記憶部１４と、通信部１６と、インタフェース部１８とを有してもよい。この場合、船舶行動学習装置１００及び船舶解析装置２００の両方が、それぞれ独立して、プログラムを実行し得る。逆に、船舶行動学習装置１００及び船舶解析装置２００の各構成要素（後述）は、物理的に一体の装置で構成されてもよい。この場合、船舶解析システム１０において、船舶行動学習装置１００及び船舶解析装置２００の各構成要素は、物理的に区別される必要はない。

データ蓄積部２０は、記憶部１４で実現され得るデータベースである。より具体的には、データ蓄積部２０は、多数の船舶の船舶情報を保持するハードディスクやメモリカードなどの記憶媒体、あるいはそれらが接続されるネットワークなどで実現される。データ蓄積部２０は、船舶の船舶情報の蓄積あるいは伝送を行う。船舶情報は、例えばＡＩＳによって取得されたものであるが、このような構成に限られない。

船舶行動学習装置１００は、データ蓄積部２０に格納された船舶情報から、船舶の航跡を表す複数の航跡パターンを生成する。そして、船舶行動学習装置１００は、複数の航跡パターンから、機械学習によって、学習済みパラメータを生成し、パラメータ蓄積部３０に格納する。

パラメータ蓄積部３０は、記憶部１４で実現され得る。より具体的には、パラメータ蓄積部３０は、船舶行動学習装置１００で生成された船舶行動分類器のパラメータ（学習済みパラメータ）を保持するハードディスクやメモリカードなどの記憶媒体、あるいは、それらが接続されるネットワークなどで実現される。パラメータ蓄積部３０は、学習済みパラメータの蓄積あるいは伝送を行う。

船舶解析装置２００は、対象船舶の船舶情報に示される航海状態の正誤を判定する航海状態正誤判定装置として機能する。船舶解析装置２００は、対象船舶の航跡を表す対象航跡パターンを生成する。船舶解析装置２００は、生成された航跡パターンから、学習済みパラメータを用いて、対象船舶の航海状態を推定する。そして、船舶解析装置２００は、推定された航海状態と、対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、対象航海状態が偽装されているか否かを判定する。

図３は、実施の形態１にかかる船舶行動学習装置１００の構成を示す図である。また、図４は、実施の形態１にかかる船舶行動学習装置１００によって実行される船舶行動学習方法を示すフローチャートである。実施の形態１にかかる船舶行動学習装置１００は、データ取得部１０１と、航跡パターン生成部１０２と、パターン学習部１０３とを有する。データ取得部１０１は、データ取得手段として機能する。航跡パターン生成部１０２は、航跡パターン生成手段（第１のパターン生成手段）として機能する。パターン学習部１０３は、パターン学習手段として機能する。

データ取得部１０１は、各船舶の船舶情報を取得する（ステップＳ１０２）。ここで、データ蓄積部２０は、複数の船舶の船舶情報が蓄積されている。船舶情報は、対応する船舶の航海状態と時間情報とが対応付けられた状態で、データ蓄積部２０に格納されている。データ取得部１０１は、データ蓄積部２０から、各船舶の、時間的に連続する航海状態及び位置情報のデータを抽出する。そして、データ取得部１０１は、航海状態を示すデータ及び位置情報を、航跡パターン生成部１０２に出力する。ここで、Ｓ１０２の処理で取得（抽出）される航海状態は、偽装（改ざん）されていないとする。

航跡パターン生成部１０２は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する（ステップＳ１０４）。具体的には、航跡パターン生成部１０２は、データ取得部１０１から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。そして、航跡パターン生成部１０２は、データ取得部１０１から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態（正解航海状態）を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部１０２は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部１０３に出力する。航跡パターンのさらに具体的な生成方法については、後述する。

パターン学習部１０３は、航跡パターンを学習して、学習済みパラメータを生成する（ステップＳ１０６）。具体的には、パターン学習部１０３は、航跡パターン生成部１０２から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部１０３は、最適化したパラメータ（学習済みパラメータ）を、パラメータ蓄積部３０に格納する。

図５～図７は、実施の形態１にかかる航跡パターンの生成方法を説明するための図である。船舶情報は、所定の時間間隔でサンプリングされた、時系列で連続する複数のデータセットを含む。時刻ｉのデータセットは、位置情報ｐ_ｉと、速度情報ｖ_ｉと、航海状態ｓ_ｉとを含む。航跡パターン生成部１０２は、これらのデータセットの中から、基準となる任意の時刻のデータを１つ選択する。ここでは基準時刻をＴとする。

また、時刻ｉにおけるｐ_ｉは、緯度経度等の絶対的な位置情報である。緯度をｌｎｇ_ｉ、経度をｌａｔ_ｉとすると、ｐ_ｉは、以下の式１で表される。
（式１）

そして、各点を描画すると、図５に例示されるような離散点となる。図５には、時刻Ｔ－２、・・・、Ｔ、・・・、Ｔ＋５における位置情報が描画されている。なお、時刻Ｔ＋ｋ（ｋは整数）は、時刻Ｔからｋ秒後ということを意味するのではなく、サンプリング周期において、時刻Ｔのタイミングからｋ番目の時刻を意味する。

次に、航跡パターン生成部１０２は、基準時刻Ｔの前後のｍ個のデータに対し、基準時刻Ｔに対する相対的な位置情報ｐ_ｉ’を以下の式２によって算出する。ここで、ｒｏｕｎｄ（）は、整数値への丸め処理を表し、αは所定のスカラー値である。
（式２）

航跡パターン生成部１０２は、基準時刻Ｔの点Ｐ_Ｔが所定のサイズのグリッドの中心に位置するようにしつつ、各点ｐ_ｉ’（位置情報）を図６に例示するようにマッピングする。このとき、グリッドの１マスの分解能をｒとすると、前述のαはα＝１／ｒで表される。

次に、航跡パターン生成部１０２は、時間的に連続する点を直線でつなぎ、図７に例示される航跡パターン画像を生成する。なお、ここでは簡単のために、時間的に連続する点を結ぶために直線を用いたが、直線を用いることに限定されない。例えば、スプライン補間等を用いて、曲線によって、時間的に連続する点をつないでもよい。なお、位置情報のデータの時間間隔が不均一の場合には、船舶ごとのデータの時間間隔を一定に揃える処理を適用してもよい。

航跡パターン生成部１０２は、上記のように、基準時刻Ｔを中心として生成された航跡パターン画像に対応する航海状態について、時刻Ｔにおける航海状態ｓ_Ｔが正解ラベルであると設定する。以上の処理を任意の船舶、任意の時刻において繰り返すことで、大量の正解ラベル付き画像データセットを生成することができる。

パターン学習部１０３は、航跡パターン生成部１０２によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部１０３は、例えば、畳み込みニューラルネットワーク（Convolutional Neural Net；ＣＮＮ）等を用いて学習を行ってもよいが、ＣＮＮ以外の機械学習アルゴリズムを用いてもよい。このことは、他の実施の形態でも同様である。

図８は、実施の形態１にかかる船舶解析装置２００の構成を示す図である。また、図９は、実施の形態１にかかる船舶解析装置２００によって実行される船舶解析方法を示すフローチャートである。船舶解析装置２００は、データ取得部２０１と、航跡パターン生成部２０２と、航海状態推定部２０３と、航海状態正誤判定部２０４と、出力部２０５とを有する。データ取得部２０１は、データ取得手段として機能する。航跡パターン生成部２０２は、航跡パターン生成手段（第２のパターン生成手段）として機能する。航海状態推定部２０３は、航海状態推定手段として機能する。航海状態正誤判定部２０４は、航海状態正誤判定手段として機能する。出力部２０５は、出力手段として機能する。また、航跡パターン生成部２０２は、図１に示したパターン生成部２に対応する。航海状態推定部２０３は、図１に示した推定部４に対応する。航海状態正誤判定部２０４は、図１に示した判定部６に対応する。

データ取得部２０１は、対象船舶の船舶情報を取得する（ステップＳ１２２）。具体的には、データ取得部２０１は、データ蓄積部２０から、解析対象の船舶（対象船舶）の、時間的に連続する航海状態及び位置情報のデータを抽出する。そして、データ取得部２０１は、位置情報を、航跡パターン生成部２０２に出力する。また、データ取得部２０１は、航海状態を示すデータを、航海状態正誤判定部２０４に出力する。ここで、Ｓ１２２の処理で取得（抽出）される航海状態は、偽装（改ざん）されている可能性があるとする。

航跡パターン生成部２０２は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する（ステップＳ１２４）。具体的には航跡パターン生成部２０２は、データ取得部２０１から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像（対象航跡パターン画像）を生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部１０２（Ｓ１０４）の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部２０２は、生成された対象航跡パターン画像を、航海状態推定部２０３に出力する。

航海状態推定部２０３は、対象船舶の航海状態を推定する（ステップＳ１２６）。具体的には、航海状態推定部２０３は、パラメータ蓄積部３０から、学習済みの航海状態分類器のパラメータ（学習済みパラメータ）を取得する。航海状態推定部２０３は、学習済みパラメータを用いて、パターン学習部１０３で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部２０３は、航跡パターン生成部２０２から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部２０３は、推定された航海状態（推定航海状態）を、航海状態正誤判定部２０４に出力する。

航海状態正誤判定部２０４は、データ取得部２０１から出力された対象船舶の船舶情報に示された航海状態（対象航海状態）と、航海状態推定部２０３から出力された推定航海状態とを比較する（ステップＳ１２８）。そして、航海状態正誤判定部２０４は、対象航海状態と推定航海状態とが一致するか否かを判定する（ステップＳ１３０）。両者が一致する場合（Ｓ１３０のＹＥＳ）、航海状態正誤判定部２０４は、一致を示す信号（例えば「０」）を、出力部２０５に出力する。一方、両者が一致しない場合（Ｓ１３０のＮＯ）、航海状態正誤判定部２０４は、不一致を示す信号（例えば「１」）を、出力部２０５に出力する。

出力部２０５は、航海状態正誤判定部２０４から出力された対象航海状態の正誤判定結果を出力する。ここでいう出力は、判定結果の表示、記録、伝送などを含む。出力部２０５は、図２に示したインタフェース部１８によって実現され得る。出力部２０５は、表示装置、データ出力装置（プリンタ等）、記憶装置（又は記憶媒体）などを含み得る。あるいは、出力部２０５は、このような装置と接続する有線又は無線の通信インタフェースを含んで構成されてもよい。なお、出力部２０５は、判定結果を一時的に記憶する出力バッファを含んでもよい。

航海状態正誤判定部２０４から一致を示す信号（例えば「０」）が出力された場合（Ｓ１３０のＹＥＳ）、出力部２０５は、対象航海状態が正しい旨を表示する（ステップＳ１３２）。一方、航海状態正誤判定部２０４から不一致を示す信号（例えば「１」）が出力された場合（Ｓ１３０のＮＯ）、出力部２０５は、対象航海状態が偽装されている旨を表示する（ステップＳ１３４）。

上述したように、実施の形態１にかかる船舶解析システム１０は、船舶情報の位置情報から生成される航跡パターンと航海状態とをセットで学習する。そして、実施の形態１にかかる船舶解析システム１０は、実運用時には、対象船舶の船舶情報の位置情報から生成される航跡パターンから推定される航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。これにより、専門的な知識によらないで、適切に、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態１にかかる船舶解析システム１０（船舶解析装置２００）は、不審な船舶を適切に判定することが可能となる。また、実施の形態１にかかる船舶解析システム１０の船舶行動学習装置１００は、適切に、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、不審な船舶を適切に判定することを可能とする学習済みパラメータを生成することができる。

（実施の形態２）
次に、実施の形態２について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態２にかかるシステム構成については、図２に示したものと実質的に同様であるので、説明を省略する。実施の形態２においては、航跡パターンの生成方法が、実施の形態１と異なる。

図１０は、実施の形態２にかかる船舶行動学習装置１００の構成を示す図である。なお、実施の形態２にかかる船舶行動学習装置１００によって実行される船舶行動学習方法の概要は、図４に示したフローチャートと実質的に同様である。実施の形態２にかかる船舶行動学習装置１００は、データ取得部３０１と、航跡パターン生成部３０２と、パターン学習部３０３とを有する。データ取得部３０１は、データ取得手段として機能する。航跡パターン生成部３０２は、航跡パターン生成手段（第１のパターン生成手段）として機能する。パターン学習部３０３は、パターン学習手段として機能する。

データ取得部３０１は、各船舶の船舶情報を取得する（Ｓ１０２）。ここで、実施の形態２においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部２０に格納され得るとする。データ取得部３０１は、データ蓄積部２０から、各船舶の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部３０１は、航海状態を示すデータ、位置情報及び速度情報を、航跡パターン生成部３０２に出力する。

なお、一般的に、ＧＰＳ又はＡＩＳから取得される船舶情報には、速度情報が含まれ得る。しかしながら、船舶情報に速度情報が含まれていない場合には、データ取得部３０１は、連続する２点間の空間的距離と時間的距離から速度を算出することが可能である。時間的距離については、連続する２点間のデータの取得日時から求めることが可能である。

航跡パターン生成部３０２は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する（Ｓ１０４）。具体的には、航跡パターン生成部３０２は、速度情報に基づいて描画方法を決定し、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。つまり、航跡パターン生成部３０２は、航跡を、航跡における船舶の速度に応じて異なる表現方法で描画するように、航跡パターンを生成する。そして、航跡パターン生成部３０２は、データ取得部３０１から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態（正解航海状態）を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部３０２は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部３０３に出力する。実施の形態２にかかる航跡パターンのさらに具体的な生成方法については、後述する。

パターン学習部３０３は、航跡パターンを学習して、学習済みパラメータを生成する（Ｓ１０６）。具体的には、パターン学習部３０３は、航跡パターン生成部３０２から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部３０３は、最適化したパラメータ（学習済みパラメータ）を、パラメータ蓄積部３０に格納する。

以下、実施の形態２にかかる、位置情報と速度情報から航跡パターンを生成する方法について説明する。なお、位置情報から航跡を生成する処理については、航跡パターン生成部１０２の処理と実質的に同様であるため、説明を省略する。以下では、図７の航跡パターン画像の描画が終了した以降の、速度情報に基づいて航跡の描画方法を決定する方法について説明する。つまり、実施の形態２においては、位置情報から生成された航跡（航跡パターン）に、速度情報が重畳される。

まず、航跡パターン生成部３０２は、速度情報ｖ_ｉを、所定の最高速度ｖ_ｍａｘを用いて以下の式３により変換し、０．０から１．０の範囲に正規化されたｖ_ｉ’を算出する。なお、ｖ_ｍａｘについては、現在における実用上の高速船の最高速度とされる４５ノット程度を入力すればよい。あるいは、ｖ_ｍａｘについては、各国の高速船の定義を用いて、２２ノット（日本）、２４ノット（欧州）、３０ノット（米国）としてもよい。
（式３）

航跡パターン生成部３０２は、このｖ_ｉ’の値に基づき、図７の航跡パターン画像の描画方法を決定する。一例として、ｖ_ｉ’に基づき、描画する線の色を変更してもよい。ｖ_ｉ’に基づいて線の色を変更する方法として、ｖ_ｉ’の色相環へのマッピングについて説明する。ｖ’の最小値及び最大値がそれぞれ色相環の０度及び３６０度になるようにマッピングすると、速度の最大値と最小値が色相環上では連続してしまう。したがって、例えば最小値が色相の０度（赤）、最大値が色相の２４０度（青）に対応するように、ｖ_ｉ’の色相環へのマッピングを行ってもよい。ここで、色相Ｈ_ｉは以下の式４で表される。
（式４）

以上より、船舶の速度情報を反映したＨＳＶ空間上の色情報（色値）は、以下の式５で表される。
（式５）

最終的に生成されるＲＧＢ空間の色情報は、以下の式６で表される。
（式６）

なお、ｆ_{ＨＳＶ２ＲＧＢ}（・）はＨＳＶ色空間からＲＧＢ色空間への変換関数を表す。

このようにして、実施の形態２においては、図７に示した航跡パターン（軌跡）が、船舶の速度情報に基づいて着色される。つまり、着色される航跡パターンの色は、船舶の速度情報に応じて、一意に決定される。なお、点ｐ_ｉにおける色はＣ_ｉ ^ＲＧＢを使えばよい。一方、点ｐ_ｉと点ｐ_{（ｉ＋１）}と間を結ぶ線分の色については、２点間の色が線形に変化するように重みづけ和を行って決定してもよい。あるいは、単純に、点ｐ_ｉ及び点ｐ_{（ｉ＋１）}における速度情報に対応する色情報の平均値の色、又はこれらの点のどちらか一方の色を用いてもよい。

なお、ｖ_ｉ’に基づいて変更する描画方法は、色を用いて速度情報を表現するものに限定されない。例えば、描画する線の太さ又は線の種類（破線、点線等）などで、速度情報を表現してもよい。なお、色を用いた描画方法の場合は、３チャネルの航跡パターン画像が生成され、線の種類又は太さを用いた描画方法の場合は、１チャネルの航跡パターン画像が生成され得る。

航跡パターン生成部３０２は、上記のように、基準時刻Ｔを中心として生成された航跡パターン画像に対応する航海状態について、時刻Ｔにおける航海状態ｓ_Ｔが正解ラベルであると設定する。以上の処理を任意の船舶、任意の時刻において繰り返すことで、大量の正解ラベル付き画像データセットを生成することができる。

パターン学習部３０３は、パターン学習部１０３と同様にして、航跡パターン生成部３０２によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部３０３は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）等を用いて学習を行ってもよい。なお、航跡の描画方法として色を用いた場合、ＣＮＮの入力がグレースケール画像からカラー画像に変わるため、ネットワークのチャネルの構成が、実施の形態１の場合とは異なることに注意すべきである。

図１１は、実施の形態２にかかる船舶解析装置２００の構成を示す図である。なお、実施の形態２にかかる船舶解析装置２００によって実行される船舶解析方法の概要は、図９に示したフローチャートと実質的に同様である。実施の形態２にかかる船舶解析装置２００は、データ取得部４０１と、航跡パターン生成部４０２と、航海状態推定部４０３と、航海状態正誤判定部２０４と、出力部２０５とを有する。データ取得部４０１は、データ取得手段として機能する。航跡パターン生成部４０２は、航跡パターン生成手段（第２のパターン生成手段）として機能する。航海状態推定部４０３は、航海状態推定手段として機能する。また、航跡パターン生成部４０２は、図１に示したパターン生成部２に対応する。航海状態推定部４０３は、図１に示した推定部４に対応する。

データ取得部４０１は、対象船舶の船舶情報を取得する（Ｓ１２２）。ここで、上述したように、実施の形態２においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部２０に格納されている。データ取得部４０１は、データ蓄積部２０から、解析対象の船舶（対象船舶）の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部４０１は、位置情報及び速度情報を、航跡パターン生成部４０２に出力する。また、データ取得部４０１は、航海状態を示すデータを、航海状態正誤判定部２０４に出力する。ここで、上述したように、Ｓ１２２の処理で取得（抽出）される航海状態は、偽装されている可能性があるとする。また、データ取得部３０１と同様に、データ取得部４０１は、船舶情報に速度情報が含まれていない場合には、連続する２点間の空間的距離と時間的距離から速度を算出することが可能である。

航跡パターン生成部４０２は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する（Ｓ１２４）。具体的には、航跡パターン生成部４０２は、速度情報に基づいて描画方法（色など）を決定し、データ取得部４０１から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像（対象航跡パターン画像）を生成する。つまり、航跡パターン生成部４０２は、航跡を、航跡における対象船舶の速度に応じて異なる表現方法で描画するように、対象航跡パターンを生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部３０２（Ｓ１０４）の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部４０２は、生成された対象航跡パターン画像を、航海状態推定部４０３に出力する。

航海状態推定部４０３は、対象船舶の航海状態を推定する（Ｓ１２６）。具体的には、航海状態推定部４０３は、パラメータ蓄積部３０から、学習済みの航海状態分類器のパラメータ（学習済みパラメータ）を取得する。航海状態推定部４０３は、パターン学習部３０３で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部４０３は、航跡パターン生成部４０２から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部４０３は、推定された航海状態（推定航海状態）を、航海状態正誤判定部２０４に出力する。

実施の形態１と同様に、航海状態正誤判定部２０４は、データ取得部４０１から出力された対象船舶の船舶情報に示された航海状態（対象航海状態）と、航海状態推定部４０３から出力された推定航海状態とを比較する（Ｓ１２８）。そして、航海状態正誤判定部２０４は、対象航海状態と推定航海状態とが一致するか否かを判定する（Ｓ１３０）。両者が一致する場合（Ｓ１３０のＹＥＳ）、出力部２０５は、対象航海状態が正しい旨を表示する（Ｓ１３２）。一方、両者が一致しない場合（Ｓ１３０のＮＯ）、出力部２０５は、対象航海状態が偽装されている旨を表示する（Ｓ１３４）。

上述したように、実施の形態２にかかる船舶解析システム１０は、船舶情報の位置情報から生成され速度情報が重畳された航跡パターンと航海状態とをセットで学習する。そして、実施の形態２にかかる船舶解析システム１０は、実運用時には、対象船舶の船舶情報の位置情報から生成され速度情報が重畳された航跡パターンから推定される航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。このように、実施の形態２では、船舶の速度情報を航跡パターンに重畳することで、情報量を増加させている。これにより、実施の形態２にかかる船舶解析システム１０は、実施の形態１と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態２にかかる船舶解析システム１０（船舶解析装置２００）は、実施の形態１と比較して、不審な船舶をさらに適切に判定することが可能となる。また、実施の形態２にかかる船舶解析システム１０の船舶行動学習装置１００は、実施の形態１と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、実施の形態２においては、実施の形態１と比較して、不審な船舶をさらに適切に判定することを可能とする学習済みパラメータを生成することができる。

（実施の形態３）
次に、実施の形態３について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。なお、実施の形態３にかかるシステム構成については、図２に示したものと実質的に同様であるので、説明を省略する。実施の形態３においては、航跡パターンの生成方法が、上述した実施の形態と異なる。

図１２は、実施の形態３にかかる船舶行動学習装置１００の構成を示す図である。なお、実施の形態３にかかる船舶行動学習装置１００によって実行される船舶行動学習方法の概要は、図４に示したフローチャートと実質的に同様である。実施の形態３にかかる船舶行動学習装置１００は、データ取得部５０１と、航跡パターン生成部５０２と、パターン学習部５０３と、加速度算出部５０４とを有する。データ取得部５０１は、データ取得手段として機能する。航跡パターン生成部５０２は、航跡パターン生成手段（第１のパターン生成手段）として機能する。パターン学習部５０３は、パターン学習手段として機能する。加速度算出部５０４は、加速度算出手段として機能する。

データ取得部５０１は、各船舶の船舶情報を取得する（Ｓ１０２）。ここで、実施の形態３においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部２０に格納され得るとする。データ取得部５０１は、データ蓄積部２０から、各船舶の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部５０１は、航海状態を示すデータ、位置情報及び速度情報を、航跡パターン生成部５０２に出力する。さらに、データ取得部５０１は、速度情報と時刻情報とを加速度算出部５０４に出力する。

なお、一般的に、ＧＰＳ又はＡＩＳから取得される船舶情報には、速度情報が含まれ得る。しかしながら、船舶情報に速度情報が含まれていない場合には、データ取得部５０１は、連続する２点間の空間的距離と時間的距離から速度を算出することが可能である。時間的距離については、連続する２点間のデータの取得日時から求めることが可能である。

加速度算出部５０４は、データ取得部５０１から出力された時刻情報と速度情報とから加速度情報を算出する。そして、加速度算出部５０４は、算出した加速度情報を航跡パターン生成部５０２に出力する。具体的には、加速度算出部５０４は、時間的に連続する速度情報ｖ_ｉと、各速度情報が観測された時刻ｔ_ｉとを用いて、各時刻における加速度ａ_ｉを、以下の式７によって算出する。
（式７）

航跡パターン生成部５０２は、各船舶情報について、船舶の位置情報を用いて、航跡パターンを生成する（Ｓ１０４）。具体的には、航跡パターン生成部５０２は、速度情報及び加速度情報に基づいて描画方法を決定し、離散的な位置情報間を補間するようにして描画される航跡パターン画像を生成する。そして、航跡パターン生成部５０２は、データ取得部５０１から取得された航海状態のデータにおいて、当該航跡パターン画像に対応する航海状態（正解航海状態）を、この航跡パターンの正解ラベルとして設定する。そして、航跡パターン生成部５０２は、生成された航跡パターン画像と、正解ラベルを示すラベル情報とを、パターン学習部５０３に出力する。実施の形態３にかかる航跡パターンのさらに具体的な生成方法については、後述する。

パターン学習部５０３は、航跡パターンを学習して、学習済みパラメータを生成する（Ｓ１０６）。具体的には、パターン学習部５０３は、航跡パターン生成部５０２から出力された航跡パターン画像とラベル情報とから、航跡パターン画像を学習し、航海状態分類器のパラメータを最適化して、学習済みパラメータを生成する。そして、パターン学習部５０３は、最適化したパラメータ（学習済みパラメータ）を、パラメータ蓄積部３０に格納する。

以下、実施の形態３にかかる、位置情報と速度情報と加速度情報とから航跡パターンを生成する方法について説明する。位置情報から航跡を生成する処理、及び、速度情報を航跡に重畳する処理については、航跡パターン生成部３０２の処理と実質的に同様であるため、説明を省略する。以下では、図７の航跡パターン画像の描画が終了した以降の、加速度情報に基づいて航跡の描画方法を決定する方法について説明する。つまり、実施の形態３においては、位置情報から生成された航跡に、加速度情報が重畳される。なお、実施の形態３においては、実施の形態２にかかる速度情報が重畳された航跡と加速度情報が重畳された航跡とが別個に生成されてもよいし、実施の形態２にかかる速度情報が重畳された航跡に、さらに加速度情報が重畳されてもよい。

まず、航跡パターン生成部５０２は、加速度情報ａ_ｉを、所定の最高加速度ａ_ｍａｘを用いて以下の式８により変換し、０．０から１．０の範囲に正規化されたａ_ｉ’を算出する。なお、ａ_ｍａｘは、ユーザによって予め設定された所定値であってもよい。
（式８）

航跡パターン生成部５０２は、このａ_ｉ’の値に基づき、図７の航跡パターン画像の描画方法を決定する。一例として、ａ_ｉ’に基づき、描画する線の色を変更してもよい。ａ_ｉ’に基づいて線の色を変更する方法として、ａ_ｉ’の色相環へのマッピングについて説明する。ａ_ｉ’の最小値及び最大値がそれぞれ色相環の０度及び３６０度になるようにマッピングすると、加速度の最大値と最小値が色相環上では連続してしまう。したがって、例えば最小値が色相の０度（赤）、最大値が色相の２４０度（青）に対応するように、ａ_ｉ’の色相環へのマッピングを行ってもよい。ここで、色相Ｈ_ｉは以下の式９で表される。
（式９）

以上より、船舶の加速度情報を反映したＨＳＶ空間上の色情報（色値）は、以下の式１０で表される。
（式１０）

最終的に生成されるＲＧＢ空間の色情報は、以下の式１１で表される。
（式１１）

なお、ｆ_{ＨＳＶ２ＲＧＢ}（・）はＨＳＶ色空間からＲＧＢ色空間への変換関数を表す。

このようにして、実施の形態３においては、図７に示した航跡パターン（軌跡）が、船舶の加速度情報に基づいて着色される。つまり、着色される航跡パターンの色は、船舶の加速度情報に応じて、一意に決定される。なお、点ｐ_ｉと点ｐ_{（ｉ＋１）}との間を結ぶ線分の色についてはＣ_ｉ ^ＲＧＢを使えばよい。一方、点ｐ_ｉにおける色については、点ｐ_{（ｉ－１）}について算出された加速度ａ_{（ｉ－１）}と、点ｐ_ｉについて算出された加速度ａ_ｉとの平均値に対応する色情報を用いてもよい。あるいは、単純に、点ｐ_{（ｉ－１）}について算出された加速度ａ_{（ｉ－１）}、又は、点ｐ_ｉについて算出された加速度ａ_ｉに対応する色情報を用いてもよい。

なお、ａ_ｉ’に基づいて変更する描画方法は、色を用いて加速度情報を表現するものに限定されない。例えば、描画する線の太さ又は線の種類（破線、点線等）などで、加速度情報を表現してもよい。なお、色を用いた描画方法の場合は、３チャネルの航跡パターン画像が生成され、線の種類又は太さを用いた描画方法の場合は、１チャネルの航跡パターン画像が生成され得る。

航跡パターン生成部５０２は、上記のようにして生成された、速度によって描画方法が決定された航跡パターン、及び、加速度によって描画方法が決定された航跡パターンの２種類の航跡パターン画像を、パターン学習部５０３に出力する。なお、速度による描画方法及び加速度による描画方法が共に色によるものである場合、航跡パターン生成部５０２は、速度による航跡パターン及び加速度による航跡パターンを、６チャネルの航跡パターン画像として、パターン学習部５０３に出力する。

なお、例えば、速度による描画方法が色によるものであり、加速度による描画方法が線の太さによるものであってもよい。この場合、航跡パターン生成部５０２は、速度による航跡パターン及び加速度による航跡パターンを、４チャネルの航跡パターン画像として、パターン学習部５０３に出力する。また、例えば、速度による描画方法が線の種類によるものであり、加速度による描画方法が線の太さによるものであってもよい。この場合、航跡パターン生成部５０２は、速度による航跡パターン及び加速度による航跡パターンを、２チャネルの航跡パターン画像として、パターン学習部５０３に出力する。

パターン学習部５０３は、パターン学習部１０３と同様にして、航跡パターン生成部５０２によって生成された大量の正解ラベル付き画像データセットから、一般的な教師あり分類器を用いて、教師あり機械学習によって、学習済みパラメータを生成する。パターン学習部５０３は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）等を用いて学習を行ってもよい。

図１３は、実施の形態３にかかる船舶解析装置２００の構成を示す図である。なお、実施の形態３にかかる船舶解析装置２００によって実行される船舶解析方法の概要は、図９に示したフローチャートと実質的に同様である。実施の形態３にかかる船舶解析装置２００は、データ取得部６０１と、航跡パターン生成部６０２と、航海状態推定部６０３と、加速度算出部６０４と、航海状態正誤判定部２０４と、出力部２０５とを有する。データ取得部６０１は、データ取得手段として機能する。航跡パターン生成部６０２は、航跡パターン生成手段（第２のパターン生成手段）として機能する。航海状態推定部６０３は、航海状態推定手段として機能する。また、航跡パターン生成部６０２は、図１に示したパターン生成部２に対応する。航海状態推定部６０３は、図１に示した推定部４に対応する。

データ取得部６０１は、対象船舶の船舶情報を取得する（Ｓ１２２）。ここで、上述したように、実施の形態３においては、船舶情報は、対応する船舶の航海状態と時間情報と速度情報とが対応付けられた状態で、データ蓄積部２０に格納されている。データ取得部６０１は、データ蓄積部２０から、解析対象の船舶（対象船舶）の、時間的に連続する航海状態、位置情報及び速度情報のデータを抽出する。そして、データ取得部６０１は、位置情報及び速度情報を、航跡パターン生成部６０２に出力する。また、データ取得部６０１は、航海状態を示すデータを、航海状態正誤判定部２０４に出力する。ここで、上述したように、Ｓ１２２の処理で取得（抽出）される航海状態は、偽装されている可能性があるとする。また、データ取得部３０１と同様に、データ取得部６０１は、船舶情報に速度情報が含まれていない場合には、連続する２点間の空間的距離と時間的距離から速度を算出することが可能である。

さらに、データ取得部６０１は、速度情報と時刻情報とを加速度算出部６０４に出力する。加速度算出部６０４は、加速度算出部５０４と同様にして、データ取得部６０１から出力された時刻情報と速度情報とから加速度情報を算出する。そして、加速度算出部６０４は、算出した加速度情報を航跡パターン生成部６０２に出力する。

航跡パターン生成部６０２は、対象船舶の航跡を表す航跡パターンである対象航跡パターンを生成する（Ｓ１２４）。具体的には、航跡パターン生成部６０２は、速度情報に基づいて描画方法（色など）を決定し、データ取得部６０１から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像（対象航跡パターン画像）を生成する。さらに、航跡パターン生成部６０２は、加速度情報に基づいて描画方法（色など）を決定し、データ取得部６０１から出力された位置情報から、離散的な位置情報間を補間するようにして描画される航跡パターン画像（対象航跡パターン画像）を生成する。つまり、航跡パターン生成部６０２は、航跡を、航跡における対象船舶の速度及び加速度に応じて異なる表現方法で描画するように、速度及び加速度それぞれについての対象航跡パターンを生成する。なお、対象航跡パターン画像の生成の詳細については、航跡パターンに対応するラベルを設定する処理がないことを除いて、航跡パターン生成部５０２（Ｓ１０４）の処理と実質的に同様であるため、詳細な説明を割愛する。そして、航跡パターン生成部６０２は、生成された対象航跡パターン画像を、航海状態推定部６０３に出力する。

航海状態推定部６０３は、対象船舶の航海状態を推定する（Ｓ１２６）。具体的には、航海状態推定部６０３は、パラメータ蓄積部３０から、学習済みの航海状態分類器のパラメータ（学習済みパラメータ）を取得する。航海状態推定部６０３は、パターン学習部５０３で学習した航海状態分類器と同じ構成の航海状態分類器を再構成する。航海状態推定部６０３は、航跡パターン生成部６０２から出力された対象航跡パターン画像から、対象船舶の航海状態を推定する。航海状態推定部６０３は、推定された航海状態（推定航海状態）を、航海状態正誤判定部２０４に出力する。

実施の形態１と同様に、航海状態正誤判定部２０４は、データ取得部６０１から出力された対象船舶の船舶情報に示された航海状態（対象航海状態）と、航海状態推定部６０３から出力された推定航海状態とを比較する（Ｓ１２８）。そして、航海状態正誤判定部２０４は、対象航海状態と推定航海状態とが一致するか否かを判定する（Ｓ１３０）。両者が一致する場合（Ｓ１３０のＹＥＳ）、出力部２０５は、対象航海状態が正しい旨を表示する（Ｓ１３２）。一方、両者が一致しない場合（Ｓ１３０のＮＯ）、出力部２０５は、対象航海状態が偽装されている旨を表示する（Ｓ１３４）。

上述したように、実施の形態３にかかる船舶解析システム１０は、船舶情報の位置情報から生成され速度情報が重畳された航跡パターンと航海状態とをセットで学習する。さらに、実施の形態３にかかる船舶解析システム１０は、船舶情報の位置情報から生成され加速度情報が重畳された航跡パターンと航海状態とをセットで学習する。そして、実施の形態３にかかる船舶解析システム１０は、実運用時には、対象船舶の船舶情報の位置情報から生成され速度情報及び加速度情報がそれぞれ重畳された航跡パターンから、航海状態を推定する。そして、実施の形態３にかかる船舶解析システム１０は、推定された航海状態と、対象船舶の船舶情報の航海状態とを比較して、航海状態の正誤を判定する。このように、実施の形態３では、船舶の速度情報及び加速度情報を航跡パターンに重畳することで、情報量を増加させている。

これにより、実施の形態３にかかる船舶解析システム１０は、上記の他の実施の形態と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かを判定することができる。したがって、実施の形態３にかかる船舶解析システム１０（船舶解析装置２００）は、上記の他の実施の形態と比較して、不審な船舶をさらに適切に判定することが可能となる。また、実施の形態３にかかる船舶解析システム１０の船舶行動学習装置１００は、上記の他の実施の形態と比較して、より精度よく、対象船舶の船舶情報における航海状態が偽装されているか否かの判定を可能とする学習済みパラメータを生成することができる。したがって、実施の形態３においては、上記の他の実施の形態と比較して、不審な船舶をさらに適切に判定することを可能とする学習済みパラメータを生成することができる。

（変形例）
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートの各ステップの処理の１つ以上は、省略され得る。例えば、図９のＳ１３２は、省略されてもよい。

また、例えば、航跡パターン生成部において、描画方法決定に用いることができる情報としては、速度や加速度だけでなく、船舶の回頭率（進行方向の時間変化）などを用いてもよい。つまり、上述した実施の形態に、以下に示す船舶の回頭率を用いた方法をさらに適用してもよい。

ここで、回頭率は、ＡＩＳ情報等の船舶情報の航海状態を示すデータに含まれ得る。回頭率が用いられる場合、船舶行動学習装置１００及び船舶解析装置２００の航跡パターン生成部は、速度又は加速度などを用いる場合と同様に、時系列の回頭率を正規化する（式３及び式８参照）。ここで、正規化された回頭率をｔｒ’とすると、航跡パターン生成部は、各々のｔｒ’を色相環にマッピングして、各々のｔｒ’に対応する色を決定する。回頭率を用いる場合は、例えば０度と３５９度の差は１度としてみることが望ましいため、色相Ｈ_ｉのマッピングにおいては、速度又は加速度を用いる場合と異なり、式１２を用いればよい。
（式１２）
Ｈ_ｉ＝ｔｒ’

また、航跡パターン生成部は、点ｐ_ｉ（図７参照）を、例えば、その点におけるｔｒ’に対応する色に着色するとともに、点ｐ_ｉと点ｐ_ｉ＋１とを結ぶ線分の色を、例えば、点ｐ_ｉにおけるｔｒ’と点ｐ_ｉ＋１とにおけるｔｒ’との平均値に対応する色に着色する。なお、描画方法は、ｔｒ’に応じて色を変える方法に限定されない。例えば、描画する線の太さや線の種類などをｔｒ’に応じて変えてもよい。さらに、航跡パターン生成部は、上記の各実施の形態の場合と同様に、航跡パターン画像に対応する航海状態について、時刻Ｔにおける航海状態ｓ_ｒを、正解ラベルとして設定する。なお、船舶解析装置及び船舶解析方法についても、航跡パターンの生成上記の実施の形態と実質的に同様の処理が行われる。なお、船舶解析装置及び船舶解析方法における航跡パターンの生成は、上記の回頭率にかかる航跡パターン生成部と、ラベル情報の付与を除き、実質的に同様である。このように、回頭率を用いた場合でも、情報量が増加するので、上記の実施の形態２～３と実質的に同様の効果を得ることができる。

上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する船舶解析装置。
（付記２）
前記推定手段は、複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記１に記載の船舶解析装置。
（付記３）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１又は２に記載の船舶解析装置。
（付記４）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記３に記載の船舶解析装置。
（付記５）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１～４のいずれか１項に記載の船舶解析装置。
（付記６）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記５に記載の船舶解析装置。
（付記７）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１～６のいずれか１項に記載の船舶解析装置。
（付記８）
前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記７に記載の船舶解析装置。
（付記９）
１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するパターン生成手段と、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するパターン学習手段と
を有する船舶行動学習装置。
（付記１０）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記９に記載の船舶行動学習装置。
（付記１１）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記１０に記載の船舶行動学習装置。
（付記１２）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記９～１１のいずれか１項に記載の船舶行動学習装置。
（付記１３）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記１２に記載の船舶行動学習装置。
（付記１４）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記９～１３のいずれか１項に記載の船舶行動学習装置。
（付記１５）
前記パターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記１４に記載の船舶行動学習装置。
（付記１６）
船舶の行動を解析する船舶解析手段と、
前記船舶解析手段で用いられる学習済みパラメータを生成する船舶行動学習手段と
を有し、
前記船舶行動学習手段は、
１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成する第１のパターン生成手段と、
前記第１のパターン生成手段によって生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって前記学習済みパラメータを生成するパターン学習手段と
を有し、
前記船舶解析手段は、
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する第２のパターン生成手段と、
前記第２のパターン生成手段によって生成された対象航跡パターンと前記学習済みパラメータとを用いて、前記対象船舶の航海状態を推定する推定手段と、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
を有する
船舶解析システム。
（付記１７）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１６に記載の船舶解析システム。
（付記１８）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記１７に記載の船舶解析システム。
（付記１９）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１６～１８のいずれか１項に記載の船舶解析システム。
（付記２０）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成し、
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記１９に記載の船舶解析システム。
（付記２１）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成し、
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記１６～２０のいずれか１項に記載の船舶解析システム。
（付記２２）
前記第１のパターン生成手段は、前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
前記第２のパターン生成手段は、前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記２１に記載の船舶解析システム。
（付記２３）
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成し、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定し、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する
船舶解析方法。
（付記２４）
複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
付記２３に記載の船舶解析方法。
（付記２５）
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記２３又は２４に記載の船舶解析方法。
（付記２６）
前記航跡を前記航跡における前記対象船舶の速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記２５に記載の船舶解析方法。
（付記２７）
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記２３～２６のいずれか１項に記載の船舶解析方法。
（付記２８）
前記航跡を前記航跡における前記対象船舶の加速度に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記２７に記載の船舶解析方法。
（付記２９）
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
付記２３～２８のいずれか１項に記載の船舶解析方法。
（付記３０）
前記航跡を前記航跡における前記対象船舶の回頭率に応じて異なる色で描画するように、前記対象航跡パターンを生成する
付記２９に記載の船舶解析方法。
（付記３１）
１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成し、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成する
船舶行動学習方法。
（付記３２）
前記航跡を前記航跡における前記船舶の速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記３１に記載の船舶行動学習方法。
（付記３３）
前記航跡を前記航跡における前記船舶の速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記３２に記載の船舶行動学習方法。
（付記３４）
前記航跡を前記航跡における前記船舶の加速度に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記３１～３３のいずれか１項に記載の船舶行動学習方法。
（付記３５）
前記航跡を前記航跡における前記船舶の加速度に応じて異なる色で描画するように、前記航跡パターンを生成する
付記３４に記載の船舶行動学習方法。
（付記３６）
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる表現方法で描画するように、前記航跡パターンを生成する
付記３１～３５のいずれか１項に記載の船舶行動学習方法。
（付記３７）
前記航跡を前記航跡における前記船舶の回頭率に応じて異なる色で描画するように、前記航跡パターンを生成する
付記３６に記載の船舶行動学習方法。
（付記３８）
解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップと、
前記生成された航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、
前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
（付記３９）
１つ以上の船舶から発信された船舶情報を用いて、船舶の時間の経過とともに変化する位置情報から前記船舶の航跡を表す複数の航跡パターンを生成するステップと、
前記生成された複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて、機械学習によって学習済みパラメータを生成するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。

１ 船舶解析装置
２ パターン生成部
４ 推定部
６ 判定部
１０ 船舶解析システム
２０ データ蓄積部
３０ パラメータ蓄積部
１００ 船舶行動学習装置
１０１ データ取得部
１０２ 航跡パターン生成部
１０３ パターン学習部
２００ 船舶解析装置
２０１ データ取得部
２０２ 航跡パターン生成部
２０３ 航海状態推定部
２０４ 航海状態正誤判定部
２０５ 出力部
３０１ データ取得部
３０２ 航跡パターン生成部
３０３ パターン学習部
４０１ データ取得部
４０２ 航跡パターン生成部
４０３ 航海状態推定部
５０１ データ取得部
５０２ 航跡パターン生成部
５０３ パターン学習部
５０４ 加速度算出部
６０１ データ取得部
６０２ 航跡パターン生成部
６０３ 航海状態推定部
６０４ 加速度算出部

Claims (5)

1. 解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するパターン生成手段と、
   前記生成された対象航跡パターンを用いて、前記対象船舶の航海状態を推定する推定手段と、
   前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する判定手段と
   を有し、
   前記パターン生成手段は、前記航跡を前記航跡における前記対象船舶の速度、加速度若しくは回頭率の何れか１つ、又は前記対象船舶の速度及び加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成する
   船舶解析装置。
2. 前記推定手段は、複数の航跡パターンと当該複数の航跡パターンそれぞれに対応する正解ラベルである正解航海状態とを用いて予め機械学習によって生成された学習済みパラメータを用いて、前記対象船舶の航海状態を推定する
   請求項１に記載の船舶解析装置。
3. 前記異なる表現方法として色を異ならせて描画する
   請求項１又は２に記載の船舶解析装置。
4. コンピュータによって実行される船舶解析方法であって、
   解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成する際に、前記航跡を前記航跡における前記対象船舶の速度、加速度若しくは回頭率の何れか１つ、又は前記対象船舶の速度及び加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成し、
   前記生成された対象航跡パターンを用いて、前記対象船舶の航海状態を推定し、
   前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定する
   船舶解析方法。
5. 解析対象の船舶である対象船舶の時間の経過とともに変化する位置情報から前記対象船舶の航跡を表す対象航跡パターンを生成するステップであって、前記航跡を前記航跡における前記対象船舶の速度、加速度若しくは回頭率の何れか１つ、又は前記対象船舶の速度及び加速度に応じて異なる表現方法で描画するように、前記対象航跡パターンを生成するステップと、
   前記生成された対象航跡パターンを用いて、前記対象船舶の航海状態を推定するステップと、
   前記推定された航海状態と、前記対象船舶から発信された船舶情報に示された航海状態である対象航海状態とを比較することによって、前記対象航海状態が偽装されているか否かを判定するステップと
   をコンピュータに実行させるプログラム。

Images