Publication
Data mining for anomaly detection in maritime traffic data
| dc.contributor.advisor | Campos, Aldino Santos de | |
| dc.contributor.advisor | Lobo, Victor José de Almeida e Sousa | |
| dc.contributor.advisor | Maia, Rui Filipe Pedroso | |
| dc.contributor.author | Sousa, Maria Inês Neves de | |
| dc.date.accessioned | 2018-11-28T17:02:49Z | |
| dc.date.available | 2018-11-28T17:02:49Z | |
| dc.date.issued | 2018-09 | |
| dc.description.abstract | For the past few years, oceans have become once again, an important means of communication and transport. In fact, traffic density throughout the globe has suffered a substantial growth, which has risen some concerns. With this expansion, the need to achieve a high Maritime Situational Awareness (MSA) is imperative. At the present time, this need may be more easily fulfilled thanks to the vast amount of data available regarding maritime traffic. However, this brings in another issue: data overload. Currently, there are so many data sources, so many data to obtain information from, that the operators cannot handle it. There is a pressing need for systems that help to sift through all the data, analysing and correlating, helping in this way the decision making process. In this dissertation, the main goal is to use different sources of data in order to detect anomalies and contribute to a clear Recognised Maritime Picture (RMP). In order to do so, it is necessary to know what types of data exist and which ones are available for further analysis. The data chosen for this dissertation was Automatic Identification System (AIS) and Monitorização Contínua das Atividades da Pesca (MONICAP) data, also known as Vessel Monitoring System (VMS) data. In order to store 1 year worth of AIS and MONICAP data, a PostgreSQL database was created. To analyse and draw conclusions from the data, a data mining tool was used, namely, Orange. Tests were conducted in order to assess the correlation between data sources and find anomalies. The importance of data correlation has never been so important and with this dissertation the aim is to show that there is a simple and effective way to get answers from great amounts of data. | pt_PT |
| dc.description.abstract | Nos últimos anos, os oceanos tornaram-se, mais uma vez, um importante meio de comunicação e transporte. De facto, a densidade de tráfego global sofreu um crescimento substancial, o que levantou algumas preocupações. Com esta expansão, a necessidade de atingir um elevado Conhecimento Situacional Marítimo (CSM) é imperativa. Hoje em dia, esta necessidade pode ser satisfeita mais facilmente graças à vasta quantidade de dados disponíveis de tráfego marítimo. No entanto, isso leva a outra questão: sobrecarga de dados. Atualmente existem tantas fontes de dados, tantos dados dos quais extrair informação, que os operadores não conseguem acompanhar. Existe uma necessidade premente para sistemas que ajudem a escrutinar todos os dados, analisando e correlacionando, contribuindo desta maneira ao processo de tomada de decisão. Nesta dissertação, o principal objetivo é usar diferentes fontes de dados para detetar anomalias e contribuir para uma clara Recognised Maritime Picture (RMP). Para tal, é necessário saber que tipos de dados existem e quais é que se encontram disponíveis para análise posterior. Os dados escolhidos para esta dissertação foram dados Automatic Identification System (AIS) e dados de Monitorização Contínua das Atividades da Pesca (MONICAP), também conhecidos como dados de Vessel Monitoring System (VMS). De forma a armazenar dados correspondentes a um ano de AIS e MONICAP, foi criada uma base de dados em PostgreSQL. Para analisar e retirar conclusões, foi utilizada uma ferramenta de data mining, nomeadamente, o Orange. De modo a que pudesse ser avaliada a correlação entre fontes de dados e serem detetadas anomalias foram realizados vários testes. A correlação de dados nunca foi tão importante e pretende-se com esta dissertação mostrar que existe uma forma simples e eficaz de obter respostas de grandes quantidades de dados | pt_PT |
| dc.identifier.tid | 202029972 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/25059 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | maritime situational awareness | en |
| dc.subject | conhecimento situacional marítimo | pt_PT |
| dc.subject | data | en |
| dc.subject | dados | pt_PT |
| dc.subject | tráfego marítimo | pt_PT |
| dc.subject | AIS | pt_PT |
| dc.subject | maritime traffic | en |
| dc.subject | MONICAP | en |
| dc.title | Data mining for anomaly detection in maritime traffic data | en |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.grantor | Escola Naval |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- ASPOF Maria Neves de Sousa - Data mining for anomaly detection in maritime traffic data.pdf
- Size:
- 7.47 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.85 KB
- Format:
- Item-specific license agreed upon to submission
- Description: