| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mašīnmācīšanās modeļa izstrāde jūras anomāliju noteikšanai un drošības uzlabošanai |
| Nosaukums angļu valodā |
Machine Learning Model Development for Maritime Anomaly Detection for Enhanced Security |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Arnis Staško |
| Recenzents |
Balasuriyage Aritha Dewnith Kumarasinghe |
| Anotācija |
Jūras transports nodrošina gandrīz 90% no pasaules tirdzniecības, un agrīna neregulāru kuģu kustību identificēšana ir kritiski svarīga, lai mazinātu nelikumīgas zvejas, kontrabandas un vides riskus. Šajā bakalaura darbā tiek izstrādāts neuzraudzītu anomāliju noteikšanas novērtēšanas ietvars, izmantojot Automātiskās identifikācijas sistēmas (AIS) datus, stiprinot jūras situācijas apzināšanos apstākļos, kad patiesie marķējumi (ground-truth labels) ir ierobežoti vai nav pieejami.
Ņemot vērā AIS datu dinamikas sarežģītību un anotētu datu kopu trūkumu, darbā tiek analizēta un pielietota neuzraudzīta pieeja, kas balstīta uz Isolation Forest algoritmu. Pētījumā uzmanība vērsta uz diviem operacionāli nozīmīgiem uzvedības modeļiem–pārmērīgu ātrumu (Excessive Speed) un kustību pietauvošanās/enkurošanās laikā (Motion While Moored/Anchored). Normālas kuģošanas dinamikas modelēšanai un noviržu identificēšanai tiek izmantotas domēnspecifiskas, eksperta zināšanās balstītas pazīmes (domain-informed features). Modeļa izstrāde tiek pozicionēta kā iteratīvs process, kurā novērtēšanas rezultāti tieši ietekmē apmācības konfigurāciju un optimālu darbības punktu (operating points) izvēli.
Lai risinātu galveno IT izaicinājumu – modeļa izvērtēšanu bez pietiekamiem patiesajiem marķējumiem –, ietvars apvieno divas savstarpēji papildinošas stratēģijas: (1) Silver Labels jeb domēnregelēs balstītu vāju uzraudzību, un (2) sintētisku anomāliju injicēšanu (Synthetic Anomaly Injection), kas ļauj stresa testos izvērtēt modeļa jutību un noturību.
Eksperimenti ar reāliem AIS datiem apliecina, ka kombinētā novērtēšanas metodoloģija sniedz būtisku ieskatu anomāliju detektora darbībā, izgaismo atšķirības starp silver-label un patiesības datu veiktspēju, kā arī atbalsta analītiķu prioritizācijas procesu, izmantojot kartēs balstītas vizualizācijas (map-based visualization).
Darbs piedāvā mērogojamu un reproducējamu metodoloģiju neuzraudzītu jūras anomāliju detektoru novērtēšanai un iezīmē turpmākos pētniecības virzienus – eksperta iesaisti validācijā (expert-in-the-loop), daļēji uzraudzītas pieejas, kā arī bagātāku kontekstuālo modelēšanu.
Bakalaura darbs sastāv no 77 lapaspusēm, ietver 4 tabulas, 27 attēlus, 6 pielikumus un 27 literatūras avotus. |
| Atslēgas vārdi |
Jūras drošība, AIS dati, anomāliju noteikšana, mašīnmācīšanās, neuzraudzīta mācīšanās, Isolation Forest, vājā uzraudzība |
| Atslēgas vārdi angļu valodā |
Maritime Security, AIS Data, Anomaly Detection, Machine Learning, Unsupervised Learning, Isolation Forest, Weak Supervision |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
06.01.2026 18:05:22 |
