KI-gestützte Klassifizierung von Schiffstypen in Engstellen aus AIS-Daten

Ein neues Forschungsprojekt demonstriert, wie maschinelles Lernen allein aus AIS‑Spuren die Typen von Schiffen in engen Meeresengstellen zuverlässig erkennt. Die Studie nutzt acht Tage historische AIS‑Daten der dänischen Marine, die den Bornholmer Kanal im Ostseegebiet abdecken.

Nach einer sorgfältigen Datenaufbereitung – inklusive Vor‑ und Zurückfüllen von Fahrten, Entfernung von kinematischen und geographischen Ausreißern sowie Segmentierung der Routen pro MMSI – wurden 31 Merkmale extrahiert. Diese umfassen Geschwindigkeit, Zeitverläufe, Haversine‑Entfernungen, sowie Schiffshöhen- und Breitenverhältnisse, die aus den AIS‑Referenzpunkten A, B, C und D berechnet wurden.

Mit gruppierten Train/Test‑Splits und einer 5‑Fold‑Stratifikation wurden verschiedene Klassifikatoren getestet. Ein Random‑Forest‑Modell, das mit SMOTE zur Ausgleichung der Klassen trainiert wurde, erreichte eine Genauigkeit von 92,15 % (Makro‑Precision 94,11 %, Makro‑Recall 92,51 %, Makro‑F1 93,27 %) auf dem hold‑out‑Testset. Die höchste ROC‑AUC von 0,9897 wurde ebenfalls mit einem feinjustierten Random‑Forest erzielt.

Die Feature‑Importance‑Analyse zeigt, dass das Verhältnis der Brückenposition und die maximale Geschwindigkeit die wichtigsten Unterscheidungsmerkmale sind. Die größten Fehlertrends traten zwischen Frachtschiffen und Tankern auf, was auf ähnliche Transitverhalten zurückzuführen ist. Das Ergebnis unterstreicht das Potenzial von AIS‑Daten für die Echtzeit‑Überwachung und die Bekämpfung illegaler Schifffahrt.