原创 丁爸 2026-11-13 16:29 四川

AIS 定位异常船舶挖掘实用指南

适用对象：海事态势感知分析员、合规与制裁筛查团队、海警/海关情报岗、航运风险尽调人员，以及搭建"暗船"检测流水线的数据工程师。

开源情报研究中心

2026年11月13日不开船舶定位，或者盗用其他船舶的注册名称该怎么挖？一句话结论：绝大多数"异常"是数据和覆盖造成的，不是船在作弊。指南的全部技巧，都是为了让"漏掉的船"和"无辜的船"同时变少。

0. 一页速览：30 分钟上手流程

记住一条铁律："某一次 SAR 过境没看到 AIS"不构成故意规避的证据——可能是卫星没拍到、设备坏了、或船本来就小于 AIS 强制配备门槛。系统的定位是"生成待人工裁定的候选"，不是"下判决"。

1. 先搞清楚：你要找的是哪一类异常

"定位信息异常"在实务中是四种完全不同的东西，混在一起分析必然误报泛滥：

学术界常用的五种行为异常分类（Lane 等提出，被 J. Mar. Sci. Eng. 2022 综述沿用，该综述覆盖 44 篇 AIS 异常检测论文）可以直接作为你的"分析菜单"：

1.偏离常规航线（route deviation）

2.异常 AIS 活动（信号丢失 / 丢失后异常续接）

3.异常到港（unexpected port arrival，去了不该去的港）

4.近距离接近（close approach，长时间并靠）

5.进入禁区（zone entry，海洋保护区、专属经济区、制裁水域）

落到数据上，这五类都要转成可计算的代理指标，第 5 节给对照表。

一条重要的分流原则：单船异常 vs 区域同步异常

佐治亚理工学院对 2024 年 11 月—2025 年 2 月全球 36.7 万艘船的 AIS 测量发现：31 个持续性异常热点中至少 22 个有强 GPS 欺骗证据，且红海（MSC Antonia 搁浅事件前数月）与霍尔木兹海峡（2026 年伊朗战争前一年多）的欺骗活动长期存在。结论：区域欺骗是常态，逐船定罪必须扣除这一层。

2. 数据底座：把报文变成能查的四张表

2.1 表结构

分区的关键建议：动态表按MMSI + 时间建索引，并按月/海域分区；单月全球量级在十亿条报文上下（本地论文使用的商用聚合器 12 天语料即含 1.34 亿个位置快照、192 万 MMSI），单机 PostgreSQL/PostGIS + TimescaleDB 足够，不必上大数据栈。

2.2 质检：先杀掉会毁掉全部结论的脏数据

实操建议：把"低覆盖区"图层做出来。同一片海，如果历史 AIS 密度本身很稀，那里的 gap 几乎没有任何证据价值——这是把误报砍掉一半的最省力手段。

3. L1 硬规则层：用物理与格式把人筛到几十条

硬规则的价值不在"聪明"，而在可解释、可复现、可写进报告。建议全部实现为对单条报文或相邻报文的确定性判定。

阈值起点建议：R1、R2 用"物理上限"（30 kn、100 km/10 min）而不是"统计学分位"，因为这层的目标是零漏网的粗筛；真正的排序交给 L3/L4。本地论文的配对实验也印证了"门限不能一味放大"——见第 5 节。

4. L2 行为层：把"异常"变成可比较的特征

4.1 静默缺口（gap）的特征化——本指南的核心

不要只记录"中断了 6 小时"，要把它拆成一组可比特征，否则无法区分"设备坏了"和"关掉了"：

本地论文给了一个极其实用的数量级：一艘 30 kn 的船，每静默 1 小时可以合法移动约 55.6 km；因此任何"用固定 5 km 距离门去匹配 SAR 与 AIS"的做法，都会把正常的快速船误判成"位置伪造"。这正是论文里 legacy 静态门限产生 105,549 条"疑似欺骗"告警、把分析员彻底淹掉的原因。

4.2 停留、并靠与转运（STS）

可复现的判据（本地论文部署规则，可直接借鉴）：

·STS 转运候选：两船 SOG < 3 kn（缺失按 0 处理），同一 5 分钟时间桶内位置相距 < 1 km，且共享时间桶的首末间隔 ≥ 0.5 h（不必连续）；排除平均位置距港口 < 2 n mile 的配对；且至少一方为货船/油轮，或双方船型未知。

·到港：至少 3 个 SOG < 1 kn 的位置落在某港口（有 UN/LOCODE）2 n mile（3704 m）内。

这两条规则的价值在于把"漂航"从噪声里分离出来：港口内的低速是常态，必须显式排除，否则告警里 90% 是锚地。

4.3 绕行与规避

·建立"常规航路栅格"（把历史轨迹栅格化后取高频格），统计单船轨迹落在常规栅格内的比例；比例骤降且伴随航程变长 ⇒ 绕行。

·叠加敏感图层：海洋保护区、电缆/管道走廊、专属经济区边界、制裁相关水域。绕行 + 禁区边缘擦边 + 目的地含糊三者同时出现，才是高价值线索。

4.4 预测误差法（无需标签的通用手段）

Electronics 2025 的做法值得直接照搬：用 LSTM 学习单船历史航迹，预测下一时刻的位置、COG、SOG，把"预测—实测"偏差与由航海惯例、AIS 精度、经验灵敏度共同标定的阈值比较，超阈即异常。优点是不需要人工标注，且能捕捉"莫名其妙改向/减速"这类软异常；缺点是阈值对海域敏感，必须逐海域标定（该文在北海南部—波罗的海验证）。

工程上更稳的组合是：

6.逐船基线（同一 MMSI 自身历史分位，如 P99）+ 同类型船基线（同船型/同尺度/同海域）；

7.双基线都超阈才报警，可显著降低"特殊作业船"带来的长期误报；

8.把预测误差、gap 特征、STS 命中、禁区命中合成一个 0–100 的可解释分数，而不是训练一个黑箱分类器。

5. L3 遥感复核：把"没报告"变成"在但不报告"

AIS 只能看见愿意被看见的船。要突破这个结构性盲区，必须引入非合作传感（SAR 全天时全天候、光学受云影响）。这一层的工程细节决定了整个流水线是否可用。

5.1 关联的核心：动态运动学门（DKG）

把每个 AIS 船位按 SOG/COG 外推到卫星过境时刻，再与影像检测到的目标做二分图匹配。接受半径按下式放大（本地论文式 3）：

g_j = min( g_max , max( g_0 , 2·CEP_j , κ·√(1 + v_j/v_ref) ) + v_max·Δt_j )

把静默时长与半径的关系记住一句话就够：门限随静默时间线性膨胀，封顶后不再膨胀；超过 3 小时的静默交给"降级规则"处理，而不是继续放大半径。

5.2 五种结果标签（也是你的告警分类）

5.3 门限取舍：这是最容易做错的地方

本地论文在 200 个受控合成场景上给出的对照，几乎是一份"反面教材清单"：

三条可直接落地的结论：

9.告警下降 4.1 倍（3107→764）来自"降级规则"，不是来自放大半径——放大半径只会制造错误确认。

10.错误确认是致命伤：固定 50 km 门限下，605 个合成暗船目标里有 604 个被"确认"到了某条无关 AIS 轨迹上，等于把暗船从分析员视野里彻底抹掉。你的门限越宽，漏掉的暗船越多。

11.上限应显著小于 50 km：10–25 km 在实验中同时取得更高召回与更少错误确认。建议按海域调：开阔洋面 20–30 km，港口/海峡密集区 5–10 km。

5.4 检测器本身的可靠性（必须写进结论的免责条款）

本地论文的跨数据集测试给出了硬约束：在 SSDD 上 AP@0.50 高达 0.938–0.941 的检测器，不做域内微调时，在 LS-SSDD 与 HRSID 的近岸子集上 AP@0.50 只有 0.052–0.185，85%–89% 的小目标被漏检；离岸（较大目标）能迁移到 0.86–0.87，但在 Sentinel-1 宽幅影像上仍只有 0.39–0.48。

实务含义：

·近岸/港口的暗船检测最不可信，而这恰好是走私与规避最集中的地方；

·论文运营语料中 1606 个暗船检测里，114 个位于港口 5 n mile 内——这批必须单独标注"高误报风险"；

·任何"暗船数量"结论都必须附上"检测器在近岸的漏检率"与"影像分辨率下限"。

5.5 匹配算法选择

·密集场景（港内、锚地）：用匈牙利/最优分配（论文实测 0.853 vs 贪心 0.793）；

·稀疏混合场景：贪心最近邻不劣，甚至略优（0.903 vs 0.878），因为"最大化配对数"的分配目标会把暗船强行配对；

·落地方案：先按海域密度切换策略；或改造代价函数，让"多配一对"不再获得奖励。

6. L4 归因：从一条可疑轨迹到一个能写进报告的身份

6.1 IMO 是唯一可靠的主键

·IMO 号有校验位，造假成本高于 MMSI；本地论文对 2000 艘抽样船验证：IMO 校验位 100% 通过，且 97.7% 的 IMO 唯一映射到一个 MMSI。

·流程：MMSI → 静态信息里的 IMO → 注册/检验/所有权文档 → 制裁名单。

·一致性而非准确性：论文测得注册文档与 AIS 申报的名称一致率 90.1%，船旗一致率 71.8%（在可比对的 83.2% 船舶中）。不一致是复查线索，不是欺诈证据（改名、换旗都会造成不一致）。

6.2 所有权链是最薄的一环

同一样本中：99.1% 的船有所有权记录，但只有 37.1% 有公司字段、11.4% 有受益所有人字段。这意味着：

·不要指望自动化"查出实际控制人"，要把人力放在这 11.4% 上；

·公司名做模糊合并（如 token-sort 相似度 ≥ 92）会错误合并名称相近的不同公司，合并结果必须人工确认后才能进图谱；

·注册信息天然滞后（换旗/过户数周才更新），时间戳必须一起存。

6.3 制裁筛查：名称匹配远远不够

论文用公开 OFAC SDN 名单（19,391 条、1,540 艘船、其中 1,525 艘带 IMO）做了离线对照：按"名称+船旗"匹配只能召回 51.4%，仅按名称匹配 67.0%——只有按 IMO 匹配才能接近全覆盖。因此：

12.首选 IMO 精确匹配；

13.名称匹配作为补充，必须人工复核；

14.记录名单版本日期（论文里名单比数据新约半年，会造成"当时不在名单"的误判）。

6.4 网络视角：把单船放进关系图

本地论文的五类边定义可直接复用：

图上用 Louvain 做社区划分，用介数中心性找"桥船"（连接两个本不相连的社区）。但必须诚实：论文在一个月、27,991 个节点的波斯湾真实图上没有发现明显的桥船，图结构被港口枢纽主导。所以：

网络分析的正确用法是"给已由融合/卷宗标记出的船提供上下文"，不是独立的风险排序来源。

7. 打分、分级与队列治理

7.1 证据强度分级（比分数更重要）

7.2 可解释打分示例（权重可调）

7.3 队列治理的三条硬规则

15.同一事件去重：同一 gap 只产生一条告警，后续报文刷新它而不是新建。

16.降级优先于删除：静默 > 3 h 的条目转入"低置信"存档（论文做法），保留可追溯性，同时不占用分析员注意力。

17.每条告警必须带"为什么"：规则名、命中字段、阈值、证据文档的报告类型。本地论文把这一点写成原则——告警是"规则可解释的假设"，不是黑箱分数。

8. 七日落地 SOP

第一个月不要追求"自动发现犯罪"，先追求"每条告警都能在 10 分钟内被人工证实或证伪"。可解释性先行，模型后置。

9. 代码骨架（pandas / PostGIS 思路）

import numpy as np, pandas as pd
R_E = 6371.0          # km
V_MAX_KN = 30.0       # 水面船上限
GATE_FLOOR_M = 200.0
KAPPA_M_PER_KN = 50.0
GATE_CEIL_M = 25_000.0    # 建议 10–30 km，不用 50 km
SPARSE_H = 3.0            # 时间稀疏阈值
def haversine_km(lat1, lon1, lat2, lon2):
    p = np.radians
    dlat, dlon = p(lat2 - lat1), p(lon2 - lon1)
    a = np.sin(dlat/2)**2 + np.cos(p(lat1))*np.cos(p(lat2))*np.sin(dlon/2)**2
    return 2 * R_E * np.arcsin(np.sqrt(a))
def check_kinematics(df, v_max=V_MAX_KN):
    """R1/R2：速度与瞬移。df 需按 mmsi, ts 排序。"""
    df = df.sort_values(["mmsi", "ts"])
    g = df.groupby("mmsi")
    df["dt_h"] = g["ts"].diff().dt.total_seconds() / 3600
    df["dist_km"] = haversine_km(g["lat"].shift(), g["lon"].shift(), df["lat"], df["lon"])
    with np.errstate(divide="ignore", invalid="ignore"):
        df["implied_kn"] = df["dist_km"] / 1.852 / df["dt_h"]
    df["flag_speed"] = (df["implied_kn"] > v_max * 1.5) & (df["implied_kn"].notna())
    df["flag_jump"]  = (df["dist_km"] > 100) & (df["dt_h"] < 1/6)
    return df
def gate_radius_m(sog_kn, cep_m, dt_h, v_max=V_MAX_KN,
                  g0=GATE_FLOOR_M, kappa=KAPPA_M_PER_KN, gmax=GATE_CEIL_M):
    """DKG：随静默时长膨胀，封顶。dt_h 为 SAR 时刻与末次 AIS 的时间差（小时）。"""
    base = max(g0, 2 * cep_m, kappa * np.sqrt(1 + sog_kn))
    return min(gmax, base + v_max * 0.514444 * dt_h * 3600)
def classify(d, gate_m, dt_h, sar_len_m=None, ais_type=None):
    """五类标签；d 为推算位置与影像目标的距离（米）。"""
    if d <= gate_m:
        if ais_type in ("Pleasure", "Fishing", "ClassB") and (sar_len_m or 0) > 50:
            return "identity_laundering"
        return "confirmed"
    if dt_h > SPARSE_H:
        return "low_confidence_temporal_sparsity"
    return "spoof_candidate"   # AIS 无影像对应
def sts_candidates(pts, dist_km=1.0, sog_max=3.0, bucket_min=5, min_span_h=0.5,
                   port_exclusion_km=3.7):
    """简化的并靠检测：同 5 分钟桶内、低速度、近距、持续 ≥30 分钟。"""
    pts = pts[pts.sog.fillna(0) < sog_max].copy()
    pts["bucket"] = pts.ts.dt.floor(f"{bucket_min}min")
    hits = []
    for (b, mmsi), grp in pts.groupby(["bucket", "mmsi"]):
        near = pts[(pts.bucket == b) & (pts.mmsi != mmsi)]
        for _, a in grp.iterrows():
            for _, o in near.iterrows():
                if haversine_km(a.lat, a.lon, o.lat, o.lon) <= dist_km:
                    hits.append((a.mmsi, o.mmsi, b))
    pairs = pd.DataFrame(hits, columns=["a", "b", "bucket"]).drop_duplicates()
    span = pairs.groupby(["a", "b"]).bucket.agg(["min", "max", "count"])
    span["span_h"] = (span["max"] - span["min"]).dt.total_seconds() / 3600
    return span[(span.span_h >= min_span_h) & (span["count"] >= 2)]

要点：所有阈值都放进配置而不是散落在代码里，并按海域/季节分别标定；每次调参都要留版本号，因为"漏报"往往在几个月后才被发现。

10. 常见陷阱与合规红线

合规要点：AIS 数据的使用受数据提供方许可约束（商用数据通常禁止再分发）；涉及个人/船舶指控的材料应遵循当地证据标准；保留名单与数据的版本与时间戳，确保结论可追溯、可复现。本地论文明确把系统定位为"决策支持 + 人工复核 + 审计留痕"，而非自动执法。

11. 资料清单

本地文件

检索得到的在线出处

·Albaqami & Haq, A Computational Framework for Dark-Vessel Screening— https://www.mdpi.com/1999-5903/18/10/559

·Rolfsen et al., Anomaly Detection in Maritime AIS Tracks: A Review of Recent Approaches— https://www.mdpi.com/2077-1312/10/1/112

·Wielgosz et al., Investigations of Anomalies in Ship Movement During a Voyage— https://www.mdpi.com/2079-9292/14/23/4733

·Sharma, DarkVesselNet— https://arxiv.org/abs/2606.00445

·Raymaker et al., She Spoofed Sea Ships by the Sea Shore— https://arxiv.org/abs/2609.37676

附：最小可用产出模板

船舶候选卡片
─────────────
MMSI / IMO / 船名 / 船旗 / 船型 / 总长（申报 · 影像）
异常类型：A 静默 / B 伪造 / C 身份伪装 / D 行为
时间线：末次正常报文→ gap 起止 → 复现位置（含推算误差半径）
影像证据：卫星/过境时刻/检测置信度/包围盒尺寸/与推算位置距离
归因证据：登记文档类型 + 一致性结论（名称/船旗/所有权）
网络上下文：同港同窗船、STS、共有公司（标注"仅上下文"）
证据强度：A / B / C      建议动作：立即复核 / 等待下次过境 / 存档监控
复核人 / 时间 / 结论：待填

本指南中的阈值均为工程起点，须按所在海域、数据源与法规环境重新标定；所有"异常"在人工裁定前只是候选，不构成对任何船舶或个人的指控。

指南文档及参考资料已上传知识星球

长按识别下面的二维码可加入星球

里面已有万余篇资料可供下载

续费五折优惠

跳转微信打开