moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 384 ПОИСК АНОМАЛИЙ В СЕНСОРНЫХ ДАННЫХ НА ПРИМЕРЕ АНАЛИЗА ДВИЖЕНИЯ МОРСКОГО СУДНА ANOMALY DETECTION IN SENSOR DATA IN APPLICATION TO THE ANALYSIS OF MARITIME VESSEL MOTION Шолохова Алена Алексеевна Sholokhova Alena Alekseevna al.sholokhova@gmail.com aff-1 Санкт-Петербургский государственный университет Saint Petersburg State University 01 01 2026 1 1 e384 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассмотрены алгоритмы поиска аномалий в сенсорных данных применительно к задаче анализа движения морских судов. Современное судно снабжено большим количеством датчиков, непрерывно записывающих показатели функционирования различных его подсистем. В случае, когда организован сбор и хранение такой информации, открываются возможности применения интеллектуальных систем анализа данных. Данные задачи относятся как к вопросам обеспечения безопасности движения (анализ и предупреждение опасных маневров), так и к проблемам повышения экономической эффективности (повышенное потребление топлива) для судовладельцев. Датчики, установленные на судне, могут генерировать числовые данные с частотой от десяти секунд для телеметрии до одной минуты для навигационных параметров. Учитывая такой большой объем информации, становится очевидной необходимость развития автоматических систем поддержки принятия решений. Прикладными областями подобных систем могут служить, например, задачи предупреждения опасных маневров, прогнозирования поломок, предотвращения столкновений, оптимизации потребления топлива. В статье рассмотрено применение алгоритмов обучения без учителя для анализа навигационных данных (координаты судна, его скорость, курс, глубина и пр.), а также пример прогнозирования потребления топлива на основе регрессионных моделей. Приведены описания различных математических подходов и демонстрация их применения на реальных данных. В заключении рассмотрены варианты дальнейшего развития и усложнения рассмотренных методов.

The article describes algorithms for anomalies detection in the sensory data in the application to the analysis of maritime traffic. The modern vessel is equipped with many sensors, continuously recording the performance of its various subsystems. The collection and storage of such information provide the possibilities of using intelligent data analysis systems. These tasks concern both the issues of ensuring maritime traffic safety (analysis and prevention of dangerous maneuvers) and the problems of increasing economic efficiency (increased fuel consumption) for ship-owners. The onboard sensors can generate numerical data with a frequency from ten seconds for telemetry up to one minute for navigational parameters. Given such a large amount of information, it becomes obvious the need for the development of automated decision support systems. Applied areas of such systems can serve tasks of preventing dangerous maneuvers, predicting maintenance, preventing collisions, optimizing fuel consumption. In the article, the application unsupervised learning for the analysis of navigational data (ship coordinates, speed, course, depth, etc.) and an example of predicting of fuel consumption based on regression models are considered. A description of various mathematical approaches and its demonstration on real data is given. In conclusion, the possible development and improvement of the given methods are considered

 поиск аномалий сенсорные данные опасные маневры прогнозирование потребления топлива anomaly detection sensor data extreme maneuvering prediction of fuel consumption r Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References A.C. Пинский. Е-Навигация и безэкипажное судовождение // Транспорт РФ. Журнал о науке, практике, экономике. 2016. №4 (65). С. 50–54. Brandsæter, G, Manno , E. Vanem, I. Glad. An application of sensorbased anomaly detection in the maritime industry // IEEE International Conference on Prognostics and Health Management, 2016. P. 1–8. Y. Liu,W. Ding. A KNNS based anomaly detection method applied for UAV flight data stream // Prognostics and System Health Management Conference, Beijing, 2015. doi: 10.1109/PHM.2015.7380051. K. D. Borne. Effective Outlier Detection using K-Nearest Neighbor Data Distributions: Unsupervised Exploratory Mining of Non-Stationarity in Data Streams. URL: https://pdfs.semanticscholar.org/f3eb/ 4573d3164345063351979c9409014ec33d4d.pdf В.П. Шкодырев, К.И. Ягафаров, В.А. Баштовенко, Е.Э. Ильина. Обзор методов обнаружения аномалий в потоках данных // Proc. of the Second Conference on Software Engineering and Information Management, Санкт-Петербург, Россия, 2017. Vol. 1864. Д.В. Заварзин. К вопросу поиска аномалий во временных рядах // Инновации в науке: сб. ст. по матер. XXIX междунар. науч.-практ. конф. № 1(26). – Новосибирск: СибАК, 2014. C. 59–64. T. Klerx, M. Anderka, H. K. Büning, S. Priesterjahn, Model-Based Anomaly Detection for Discrete Event Systems // IEEE 26th International Conference on Tools with Artificial Intelligence, Limassol, 2014, pp. 665- 672. doi: 10.1109/ICTAI.2014.105 L. Simon, A.W. Rinehart. A Model-Based Anomaly Detection Approach for Analyzing Streaming Aircraft Engine Measurement Data. URL: ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20150000721.pdf. T. Liu, K. M. Ting, Zhi-Hua Zhou. Isolation Forest. URL: https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf. F. Harrou, F. Kadri, S. Chaabane, C. Tahon, Y. Sun. Improved principal component analysis for anomaly detection: Application to an emergency department // Computers & Industrial Engineering, 88, 2015. P. 63–77.

The authors declare that there are no conflicts of interest present.