(English below) Op 14 december 2023 is Bart van Engelen van TU Delft afgestudeerd op het DigiShape seedmoney project ‘Machine learning model voor afwijkend scheepsgedrag’. Hij is daarmee de eerste die op een DigiShape projecten afstudeert!
Bart onderzocht op welke manier je met behulp van machine learning patronen van scheepsgedrag kunt ontdekken in AIS-data. Zijn oorspronkelijke doel was om bijna-ongevallen te pinpointen, maar dat bleek tijdens het onderzoek toch een brug te ver. Desondanks is tijdens zijn onderzoek wel een belangrijke basis gelegd en gaat een volgende student met nieuwe accenten verder bouwen op zijn onderzoek.
Wat hield het onderzoek in?
Bart analyseerde, met begeleiding van onder andere Lex de Boom van Witteveen+Bos en Solange van der Werff en Fedor Baart van Deltares en Mark van Koningsveld van TU Delft, een historische AIS-dataset met gegevens over binnenvaartschepen op een bepaald traject. In deze dataset heeft hij met behulp van machine learning clusters van scheepsgedrag kunnen aanwijzen, die verschillende soorten gedrag laten zien. Denk aan in dezelfde richting varen, met dezelfde snelheid varen of dezelfde onderdoorgang nemen. Doordat je in de data kunt zien welk gedrag normaal is, kun je vervolgens ook aanwijzen waar schepen afwijkend gedrag hebben vertoond. Zo waren er in de gebruikte data twee gevallen terug te vinden, waarbij er veel datapunten van een stilliggend schip vlak voor een burgpijler zichtbaar waren, mogelijk een ongeval. “Deze situaties zijn nooit bij de beheerder gemeld, dus men weet niet wat er echt gebeurd is. Als je veel van dit soort gevallen op een bepaalde plek in de data terugziet, dan is dit wel een belangrijk waarschuwingssignaal voor de beheerder,” aldus Bart. Ook kunnen dit soort modellen mogelijk gebruikt worden om met terugwerkende kracht de effectiviteit van bepaalde maatregelen te meten. Denk aan het veranderen van een maximum vaarsnelheid of het plaatsen van veiligheidsborden op de kant.
Voordeel van machine learning
Doordat er gebruik is gemaakt van machine learning, zijn er meer en sneller inzichten verkregen, dan zonder machine learning het geval was geweest. “Bij de Schellingwouderbrug heeft het algoritme uit 2200 trips 20 afwijkende trips kunnen aanwijzen,” licht Bart toe. “Daardoor hoefden we alleen te kijken naar die bewuste trips en konden we de andere 2180 trips achterwege laten. Dat scheelt aanzienlijk veel werk.” Daarnaast is het voordeel van machine learning, dat alle achterliggende data bewaard blijven. “Afwijkend scheepsgedrag kan heel veel vormen aannemen. Dat kan gaan om te snel varen, te dicht langs een kunstwerk, een rare bocht maken, noem maar op. Vaak gaat er voorafgaand aan zo’n situatie al iets fout. Met machine learning kun je verschillende vormen van afwijkend gedrag signaleren en het hele traject van een schip analyseren.”
Rubber duck debugging
Afstuderen gaat meestal niet van een leien dakje en zo kwam ook Bart de nodige uitdagingen tegen. “Ik heb me af en toe wel blind kunnen staren op de code,” vertelt hij. “Dat heeft me een hoop tijd gekost en niet altijd met het gewenste resultaat. Soms moet je stoppen met proberen iets te fixen wat te ver weg ligt. Of er met iemand over praten. Zo heb ik de term Rubber duck debugging ontdekt, een veelgebruikte term in software engineering. Dat betekent dat je, door je probleem goed uit te leggen (als is het maar aan je badeend), vaak zelf alweer ideeën krijgt hoe je het op moet lossen.”
Wij feliciteren Bart en zijn begeleidingscommissie met dit mooie werk!
Meer informatie
- Scriptie van Bart in de repository van TU Delft
- DigiShape seedmoney project Machine learning model voor afwijkend scheepsgedrag
--- ENGLISH VERSION (translated by Deepl)
On December 14, 2023 Bart van Engelen of TU Delft graduated from the DigiShape seedmoney project 'Machine learning model for anomalous ship behavior'. This makes him the first person to graduate from a DigiShape project!
Bart studied how to use machine learning to discover patterns of vessel behavior in AIS data. The original goal was to pinpoint near misses, but during the research this turned out to be a bridge too far. Nevertheless, an important foundation was laid during his research and a subsequent student will build on his research with new emphases.
What did the research entail?
Bart, with guidance from Lex de Boom of Witteveen+Bos and Solange van der Werff and Fedor Baart of Deltares and Mark van Koningsveld van TU Delft, among others, analyzed a historical AIS dataset with data on inland navigation vessels on a particular route. In this dataset, he was able to use machine learning to identify clusters of vessel behavior that show different types of behavior. Think sailing in the same direction, travelling at the same speed or taking the same underpass. Because you can see in the data which behaviors are normal, you can then also pinpoint where ships have shown deviant behavior. For example, there were two cases in the data used where there were many data points of a stationary vessel visible just before a burg pillar, possibly an accident.
"These situations were never reported to the administrator, so people don't know what really happened. If you see a lot of cases like this in a certain place in the data, it does send an important warning signal to the administrator," Bart said. Also, these types of models could potentially be used to retroactively measure the effectiveness of certain measures. Think of changing a speed limit or placing safety signs on the shore.
Advantage of machine learning
Because machine learning was used, more and faster insights were gained, than would have been the case without machine learning. "At the Schellingwouder Bridge, the algorithm was able to identify 20 anomalous trips out of 2200 trips," Bart explains. "As a result, we only had to look at those conscious trips and could omit the other 2180 trips. That saves a considerable amount of work." In addition, the advantage of machine learning is that all the underlying data is preserved. "Aberrant vessel behavior can take many forms. It can be sailing too fast, sailing too close to a work of art, making an odd turn, you name it. Often something goes wrong prior to such a situation. With machine learning, you can spot different forms of aberrant behavior and analyze the entire trajectory of a ship."
Rubber duck debugging
Graduation is not usually easy, and so Bart also encountered challenges. "I did get blinded by the code at times," he says. "That took me a lot of time and not always with the desired result. Sometimes you have to stop trying to fix something that is too far away. Or talk to someone about it. That's how I discovered Rubber duck debugging, a common term in software engineering. It means that by explaining your problem well (if only to your rubber duck), you often get ideas on how to solve it yourself."
We congratulate Bart and his supervisory committee on this great work!
Additional information
- Thesis by Bart in repository TU Delft
- DigiShape seedmoney project Machine learning model voor afwijkend scheepsgedrag
