Graph neural network-based modeling of AIS reception areas in maritime environments
Modélisation des zones de réception de l'AIS en environnement maritime par réseaux de neurones en graphes
Résumé
Maritime situational awareness, essential for safety at sea, relies on the Automatic Identification System (AIS), whose reliability is conditioned by radio propagation. This propagation depends on environmental factors, whose fluctuations lead to heterogeneous reception zones. The limitations of classical propagation modeling approaches in maritime environments, when faced with the complexity and variability of radio propagation phenomena, motivate this thesis to propose an alternative methodology.This thesis proposes a graph-based, data-driven methodology to model and predict AIS (Automatic Identification System) reception areas from environmental and geographic inputs. The developed framework constructs spatial propagation graphs on hourly gridded data and employs a deep architecture combining GraphSAGE, LSTM-based Jumping Knowledge and a multi-aggregation readout layer. Trained on real-world AIS data enriched with terrain and meteorological features, the model captures both local and long-range reception patterns. It outperforms classical baselines, including ITU-R P.2001 and XGBoost, in F1-score and accuracy. This work illustrates the value of deep learning for maritime situational awareness and highlights the potential of data-driven approaches in modeling propagation phenomena.
La connaissance de la situation maritime, essentielle à la sécurité en mer, s'appuie sur le Système d'Identification Automatique (AIS) dont la fiabilité est conditionnée par la propagation radio dépendante de facteurs environnementaux dont les fluctuations entraînent des zones de réception hétérogènes. Les limites des approches classiques de modélisation de la propagation en milieu maritime face à la complexité et la variabilité des phénomènes de propagation radio conduisent cette thèse à proposer une méthodologie alternative.Cette thèse présente une approche fondée sur les graphes et dirigée par les données pour modéliser et prédire les zones de réception de l'AIS à partir d'entrées environnementales et géographiques. L'approche développée construit des graphes de propagation sur des données maillées horaires et utilise une architecture profonde combinant GraphSAGE, un mécanisme de Jumping Knowledge basé sur un réseau LSTM et une couche de lecture multi-agrégation. Le modèle est entraîné sur des données AIS réelles enrichies par des informations topographiques et météorologiques, ce qui lui permet de représenter à la fois des schémas de réception locaux et à longue portée. Les évaluations expérimentales montrent qu'il obtient des F1-scores et une précision supérieurs à ceux des méthodes ITU-R P.2001 et XGBoost. Les résultats suggèrent que ce modèle peut être appliqué à la surveillance maritime et contribuer à la modélisation des phénomènes de propagation.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
