Bir geminin tipi veya seyir maksadı; sadece en, boy gibi temel karakteristik özellikler ile seyirdeki rota, sürat gibi dinamik değerleri ile tespit edilebilir mi? Bu soruya günümüz teknolojisinde, gelişmiş bilgisayarlar ile cevap bulunabilir. Yani belirli bir bölgedeki herhangi bir geminin seyir halindeki dinamik değerleri ile temel karakteristik bilgilerini çeşitli makine öğrenmesi algoritmaları ile modelleyerek geminin tipi ve seyir maksadı hakkında bilimsel çıkarımlar yapılabilir. Böylece seyir halindeki bir geminin niyeti önceden tahmin edilebilir. Bu durum şüphesiz ki seyir emniyetini artırmaya yönelik önemli bir adımdır.
Kısaca ML Nedir?
Makine öğrenmesi (ML), insanların öğrenme şeklini taklit etmek için veri ve algoritmaların kullanımına odaklanan ve doğruluğunu kademeli olarak artıran bir yapay zeka ve bilgisayar bilimi dalıdır.
Makine öğrenmesi algoritmaları, istatistiki olarak tahminlerde bulunmak veya kararlar almak için eğitim verileri olarak bilinen örnek verilere dayalı modellerdir. Algoritmaya verilen örnek veriler üzerinden insanın göremediği ve hesaplayamadığı örüntüler saptanarak genellenebilir modeller ortaya çıkarır. Çıktı olarak elde edilen bu genellenebilir modellere, model dışı başka bir veri girildiğinde yine yüksek doğruluk oranı ile tahmin yapabilir. Makine öğrenimi algoritmaları, tıp, e-posta filtreleme, konuşma tanıma ve bilgisayarla görme gibi ihtiyaç duyulan görevleri yerine getirmek için geleneksel algoritmalar geliştirmenin zor veya olanaksız olduğu çok çeşitli uygulamalarda kullanılmaktadır.
Kısaca AIS Nedir?
AIS (Otomatik Tanımlama Sistemi) cihazı otomatik bir tanımlama sistemidir. Gemileri takip etmek ve deniz trafiğini düzenlemek adına etkili bir sistemdir. VHF telsiz frekansından ve sinyallerinden veri gönderme ve alışı yapmaktadır. VHF alıcı vericilerle donatılmış gemiler ve gemi trafik hizmetleri (VTS) bu şekilde güvenilir bir şekilde genel resmi görüntüleyebilirler. Ancak VHF aralığı yaklaşık azami 25 deniz mili ile sınırlıdır.
A ve B tipi olmak üzere iki tip AIS cihazı vardır. A tipi daha güçlüdür. Dolayısıyla 25 deniz miline kadar veri gönderebilir. B tipi AIS cihazı ise 5-10 deniz mili mesafede etkili olur. A tipi AIS 12.5 kW güce sahipken B tipi AIS 2 kW güce sahiptir. AIS, seyir halinde her 2-10 saniyelik zaman diliminde sinyal gönderir. Sabit demirde bulunan teknelerde ve gemilerde ise 3-4 dakikada bir sinyal güncellemesi yapar. AIS verileri; IMO numarası, geminin en boy bilgileri gibi statik bilgilerden ve geminin hızı, rotası gibi dinamik bilgilerden oluşmaktadır.
Uluslararası Denizcilik Örgütü (IMO)’nün belirlediği SOLAS kuralları gereği 300 GRT ve daha büyük gemilerde ve tüm yolcu taşıyan ticari gemilerde bulundurulması zorunludur. AIS verileri birçok bilgiyi barındırmakla beraber her geminin AIS verisi olmayabilir. Buna örnek olarak:
* Savaş gemileri
* 300grt’dan daha küçük gemiler
* Balıkçılar
* Teknik arızalardan dolayı AIS alıcı-vericilerini kapatabilir.
Sınıflandırma Probleminin Ele Alınması
Yukarıda belirtilen araştırma sorusunu çözümlemek için Danimarka ve İsveç arasında bulunan Kattegat Boğazı ele alınmıştır. Her bölgede ağırlıklı olarak farklı rota ve sürat kullanılabilmektedir. Örneğin sığlık, ada, adacık, kayalık ve kıyıya yakın yerlerde neta geçmek adına geminin karakteristik özelliklerine uygun bir şekilde belirgin rota/süratler kullanılmaktadır. Seçilen bölge olan Kattegat Boğazı’da bu şekilde dar su yollarının olduğu yoğun bir trafik bölgesidir.
Temel amaç, Kattegat Boğazı’nda AIS bilgilerini kullanarak bir makine öğrenmesi modeli kurmak ve daha sonra bu bölgeden geçen herhangi bir geminin en, boy, draft, rota ve sürat bilgilerini kullanarak gemi tipini tahmin etmektedir. Bu maksatla ‘MMSI’, ‘En’, ‘Boy’, ‘Draft’, ‘Seyir Durumu’, ‘Rota’, ‘Sürat’ ve ‘Pruva’ bilgilerini modelimizde bağımsız değişken olarak kullanılmıştır. Tahmin edilecek hedef, yani bağımlı değişken olarak da gemi tipi kullanılmıştır.
Veri seti, 358351 gözlemden yani AIS mesajından oluşmaktadır. Fakat bir geminin birden fazla AIS mesajı olabileceğinden veri setindeki tekil gemi sayısı 3894’tür. Bu gemilerin tiplerine göre dağılımı aşağıdadır.
S.No | Gemi Tipi | Gemi Sayısı | Oranı (%) |
---|---|---|---|
1 | Kargo | 1716 | 44.06 |
2 | Tarama Gemisi | 53 | 1.36 |
3 | Balıkçı | 325 | 8.35 |
4 | Yüksek Hızlı Tekne (HSC) | 27 | 0.69 |
5 | Devlet Gemisi | 20 | 0.51 |
6 | Askeri Gemi | 79 | 2.03 |
7 | Feribot | 123 | 3.16 |
8 | Pilotaj Tekne | 41 | 1.05 |
9 | Turistik Gemi | 414 | 10.63 |
10 | Liman Botu | 12 | 0.31 |
11 | Arama Kurtarma Gemisi | 135 | 3.47 |
12 | Yelkenli | 215 | 5.52 |
13 | Tanker | 642 | 16.49 |
14 | Yedekleme Yapan/Yapılan | 14 | 0.36 |
15 | Katır | 78 | 2.00 |
Tabloda yer alan gemi sınıflarından %2’nin altında orana sahip olanları toplulaştırılmıştır. Çünkü kullanılan makine öğrenmesi algoritması bu az oranlı sınıflarda örüntüyü yakalayamaz. Başka bir deyişle bu sınıfları öğrenmek için yeterli veri yoktur. Dolayısıyla %2’nin altında orana sahip yüksek hızlı tekneleri, devlet gemilerini, pilotaj tekneleri, liman botlarını ve yedekleme yapan/yapılan gemileri bir sınıf olarak birleştirilmiştir. Bu gemi tipleri modele seyrek sınıf olarak girilmiştir.
Makine Öğrenmesi Modelinin Kurulması
Bütün değişkenleri hazırladıktan sonra makine öğrenmesi modeli kurulmuştur. Örneğimizde hızlı ve başarılı sonuçlar verdiği bilinen Light GBM Makine Öğrenmesi Algoritması kullanılmıştır. Light GBM, karar ağacı tabanlı çalışan bir algoritmadır.
Model kurulduktan sonra modeli test etmek maksadıyla yine Kattegat Boğazı’nda 10 Mart 2022’den sonra seyir yapan 10 farklı gemi bilgisini modele girilmiştir. Dikkat edileceği üzere model kurulurken 1 Ocak – 10 Mart 2022 tarihleri arasındaki verileri kullanılmıştı. Yani tahmin için belirlenen 10 örnek veri seti dışından bir örnektir. Modelin doğruluk skoru 0,67 çıkmıştır. Aşağıdaki tabloda da yapılan 10 tahminin 7’sinin doğru sonuç verdiği gözlenmiştir.
Bir geminin tipini bildikten sonra amacını da az çok bilebiliriz. Bu durum denizlerdeki durumsal farkındalığı artırmaya, dolayısıyla seyir emniyetini artırmaya yönelik bir adım olarak değerlendirilebilir.
S.Nu | Draft | Sürat | En x Boy | Rota | Seyir Durumu | Gemi Tipi | Tahmin |
---|---|---|---|---|---|---|---|
1 | 5,5 | 12,1 | 1305 | NNE | Yol üstünde | Kargo | Kargo |
2 | Değer Yok | 0,1 | 48 | WNW | Diğer | Turistik | Turistik |
3 | 3 | 11,9 | 960 | WSW | Yol üstünde | Kargo | Kargo |
4 | Değer Yok | 0 | 48 | ENE | Yol üstünde | Arama Kurtarma | Arama Kurtarma |
5 | 11,7 | 15,4 | 8136 | SSE | Yol üstünde | Kargo | Tanker |
6 | 11,6 | 5 | 13570 | ESE | Yol üstünde | Tanker | Tanker |
7 | Değer Yok | 0,3 | Değer Yok | ENE | Sürüklenen | Turistik | Turistik |
8 | 8,3 | 12,5 | 3624 | NNW | Diğer | Tanker | Kargo |
9 | 10,8 | 12,6 | 4800 | NNW | Diğer | Kargo | Kargo |
10 | Değer Yok | 1,6 | 10 | SSW | Yol üstünde | Arama Kurtarma | Turistik |