Advanced Unsupervised Analysis of Spatio-Temporal Pattern Analytics

Abstract

This thesis introduces a unified, scalable framework for unsupervised and annotation-efficient analysis of maritime spatio-temporal data using Automatic Identification System trajectories. Addressing challenges of manual feature engineering and label scarcity, the proposed system integrates transformer-based temporal embeddings, constrained clustering, and Active Learning. The time-series transformer is leveraged to encode vessel movements, enabling clustering to reveal latent behavioural patterns. These patterns are aggregated into bag-of-words features for track-level classification. Geospatial validation and classification accuracy confirm the semantic coherence of the learned representations. A hybrid Active Learning strategy, combining uncertainty and diversity sampling, selectively annotates sequences, accelerating model convergence while reducing required annotations by over 30%. The system addresses real-world challenges like data sparsity and class imbalance, demonstrating robustness and offering a generalizable blueprint for spatio-temporal analytics in maritime and other domains, such as aviation, logistics, and environmental monitoring, paving the way for interactive, human-in-the-loop decision-support systems in dynamic operational settings. --

Cette thèse propose un cadre unifié et extensible pour l'analyse non supervisée et efficace des données spatio-temporelles maritimes via les trajectoires du Système d'Identification Automatique. Pour surmonter l'ingénierie manuelle des caractéristiques et la rareté des étiquettes, le système combine des enchâssements temporels par transformateurs, un regroupement contraint et l'apprentissage actif. Le transformateur encode les mouvements des navires, révélant des schémas comportementaux latents. Ces modèles sont ensuite regroupés en caractéristiques de type sac-de-mots pour la classification des voies. La validation géospatiale et la précision de la classification démontrent la cohérence des représentations. Une stratégie hybride d'apprentissage actif, combinant incertitude et diversité, permet une annotation sélective des séquences, accélérant la convergence et réduisant les annotations de plus de 30%. Ce système, robuste face à la rareté des données et le déséquilibre des classes, offre un modèle généralisable pour l'analyse spatio-temporelle dans le maritime, l'aviation, la logistique ou la surveillance environnementale.