Die Unterstützung des Menschen bei Überwachungsaufgaben ist aufgrund der überwältigenden Menge
an Sensordaten von entscheidender Bedeutung. Diese Arbeit konzentriert sich auf die Entwicklung
von Datenfusionsmethoden am Beispiel des maritimen Raums. Es werden verschiedene Anomalien
untersucht anhand realer Schiffsverkehrsdaten bewertet und mit Experten erprobt. Dazu werden
Situationen von Interesse und Anomalien basierend auf verschiedenen maschinellen Lernverfahren
modelliert und evaluiert. Human support in surveillance tasks is crucial due to the
overwhelming amount of sensor data. This work focuses on the development of data fusion methods
using the maritime domain as an example. Various anomalies are investigated evaluated using
real vessel traffic data and tested with experts. For this purpose situations of interest and
anomalies are modelled and evaluated based on different machine learning methods.
