CN105302942B - 一种水上交通安全风险仿真方法 - Google Patents

一种水上交通安全风险仿真方法 Download PDF

Info

Publication number
CN105302942B
CN105302942B CN201510616054.5A CN201510616054A CN105302942B CN 105302942 B CN105302942 B CN 105302942B CN 201510616054 A CN201510616054 A CN 201510616054A CN 105302942 B CN105302942 B CN 105302942B
Authority
CN
China
Prior art keywords
risk
traffic
safety
factor
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510616054.5A
Other languages
English (en)
Other versions
CN105302942A (zh
Inventor
黄常海
高德毅
彭宇
高敏
胡甚平
耿鹤军
杜晔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201510616054.5A priority Critical patent/CN105302942B/zh
Publication of CN105302942A publication Critical patent/CN105302942A/zh
Application granted granted Critical
Publication of CN105302942B publication Critical patent/CN105302942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明提供一种水上交通安全风险仿真方法，根据水上交通安全风险因素，建立关于因素矩阵、各因素的相对权重矩阵、评价矩阵的函数作为交通安全风险仿真模型；对仿真模型中的各因素根据概率分布进行参数估计，并随机生成各因素的仿真值；将随机生成的仿真值代入仿真模型中，通过模糊评判方法进行单个因素的风险计算；根据各因素的相对权重，通过模糊评判方法进行多个因素的综合风险计算；对多个因素的综合风险计算的结果进行反模糊化处理；将随机生成仿真值到完成反模糊化处理的过程进行多次重复仿真，之后输出水上交通安全风险仿真的结果。本发明能够同时处理水上交通安全风险随机信息和模糊信息，解决参数取值冲突问题。

Description

一种水上交通安全风险仿真方法
技术领域
本发明涉及水上交通领域，仿真科学与技术领域以及安全科学与工程领域，特别涉及一种水上交通安全风险仿真方法。
背景技术
水上交通安全风险具有时间波动性和空间差异性，传统的风险评价方法很少能够反映被评价水域安全风险的时空差异性。同时，传统对水上交通安全风险评价的研究，更侧重被评价水域的“危险性”，在评价指标的取值上，具有时间波动特性的风险因素取平均值(如能见度、风、流等)，具有空间分布差异的评价指标(如水深、航道弯曲度等)往往取自被评价水域中该因素的最危险的数值(如最浅点水深)。在实际的水上交通系统中，很少存在某一位置点的所有指标值都是“最危险的”，带来指标冲突的问题。水上交通因素的动态变化带来了风险测度中的随机信息，对风险因素危险程度的判别带来了模糊信息。海事管理机构和水上交通参与者迫切需要一种能同时处理水上交通安全风险随机信息和模糊信息，并能解决参数取值冲突问题的风险测度方法，以便全面掌握通航水域的风险情况。
发明内容
本发明的目的是提供一种水上交通安全风险仿真方法，从而同时处理水上交通安全风险随机信息和模糊信息，并能解决参数取值冲突问题。
为了达到上述目的，本发明的技术方案是提供一种水上交通安全风险仿真方法，其中：
根据水上交通安全风险因素，建立关于因素矩阵、各因素的相对权重矩阵、评价矩阵的函数作为交通安全风险仿真模型；
对仿真模型中的各因素根据概率分布进行参数估计；
根据参数间的逻辑关系，以参数估计的结果随机生成各因素的仿真值；
将随机生成的仿真值代入仿真模型中，通过模糊评判方法进行单个因素的风险计算；
根据各因素的相对权重，通过模糊评判方法进行多个因素的综合风险计算；
对多个因素的综合风险计算的结果进行反模糊化处理；
将随机生成仿真值到完成反模糊化处理的过程进行多次重复仿真，之后输出水上交通安全风险仿真的结果。
优选地，所述仿真模型的函数为：
U为因素集，其中各个元素对应水上交通安全风险的测度指标；
V为评价矩阵，其中各个元素对应水上交通安全风险的风险等级；
W为各因素的相对权重矩阵；R＝TR(U,V)表示U到V的模糊隶属度矩阵；TR表示U到V的模糊映射，U中任一元素ui到V的映射由隶属函数表示，TR由一组隶属函数构成。
优选地，由AHP法计算获得测度指标的主观权重，由VCM法计算获得测度指标的客观权重；
对于主观权重及客观权重，通过2-范数组合赋权法计算获得测度指标组合权重，作为各因素的相对权重。
优选地，对于风险因素中实测数据的参数估计，包含：
年度能见度不良的天数的随机变量服从正态分布；
大风天数的随机变量近似服从威布尔分布；
潮流流速的随机变量近似服从威布尔分布；
对经过航道的船舶进行交通流量数据统计，计算得到船长的分布，得到船长的随机变量近似服从对数正态分布；
对航道所处水域的船舶参数进行统计，得到船长与船舶吃水的相关关系的算式，以一次仿真得到的船长数值代入相关关系的算式计算船舶吃水的随机数值；
已开通航道的日交通流量的随机变量近似服从正态分布；
以临近已开通航道的日交通流量的随机数值的一半，作为未开通航道的日交通流量的随机数值。
优选地，对于风险因素中基于空间分段的参数估计，是根据任意一种分段参数将航道区间分成连续多个航段的分段区间；进行航道长度归一化后，生成关于该分段参数的随机数并判断该随机数落入的分段区间，将落入的分段区间所对应的分段参数的数值，作为航道区间的数值；
其中，所述分段参数包含航道宽度、航道转向角、航道交叉角度、障航物距离、航道水深。
优选地，根据多次重复仿真中设定次数的仿真结果，绘制各因素的序列波动曲线，来查看各因素的仿真值在仿真过程中的波动变化，各因素值的取值范围及变化速率；
根据多次重复仿真中设定次数的仿真结果，绘制水域交通安全仿真统计图，查看各因素的仿真值根据各自参数的分布，以确定所处的风险水平；
根据多次重复仿真中设定次数的仿真结果，绘制风险空间分布能量图谱，来查看不同航道位置处的风险值变化及空间分布差异。
综上所述，本发明提供的水上交通安全风险仿真方法，其优点在于：本发明提出基于MC-FCE的水上交通安全仿真方法和流程，结合定线制水域实例，构建基于MC-FCE的水上交通安全风险仿真模型。针对水上交通安全风险测度涉及模糊性、随机性等多种不确定信息处理，提出融合MC与FCE方法同时处理模糊信息和随机信息。针对传统水上交通风险评价中存在指标取值冲突问题，提出通过随机参数的空间耦合进行化解。
附图说明
图1是MC-FCE仿真方法流程示意图；
图2是水上交通安全风险测度指标示意图；
图3是水上交通安全风险仿真流程示意图；
图4是气象水文子系统风险因素仿真值(前1000次)的示意图；
图5是自然环境子系统部分风险因素仿真值(前1000次)；
图6是交通环境子系统部分风险因素仿真值(前1000次)；
图7是定线制水域交通风险仿真值(前1000次)的示意图；
图8是定线制水域交通风险仿真值统计图(100000次仿真)；
图9是定线制水域交通风险分布图(200000次仿真)。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合上海港桥区水域通航安全风险评价的具体实施方式，进一步阐述本发明。
1.设计水上交通安全风险仿真方法
MC仿真(蒙特卡洛仿真)方法可以较好的解决风险测度中的随机性问题，而FCE(模糊综合评判)方法可以有效处理风险测度中的模糊性信息。水上交通风险测度既涉及随机信息的处理，又涉及模糊信息的处理，为了同时处理水上交通风险测度中的随机信息和模糊信息，基于MC仿真方法和FCE仿真方法，构建水上交通安全风险MC-FCM杂合仿真方法。
MC-FCE仿真方法流程如图1所示，包括以下步骤：
1)确定因素集；
2)确定评价集；
3)确定因素的隶属函数；
4)确定因素指标权重；
5)对因素集中的各因素进行参数估计；
6)依据参数估计结果随机生成各因素的仿真值；
7)根据所确定的各因素的评价集、隶属函数进行单因素的模糊评判；
8)对单因素模糊评判的结果，根据4)所确定的权重进行多因素综合模糊评判；
9)对多因素综合模糊评判结果进行反模糊化处理；
10)N次重复6)步—9)步；
11)对仿真结果进行分析和检验。
2.制定水上交通安全风险测度指标体系
测度指标体系的建立是构建测度模型的基础，测度指标的选择直接影响测度模型的合理性和测度结果的准确性。在对水上交通安全事故进行系统梳理和深入剖析的基础上，整理归类，最终确定如图2所示的交通安全风险测度指标体系。
对各测度指标进行分级时的评判集为{C1,C2,C3,C4,C5}，即I,II,III,IV和V级，分别表示高风险、较高风险、一般风险、较低风险、低风险，各测度指标的分级标准如下。
3.水上交通安全风险测度指标权重的确定和检验
根据AHP法、VCM法获得测度指标的主客观权重，运用2-范数组合赋权法获得测度指标组合权重，获得权重如下：
权重确定方法 AHP主观权重 VCM客观权重 组合权重
能见度 0.160 0.148 0.146
风 0.010 0.098 0.067
流 0.041 0.098 0.072
航道弯曲程度 0.082 0.101 0.088
航道交叉状况 0.106 0.053 0.08
碍航物 0.096 0.071 0.08
2倍船长/航道宽度 0.116 0.054 0.086
航道长度 0.085 0.048 0.065
航道水深 0.114 0.085 0.096
船舶交通量 0.105 0.047 0.077
助航服务 0.086 0.197 0.144
4.制定水上交通安全风险仿真流程
水上交通安全风险仿真流程图如图3所示，步骤如下：
第一步：在水上交通安全风险识别的基础上，建立水上交通安全仿真参数模型。
第二步：对所建立的水上交通安全风险仿真模型中的各参数进行参数估计。
第三步：结合水上交通安全风险仿真模型参数间的逻辑关系，根据上一步估计的参数模型，生成随机数。
第四步：根据第一步提出的模型，代入第三步生成的各随机参数值进行子系统的风险计算和水上交通系统安全风险的计算。
第五步：对水上交通安全风险仿真的结果进行分析，并对仿真结果进行检验。
5.建立水上交通安全风险仿真参数模型
应用模糊综合评判方法建立定线制水域交通安全风险仿真模型，该仿真模型是关于权重矩阵、因素矩阵和评价矩阵的函数。
其中：U为因素集，V为评价矩阵，W为各因素的相对权重矩阵，R＝TR(U,V)表示U到V的模糊隶属度矩阵。TR表示U到V的模糊映射，U中任一元素ui到V的映射可以由隶属函数表示，TR由一组隶属函数构成。
因素集U中各元素的含义
元素 含义 单位
u1 能见度不良天数 d·a-1
u2 标准风天数 d·mo-1
u3 流速 kn
u4 最大转向角 °
u5 交叉角度 °
u6 与碍航物距离 n mile
u7 船长(Lvessel)/航道宽度(Wchannel) 无
u8 航道长度(Lchannel)/航道宽度(Wchannel) 无
u9 水深(Depth)/船舶最大吃水(Draft) 无
u10 船舶交通量 艘·a-1
u11 助航服务 无
评价集V中各元素的含义如下：
元素 含义
v1 低风险
v2 较低风险
v3 一般风险
v4 较高风险
v5 高风险
6.水上交通安全风险因素概率分布参数估计
1)基于实测数据的参数估计
(1)能见度不良天数
条帚门航道水域多年平均雾日数为16.3天，年最多雾日数为29天(1967年)。假设其年度能见度不良的天数(u1)服从正态分布，则随机变量u1的均值为16.3，标准差为4.2333，即u1～N(16.3,4.2333)。
(2)大风天数
以距离条帚门航道相对较近的嵊泗海岛气象站多年的历史统计资料对基础数据，对各月份大风天数(u2)进行统计和折算。
对折算后大风天数的数据进行概率分布的参数拟合，随机变量u2近似服从威布尔分布，即u2～W(17.4887,5.62956)。
(3)潮流流速
对条帚门公共航道水域范围内布设5个连续大、小潮观测和虾峙门航道口外抛泥区布置的S6站的潮流观测数据进行分布参数拟合。对流速进行概率分布的参数识别流速(u3)近似服从威布尔分布，即u3～W(1.37193,2.59049)。
(4)船长
水上交通安全风险是相对的，同样的航道条件，对于不同的通航船舶而言，水上交通安全风险也不同。对经过条帚门航道和附件虾峙门航道的船舶进行交通流量数据统计，计算可得到船长的分布。
对通过虾峙门和条帚门航道的船舶参数进行分布拟合，船长近似服从对数正态分布，即ln(Lvessel_length)～N(4.52715,0.62704)。
(5)吃水
对条帚门航道所处的宁波-舟山港水域的船舶参数进行统计，计算船长、吃水的相关系数，对于船舶吃水则以一次仿真中所生成的船长乘以相关系数进行计算。对通过虾峙门和条帚门航道的船舶参数进行分布拟合，船长与吃水之间存在相关关系，关系式为：Draft＝0.03286*Lvessel_length+1.258。
(6)船舶交通量
由于条帚门定线制航道尚未正式开通，待开通后将很大程度上缓解虾峙门航道的压力，在本次仿真中，以虾峙门航道交通流量的0.5倍进行替代。
对虾峙门航道的日交通流量(AverageDaily Traffic)进行拟合，虾峙门航道日交通流量近似服从正态分布，即ADTXZM～N(135.645,29.16552)。
将虾峙门0.5倍的船舶交通量记为条帚门航道交通量，则条帚门航道日均交通流量也服从正态分布，即u10～N(67.8225,14.58282)。
2)基于空间分段的参数估计
(1)航道长度/航道宽度
航道内不同位置处的航道宽度、航道水深、航道弯曲程度、航道交叉角度可能是不同的，因此，不同位置处的水上交通安全风险是不同的。在本文的水上交通安全风险仿真中，仅考虑相对于航道起点的位置，不考虑相对于航道中心线的位置，其中P2到P4段，长度为13.2n mile，即24446.4m。
设航道起点到终点的区间为[a,b]，根据不同位置航道宽度的变化，将航道区间分成连续的航段[a,aw(1)],[aw(1),aw(2)]…[aw(m-1),aw(m)]…[aw(n),b]，生成[a,b]之间的随机数，若落入区间[aw(m-1),aw(m)]，则此区间对应的航道宽度Wm为一次仿真中的航道宽度Wchannel取值。
对航道长度归一化后，航段分段区间为[0,0.29267]、[0.29267,0.402864]、[0.402864,0.514468]、[0.514468,1]。随机数与航道宽度对应如下：
随机数区间 航道宽度(m)
[0,0.292670) 1000
[0.292670,0.402864) 580+420*(rand()-0.29267)/0.110194
[0.402864,0.514468) 580
[0.514468,1] 800
确定航道宽度后，相应的u7、u8可依据以下公式来计算：
u7＝Lvessel/Wchannel，u8＝Lchannel/Wchannel
(2)航道弯曲度
按照航道转向角(u4)的不同，对航道进行分段，对航道长度归一化后，航段分段区间为[0,0.151515]、[0.151515,0.487879]、[0.487879,0.790909]、[0.790909,1]，对应的航道转向角分别为27°、0°、29°、0°。
随机数与航道弯曲度对应如下：
随机数区间 弯曲度(°)
[0,0.151515) 27
[0.151515,0.487879) 0
[0.487879,0.790909) 29
[0.790909,1] 0
(3)航道交叉角度
在进行船舶操纵时，船舶值班人员通常需要在距航道交叉口约2海里处开始行动，距离P4点2海里的航段判作交叉航段，交叉角67°。将P2点至A7段以及从A7沿P2到P3方向延伸2海里的航段判作交叉航段，交叉角为85°。随机数与航道交叉角对应如下：
表4-1航道交叉角
随机数区间 航道交叉角度(°)
[0,0.241667) 67
[0.241667,0.848485) 0
[0.848485,1] 85
(4)碍航物距离
按照碍航物距离(u6)的不同，对航道进行分段，对航道长度归一化后。随机数与碍航物距离对应如下：
随机数区间 碍航物距离(m)
[0,0.103234) [583,2828]
[0.103234,0.127871) [758,980]
[0.127871,0.149594) [940,980]
[0.149594,0.375630) [813,1877]
[0.375630,0.399743) [251,813]
[0.399743,0.430275) [154,494]
[0.430275,0.451070) [208,320]
[0.451070,0.464694) [199,320]
[0.464694,0.480425) [91,262]
[0.480425,0.534317) [110,344]
[0.534317,0.557818) [466,842]
[0.557818,0.622095) [740,1262]
[0.622095,0.671510) [606,744]
[0.671510,0.692141) [677,1021]
[0.692141,0.740701) [1059,1179]
[0.740701,0.797832) [1161,1338]
[0.797832,0.838488) [639,815]
[0.838488,0.886945) [870,1111]
[0.886945,0.938999) [1116,1382]
[0.938999,1] [1382,2582]
(5)航道水深
条帚门水道水域宽而河床浅，水域窄而河床深。水道中部河床窄深，从金钵盂岛至水道东部口门外共约15km范围内，水深基本大于30m，最深处可达108m。在金钵盂岛西侧和元山岛东侧口外各存在水深浅于20m的浅滩。金钵盂岛西侧浅滩范围较小，沿水道轴线方向长度约为2.2km。水道东侧口外的浅滩范围较大，东西向20m等深线间距约12.5km[145]。
根据航道水深(Draft)的变化，将航道区间分成连续的航段[a,ad(1)],[ad(1),ad(2)]…[ad(m-1),ad(m)]…[ad(n),b]。随机数与航道水深对应如下：
归一化航段(随机数) 水深(m)
[0,0.126482) [30,50]
[0.126482,0.142292) [20,30]
[0.142292,0.189723) [30,50]
[0.189723,0.387352) [50,108]
[0.387352,0.418972) [20,230]
[0.418972,0.545455) [50,108]
[0.545455,0.608696) [30,50]
[0.608696,0.703557) [20,30]
[0.703557,0.806324) [17.1,20]
[0.806324,0.830040) [20,30]
[0.830040,0.932806) [30,50]
[0.932806,1.000000] [50,108]
确定航道水深后，相应的u9可依据公式：u9＝Depth/Draft计算。
3)基于主观数据的参数估计
在本次仿真中，将助航服务作为随机变量进行处理，参考专家建议，假定其助航服务评分值服从均值为85，方差为10的正态分布，即u11～N(85,102)。
7.水上交通安全风险仿真结果分析与检验
1)水上交通安全风险仿真序列
对定线制水域的交通安全风险进行大量重复仿真实验，取仿真过程中的前1000次数据，绘制各因素的序列波动曲线，如图4、图5、图6所示，对应的风险仿真结果如图7所示。从图中可以看出，各风险因素仿真值在仿真过程中波动变化，各因素值的取值范围，变化速率不同，交通风险仿真值随各风险因素值得变化进行波动。
2)水上交通安全风险仿真统计
研究水域交通安全仿真统计图(100000次仿真)如图8所示。从图中，可以直观看出，各风险因素的取值根据各自参数的分布不同，差异较大，交通安全风险值近似成正态分布，仿真值大多处于较低风险区间和一般风险区间。水上交通安全风险因素与仿真结果统计表如下：
类别 均值 方差 最大值 最小值 中位数 变异系数
能见度 16.3216 17.8532 34.6506 0.1479 16.3336 0.2589
大风天数 16.1564 11.0223 27.4038 2.0425 16.3714 0.2055
流速 1.2184 0.2559 3.5742 0.0137 1.1909 0.4152
弯曲度 29.0031 1333.1 85 0 0 1.2589
航道长度/航道宽度 50.319 79.3176 70.2483 40.744 50.93 0.177
碍航物距离 0.5876 0.089 1.5269 0.0492 0.5765 0.5076
船长/航道宽度 0.1352 0.0079 0.7204 0.0101 0.1119 0.6585
水深/吃水 12.4209 72.8863 64.7025 1.1658 10.0185 0.6873
助航服务 83.6134 77.0239 99.9992 40.664 84.0942 0.105
交通量 135.7146 848.6317 260.4217 10.6804 135.7889 0.2147
系统风险 1.5689 0.0707 3.0923 0.8275 1.5376 0.1694
条帚门定线制航道交通安全风险平均处于较低风险水平，最高风险处于一般风险水平。水上交通安全风险仿真的结果低于使用组合赋权层次机构模型的结果，这是因为MC-FCE方法解决了参数指标耦合带来的参数取值冲突问题，比较合理的反映了航道实际交通安全状况。
3)水上交通安全风险时空分布
对研究水域的水上交通安全风险进行大量重复仿真运算，取其中2000000次仿真的数据，绘制风险空间分布能量图谱，如图9示。从图中可以直观看出，不同航道位置处的风险值变化明显，空间分布差异大。同一航道位置处的风险值差异较大，这主要是由时变风险因素引起的。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
综上所述，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种水上交通安全风险仿真方法，其特征在于，
根据水上交通安全风险因素，建立关于因素矩阵、各因素的相对权重矩阵、评价矩阵的函数作为交通安全风险仿真模型；
对仿真模型中的各因素根据概率分布进行参数估计；
根据参数间的逻辑关系，以参数估计的结果随机生成各因素的仿真值；
将随机生成的仿真值代入仿真模型中，通过模糊评判方法进行单个因素的风险计算；
根据各因素的相对权重，通过模糊评判方法进行多个因素的综合风险计算；
对多个因素的综合风险计算的结果进行反模糊化处理；
将随机生成仿真值到完成反模糊化处理的过程进行多次重复仿真，之后输出水上交通安全风险仿真的结果；
其中，所述仿真模型的函数为：
U为因素集，其中各个元素对应水上交通安全风险的测度指标；
V为评价矩阵，其中各个元素对应水上交通安全风险的风险等级；
W为各因素的相对权重矩阵；R＝TR(U,V)表示U到V的模糊隶属度矩阵；TR表示U到V的模糊映射，U中任一元素ui到V的映射由隶属函数表示，TR由一组隶属函数构成；
对于风险因素中实测数据的参数估计，包含：
年度能见度不良的天数的随机变量服从正态分布；
大风天数的随机变量近似服从威布尔分布；
潮流流速的随机变量近似服从威布尔分布；
对经过航道的船舶进行交通流量数据统计，计算得到船长的分布，得到船长的随机变量近似服从对数正态分布；
对航道所处水域的船舶参数进行统计，得到船长与船舶吃水的相关关系的算式，以一次仿真得到的船长数值代入相关关系的算式计算船舶吃水的随机数值；
已开通航道的日交通流量的随机变量近似服从正态分布；
以临近已开通航道的日交通流量的随机数值的一半，作为未开通航道的日交通流量的随机数值。
2.如权利要求1所述的水上交通安全风险仿真方法，其特征在于，
由AHP法计算获得测度指标的主观权重，由VCM法计算获得测度指标的客观权重；
对于主观权重及客观权重，通过2-范数组合赋权法计算获得测度指标组合权重，作为各因素的相对权重。
3.如权利要求2所述的水上交通安全风险仿真方法，其特征在于，
对于风险因素中基于空间分段的参数估计，是根据任意一种分段参数将航道区间分成连续多个航段的分段区间；进行航道长度归一化后，生成关于该分段参数的随机数并判断该随机数落入的分段区间，将落入的分段区间所对应的分段参数的数值，作为航道区间的数值；
其中，所述分段参数包含航道宽度、航道转向角、航道交叉角度、障航物距离、航道水深。
4.如权利要求1所述的水上交通安全风险仿真方法，其特征在于，
根据多次重复仿真中设定次数的仿真结果，绘制各因素的序列波动曲线，来查看各因素的仿真值在仿真过程中的波动变化，各因素值的取值范围及变化速率；
根据多次重复仿真中设定次数的仿真结果，绘制水域交通安全仿真统计图，查看各因素的仿真值根据各自参数的分布，以确定所处的风险水平；
根据多次重复仿真中设定次数的仿真结果，绘制风险空间分布能量图谱，来查看不同航道位置处的风险值变化及空间分布差异。
CN201510616054.5A 2015-09-24 2015-09-24 一种水上交通安全风险仿真方法 Active CN105302942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510616054.5A CN105302942B (zh) 2015-09-24 2015-09-24 一种水上交通安全风险仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510616054.5A CN105302942B (zh) 2015-09-24 2015-09-24 一种水上交通安全风险仿真方法

Publications (2)

Publication Number Publication Date
CN105302942A CN105302942A (zh) 2016-02-03
CN105302942B true CN105302942B (zh) 2018-09-25

Family

ID=55200210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510616054.5A Active CN105302942B (zh) 2015-09-24 2015-09-24 一种水上交通安全风险仿真方法

Country Status (1)

Country Link
CN (1) CN105302942B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595802B (zh) * 2018-04-13 2022-02-22 无锡威孚力达催化净化器有限责任公司 基于仿真的scr系统尿素结晶风险评价方法
CN109150868A (zh) * 2018-08-10 2019-01-04 海南大学 网络安全态势评估方法及装置
CN111159627B (zh) * 2019-12-30 2023-07-04 智慧航海（青岛）科技有限公司 一种基于综合集成赋权法的船舶操纵性评价方法
CN113642106A (zh) * 2021-08-09 2021-11-12 武汉理工大学 一种船舶通航模型构建方法、装置、电子设备及存储介质
CN117521815B (zh) * 2024-01-04 2024-04-02 交通运输部水运科学研究所 航路与平台之间安全距离的评估方法、电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870888A (zh) * 2014-03-10 2014-06-18 国家电网公司 一种电动汽车负荷预测方法
CN104331849A (zh) * 2014-11-13 2015-02-04 重庆大学 一种电力系统风险分级方法及应用

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7142563B1 (en) * 2001-02-20 2006-11-28 At&T Corp. Service interface for QoS-driven HPNA networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870888A (zh) * 2014-03-10 2014-06-18 国家电网公司 一种电动汽车负荷预测方法
CN104331849A (zh) * 2014-11-13 2015-02-04 重庆大学 一种电力系统风险分级方法及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
定线制水域航行危险度评价模型及其应用;黄常海 等;《中国安全科学学报》;20140228;第24卷(第2期);第93-99页 *

Also Published As

Publication number Publication date
CN105302942A (zh) 2016-02-03

Similar Documents

Publication Publication Date Title
CN105302942B (zh) 一种水上交通安全风险仿真方法
Song et al. Field measurements and wind tunnel investigation of wind characteristics at a bridge site in a Y-shaped valley
CN106991278B (zh) 一种集合降水预报与实时洪水概率预报的耦合方法
CN104050329B (zh) 一种检测船舶碰撞危险度的方法
CN111486902B (zh) 一种基于大数据的大跨度桥梁安全性能实时监测系统
CN102628944B (zh) 一种基于多普勒雷达资料的层云与对流云自动识别方法
CN105608326B (zh) 一种山区复杂地形风场大涡模拟入口边界条件输入方法
CN106950614A (zh) 一种区域自动气象站小时雨量数据质量控制方法
CN104730537B (zh) 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN106250590B (zh) 一种基于cfd数值模拟的高空露天平台行人风环境评估方法
CN103792524A (zh) 基于云分类的雷达定量降水估计方法
CN110400087A (zh) 基于改进权重和可变模糊集的电梯安全防护系统评价方法
CN102799770A (zh) 一种基于pso自适应分段线性拟合的海浪有效波高反演模型建模方法
CN102890875A (zh) 一种获取海上智能交通网络的系统碰撞风险的方法
CN108090285A (zh) 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法
CN106649987B (zh) 一种测风塔设立方案的定量分析方法
Li et al. Wind tunnel study on the morphological parameterization of building non-uniformity
CN107862433A (zh) 一种特高压直流输电线路带电作业安全评估方法和系统
CN102830250A (zh) 一种基于空间相关性的风电场风速传感器故障诊断方法
CN105353371B (zh) 基于ar谱扩展分形的海面雷达目标检测方法
Sharma et al. Analysis of wind characteristics parameters with the application of lidar and mast
CN105068075B (zh) 一种近地面大风的计算方法
CN105894706B (zh) 一种森林火灾预测方法及其系统
CN113962426A (zh) 一种近海水上通航安全智能预报方法和装置
CN112836942A (zh) 基于大数据和云计算的桥梁工程项目造价评估智能管理系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant