CN110598969B - 一种海上通道突发事件风险预警方法 - Google Patents

一种海上通道突发事件风险预警方法 Download PDF

Info

Publication number
CN110598969B
CN110598969B CN201910553673.2A CN201910553673A CN110598969B CN 110598969 B CN110598969 B CN 110598969B CN 201910553673 A CN201910553673 A CN 201910553673A CN 110598969 B CN110598969 B CN 110598969B
Authority
CN
China
Prior art keywords
emergency
risk
early warning
threshold
data
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
CN201910553673.2A
Other languages
English (en)
Other versions
CN110598969A (zh
Inventor
吕靖
蒋美芝
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.)
Dalian Maritime University
Original Assignee
Dalian 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910553673.2A priority Critical patent/CN110598969B/zh
Publication of CN110598969A publication Critical patent/CN110598969A/zh
Application granted granted Critical
Publication of CN110598969B publication Critical patent/CN110598969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种海上通道突发事件风险预警方法，该方法包括收集突发事件外界环境与船舶数据；收集突发事件匹配的数据；将所述突发事件外界环境与船舶数据进行样本数据离散化处理，同时对突发事件风险进行阈值划分。本发明从风险预警系统需要准确的预警阈值角度出发，根据实际环境，收集需要预警的突发事件，统计突发事件发生时外界环境数据，应用贝叶斯网络对突发事件的风险进行评估，引入图像分割领域的阈值划分方法对海上通道突发事件风险预警阈值进行划分，根据检验标准对划分结果进行评价，自动识别最佳风险预警阈值，提高船舶海上运输的安全性。

Description

一种海上通道突发事件风险预警方法
技术领域
本发明涉及应急管理系统技术领域，尤其涉及一种海上通道突发事件风险预警方法。
背景技术
海上通道突发事件风险预警是应急管理系统的重要技术支撑，能减少突发事件带来的生命、财产和社会环境的损失。其中，突发事件风险评估和阈值选择是风险预警系统的重要环节。海上通道突发事件受船舶自身条件、船舶流量、天气等诸多因素影响，影响因素之间的条件概率关系可用于评估海上通道风险。风险预警阈值表示突发事件是否发生的临界值，可以准确地识别高风险事件和正常事件，为风险预警系统提供技术支持。因此，海上通道突发事件风险预警阈值的正确选择，对预防和减少海上通道突发事件，保障海上通道运输安全具有重要意义。
目前，对海上通道的研究主要集中在突发事件风险影响因素的分析和评价等方面，很少涉及阈值选择方面的研究。其他领域有关风险预警阈值选择方法研究较多。根据发明201510762779.5一种用于水环境风险预警的阈值计算方法，用于水环境的风险预警，能实时查看水质监测状态与污染物监测值。根据发明201810597112.8发明了一种暴雨诱发的浅层滑坡灾害预警阈值确定方法，提高了滑坡预警工作效率，改进滑坡预警的空间的精度，为山区防灾工作提供了科学依据。在现有的海上通道突发事件风险预警文献中，缺乏对阈值选择模型的研究，且大多数阈值选择方法都具有较强的主观性。
目前，阈值选择技术被广泛应用于图像分割领域，主要分为两大类。第一类是基于灰度直方图的阈值分割方法，通过分析图像中像素的灰度直方图的轮廓特征来确定最佳阈值，主要包括双峰直方图和P-tile参数法。第二类是优化方法，通过优化目标函数来确定最佳阈值，其目标函数主要分为方差和熵值这两类。最大类间方差法、最大熵法和最小交叉熵法是目前应用最广泛的阈值选择模型，
由于海上通道突发事件风险预警阈值划分技术的研究比较少，而且大部分是应用定性分析的方法进行划分，或者通过对历史数据的评估进行划分，这种划分方法不能满足海上通道突发事件的风险预警的精度要求，往往会造成在实际风险预警的过程中的预警结果不精确，误报率以及漏报率偏高，很大程度上限制了海上通道突发事件风险预警系统在实际应用领域的发展。现有的关于风险预警阈值划分的文献中，大多数都集中在自然灾害、陆上交通领域，很少对海上通道突发事件的风险预警阈值划分的研究。现有的关于海上通道突发事件风险预警阈值的划分方法往往更依赖于定性分析，很难真正的应用到实际领域。
发明内容
为克服相关技术中存在的问题，本发明实施例提供一种海上通道突发事件风险预警方法，能够精准的计算出海上通道突发事件风险预警阈值划分结果，满足风险预警系统对精确的预警阈值的需求。
本发明实施例提供一种海上通道突发事件风险预警方法，包括以下步骤:
收集突发事件外界环境与船舶数据；
收集突发事件匹配的数据；
将所述突发事件外界环境与船舶数据进行样本数据离散化处理，同时对突发事件风险进行阈值划分；
将所述突发事件匹配的数据根据贝叶斯网络建立突发事件评估模型，根据预设预警阈值检验指标对阈值划分结果进行检验；
检验达到预设标准之后，将样本数据离散化处理之后的数据通过突发事件评估模型进行风险评估；
当风险值大于阈值时发出警告信息，当风险值小于阈值时正常航行。
进一步地，所述样本数据离散化处理之后的数据通过突发事件评估模型进行风险评估，采用阈值选择模型为风险评估提供判定标准。
进一步地，阈值划分采用双峰直方图、参数法、最大类间方法差、最大熵法和/或最小交叉熵法。
进一步地，对阈值划分结果进行检验采用约登指数、F值、Phi相关系数和/或综合指数。
进一步地，贝叶斯网络的运算公式为：
Figure GDA0002254121020000038
其中贝叶斯网络为定义在变量集X＝{X1,...,Xn}上的一个一元二次组(S,Θ)，其中S表示有向无环图，Θ表示节点变量的条件概率。
进一步地，所述贝叶斯网络构建过程由构建拓扑结构和训练网络参数组成，拓扑结构主要来源于IMO对海上突发事件的报告，其中详细记录了突发事件发生时船舶自身状况、外界环境以及事发原因，训练网络参数采用EM算法对参数进行训练。
进一步地，所述EM算法为Q(θ,θi-1)＝E[log p(X,Y|θ)|X,θi-1]，
Figure GDA0002254121020000031
进一步地，将突发事件风险分为L个等级，包括n1,n2,…,ni,…nL，其中ni表示第i级事故的数量，则突发事件总的数量为
Figure GDA0002254121020000032
第i级突发事件出现的概率为pi＝ni/N，每一等级的风险值分别为T1,T2,…,Tk,…,TL，且满足0≤T1,T2,…,Tk,…,TL≤1；
选定一个阈值Tk将所有的突发事件分为正常事件C0、高风险事件C1两类，其中C0类的风险值为T1:Tk，C1类的风险值为Tk+1:TL；
总平均风险等级为
Figure GDA0002254121020000033
C0类的平均风险等级为/>
Figure GDA0002254121020000034
C1类的平均风险等级为/>
Figure GDA0002254121020000035
两类所占面积比例分别为：/>
Figure GDA0002254121020000036
Figure GDA0002254121020000037
令μ0＝μ0(k)/ρ0，μ1＝μ1(k)/ρ1。
本发明的实施例提供的技术方案具有以下有益效果：从风险预警系统需要准确的预警阈值角度出发，根据实际环境，收集需要预警的突发事件，统计突发事件发生时外界环境数据，应用贝叶斯网络对突发事件的风险进行评估，引入图像分割领域的阈值划分方法对海上通道突发事件风险预警阈值进行划分，根据检验标准对划分结果进行评价，自动识别最佳风险预警阈值，提高船舶海上运输的安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例海上通道突发事件风险预警方法的流程图。
图2是本发明实施例海上通道突发事件风险预警方法的风险直方图。
图3是本发明实施例海上通道突发事件风险预警方法的P-tile参数阈值分割图。
图4是本发明实施例海上通道突发事件风险预警方法的最大类间方差法阈值分割图。
图5是本发明实施例海上通道突发事件风险预警方法的最大熵法阈值分割图。
图6是本发明实施例海上通道突发事件风险预警方法的最小交叉熵法。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置及相关应用、方法的例子。
图1是本发明实施例海上通道突发事件风险预警方法的流程图。如图1所示，该海上通道突发事件风险预警方法，包括以下步骤:
步骤101、收集突发事件外界环境与船舶数据。
步骤102、收集突发事件匹配的数据。
步骤103、将突发事件外界环境与船舶数据进行样本数据离散化处理，同时对突发事件风险进行阈值划分，阈值划分采用双峰直方图、参数法、最大类间方法差、最大熵法和/或最小交叉熵法。
步骤104、将突发事件匹配的数据根据贝叶斯网络建立突发事件评估模型，根据预设预警阈值检验指标对阈值划分结果进行检验，对阈值划分结果进行检验采用约登指数、F值、Phi相关系数和/或综合指数。
步骤105、检验达到预设标准之后，将样本数据离散化处理之后的数据通过突发事件评估模型进行风险评估，采用阈值选择模型为风险评估提供判定标准。
步骤106、风险值是否大于阈值，当是的时候转到步骤107，当否的时候转到步骤108。
步骤107、发出警告信息。
步骤108、正常航行。
贝叶斯网络的运算公式为：
Figure GDA0002254121020000051
其中BN为定义在变量集X＝{X1,...,Xn}上的一个一元二次组(S,Θ)，其中S表示有向无环图，Θ表示节点变量的条件概率。
贝叶斯网络构建过程由构建拓扑结构和训练网络参数组成，拓扑结构主要来源于IMO对海上突发事件的报告，其中详细记录了突发事件发生时船舶自身状况、外界环境以及事发原因，训练网络参数采用EM算法对参数进行训练，EM算法为Q(θ,θi-1)＝E[log p(X,Y|θ)|X,θi-1]，
Figure GDA0002254121020000052
应用图像分割技术的阈值划分方法对突发事件风险进行阈值划分，将突发事件风险分为L个等级，包括n1,n2,…,ni,…nL，其中ni表示第i级事故的数量，则突发事件总的数量为
Figure GDA0002254121020000061
第i级突发事件出现的概率为pi＝ni/N，每一等级的风险值分别为T1,T2,…,Tk,…,TL，且满足0≤T1,T2,…,Tk,…,TL≤1；
选定一个阈值Tk将所有的突发事件分为正常事件C0、高风险事件C1两类，其中C0类的风险值为T1:Tk，C1类的风险值为Tk+1:TL；
总平均风险等级为
Figure GDA0002254121020000062
C0类的平均风险等级为/>
Figure GDA0002254121020000063
C1类的平均风险等级为/>
Figure GDA0002254121020000064
两类所占面积比例分别为：/>
Figure GDA0002254121020000065
Figure GDA0002254121020000066
令μ0＝μ0(k)/ρ0，μ1＝μ1(k)/ρ1。
约登指数(Youden index)是灵敏度(Sensitivity)和特异度(Specificity)之和减去1，表示该方法对于正确地预警高风险事件和正常事件的能力，其计算过程为：J＝Sencitivity+Specificity-1，Sencitivity＝TP/(TP+FN)，Specificity＝TN/(TN+FP)。
约登指数的取值范围为[0，1]，当指数为零时表示该预警阈值是无效的，当指数为1时表示，该预警阈值能准确预警高风险事件和正常事件。因此，约登指数越高，说明该预警阈值的预警效果越好。
F值(F-score)是正确率(Precision)和召回率(Recall)的调和平均值，其计算过程如下所示，因此，F值越大该预警阈值的预警性能越好。
Figure GDA0002254121020000067
Precision＝TP/(TP+FP)，Recall＝TN/(TN+FP)。
Phi相关系数其计算过程为：
Figure GDA0002254121020000068
Phi相关系数越大，该预警阈值的预警性能越好。
综合指数(synthetic index)评价方法，反映了该预警阈值在各个方面的预警性能，其计算过程为：
Figure GDA0002254121020000069
其中
Figure GDA00022541210200000610
和/>
Figure GDA00022541210200000611
表示三个指数的平均值，SD(J)、SD(Fscore)和SD(φ)表示三个指数的标准差。因此，综合指数越高，该预警阈值的预警性能越好。
图2是本发明实施例海上通道突发事件风险预警方法的风险直方图，如图2所示，图2是理想状况下突发事件风险的灰度直方图，直方图的左锋表示正常事件，右峰表示高风险事件。两个波峰之间的波谷的风险值是一个可接受的阈值。
图3是本发明实施例海上通道突发事件风险预警方法的P-tile参数阈值分割图，如图3所示，这里使用的参数法采用P-tile参数法，P-tile算法要求高风险事件占数据集的比例为P％，依次累积灰度直方图，直到该累积值大于或等于P％，此时的风险值可以被选择为风险预警阈值。
图4是本发明实施例海上通道突发事件风险预警方法的最大类间方差法阈值分割图，如图4所示，选取的最佳阈值应当使两类事件的类间方差最大，已知数据集被阈值Tk分成C0、C1两类。
图5是本发明实施例海上通道突发事件风险预警方法的最大熵法阈值分割图。
图6是本发明实施例海上通道突发事件风险预警方法的最小交叉熵法，如图6所示，以分割前后数据集信息量差异最小为阈值选取准则。
采用了上述实施例中的技术方案，从风险预警系统需要准确的预警阈值角度出发，根据实际环境，收集需要预警的突发事件，统计突发事件发生时外界环境数据，应用贝叶斯网络对突发事件的风险进行评估，引入图像分割领域的阈值划分方法对海上通道突发事件风险预警阈值进行划分，根据检验标准对划分结果进行评价，自动识别最佳风险预警阈值，提高船舶海上运输的安全性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (3)

1.一种海上通道突发事件风险预警方法，其特征在于，包括以下步骤:
收集突发事件外界环境与船舶数据；
收集突发事件匹配的数据；
将所述突发事件外界环境与船舶数据进行样本数据离散化处理，同时对突发事件风险进行阈值划分；
将所述突发事件匹配的数据根据贝叶斯网络建立突发事件评估模型，根据预设预警阈值检验指标对阈值划分结果进行检验；
检验达到预设标准之后，将样本数据离散化处理之后的数据通过突发事件评估模型进行风险评估，所述样本数据离散化处理之后的数据通过突发事件评估模型进行风险评估，采用阈值选择模型为风险评估提供判定标准；
当风险值大于阈值时发出警告信息，当风险值小于阈值时正常航行，
其中，贝叶斯网络的运算公式为：
Figure FDA0003982500850000011
其中贝叶斯网络为定义在变量集X＝{X1,...,Xn}上的一个一元二次组(S,Θ)，其中S表示有向无环图，Θ表示节点变量的条件概率，
所述贝叶斯网络构建过程由构建拓扑结构和训练网络参数组成，拓扑结构来源于IMO对海上突发事件的报告，其中详细记录了突发事件发生时船舶自身状况、外界环境以及事发原因，训练网络参数采用EM算法对参数进行训练，
所述EM算法为Q(θ,θi-1)＝E[logp(X,Y|θ)|X,θi-1]，
Figure FDA0003982500850000012
将突发事件风险分为L个等级，包括n1,n2,···,ni,···nL，其中ni表示第i级事故的数量，则突发事件总的数量为
Figure FDA0003982500850000013
第i级突发事件出现的概率为pi＝ni/N，每一等级的风险值分别为T1,T2,···,Tk,···,TL，且满足0≤T1,T2,···,Tk,···,TL≤1；
选定一个阈值Tk将所有的突发事件分为正常事件C0、高风险事件C1两类，其中C0类的风险值为T1～Tk，C1类的风险值为Tk+1～TL；
总平均风险等级为
Figure FDA0003982500850000014
C0类的平均风险等级为/>
Figure FDA0003982500850000015
C1类的平均风险等级为/>
Figure FDA0003982500850000021
两类所占面积比例分别为：/>
Figure FDA0003982500850000022
Figure FDA0003982500850000023
令μ0＝μ0(k)/ρ0，μ1＝μ1(k)/ρ1。
2.根据权利要求1所述的海上通道突发事件风险预警方法，其特征在于，阈值划分采用双峰直方图、参数法、最大类间方法差、最大熵法和/或最小交叉熵法。
3.根据权利要求1所述的海上通道突发事件风险预警方法，其特征在于，对阈值划分结果进行检验采用约登指数、F值、Phi相关系数和/或综合指数。
CN201910553673.2A 2019-06-25 2019-06-25 一种海上通道突发事件风险预警方法 Active CN110598969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910553673.2A CN110598969B (zh) 2019-06-25 2019-06-25 一种海上通道突发事件风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910553673.2A CN110598969B (zh) 2019-06-25 2019-06-25 一种海上通道突发事件风险预警方法

Publications (2)

Publication Number Publication Date
CN110598969A CN110598969A (zh) 2019-12-20
CN110598969B true CN110598969B (zh) 2023-03-31

Family

ID=68852771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910553673.2A Active CN110598969B (zh) 2019-06-25 2019-06-25 一种海上通道突发事件风险预警方法

Country Status (1)

Country Link
CN (1) CN110598969B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011027037A1 (en) * 2009-09-04 2011-03-10 Valtion Teknillinen Tutkimuskeskus Intelligent waterway risk indication system and a related method
CN103632310A (zh) * 2013-11-19 2014-03-12 中国南方电网有限责任公司 一种大电网运行风险评估方法
CN106411854A (zh) * 2016-09-06 2017-02-15 中国电子技术标准化研究院 一种基于模糊贝叶斯的网络安全风险评估方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN107480895A (zh) * 2017-08-19 2017-12-15 中国标准化研究院 一种基于Bayes增强学习的可靠消费品风险评估方法
CN109657880A (zh) * 2019-01-09 2019-04-19 中交信息技术国家工程实验室有限公司 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011027037A1 (en) * 2009-09-04 2011-03-10 Valtion Teknillinen Tutkimuskeskus Intelligent waterway risk indication system and a related method
CN103632310A (zh) * 2013-11-19 2014-03-12 中国南方电网有限责任公司 一种大电网运行风险评估方法
CN106411854A (zh) * 2016-09-06 2017-02-15 中国电子技术标准化研究院 一种基于模糊贝叶斯的网络安全风险评估方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN107480895A (zh) * 2017-08-19 2017-12-15 中国标准化研究院 一种基于Bayes增强学习的可靠消费品风险评估方法
CN109657880A (zh) * 2019-01-09 2019-04-19 中交信息技术国家工程实验室有限公司 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯网络的高速公路突发事件态势评估研究;赵朋等;《公路交通科技》;20180915(第09期);全文 *

Also Published As

Publication number Publication date
CN110598969A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
Fang et al. Automatic identification system-based approach for assessing the near-miss collision risk dynamics of ships in ports
CN111680745B (zh) 一种基于多源交通大数据融合的突发拥堵判别方法及系统
Zhang et al. A two-stage black-spot identification model for inland waterway transportation
WO2022147853A1 (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
US20130173480A1 (en) Maintenance cycle for an aircraft
CN115294804A (zh) 一种基于船舶状态监测的海缆安全预警方法及系统
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN114417981B (zh) 一种智能河长巡测系统
CN110598969B (zh) 一种海上通道突发事件风险预警方法
CN113538971A (zh) 一种基于多源异构数据融合的风险船舶检测方法
CN108805427A (zh) 一种基于大数据的配电网运行状态风险预警系统
Eick et al. Miter gate gap detection using principal component analysis
WO2015039693A1 (en) Method and system for data quality assessment
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
KR102500944B1 (ko) 해양 수질 데이터의 변동성을 이용한 기후변화 취약해역 평가 방법
Adimari et al. Simple nonparametric confidence regions for the evaluation of continuous-scale diagnostic tests
CN112032567A (zh) 一种埋地燃气管道泄漏危险度预测系统
CN117150298B (zh) 基于深度学习的地铁fas火灾报警系统的调试方法
CN117542227B (zh) 基于雷达、ais采集定位的海上施工船舶安防系统
CN116934760B (zh) 用于橡胶手套防护性的监测告警方法及系统
CN116434508B (zh) 基于物联网的防撞监测大数据预警系统及方法
CN116245416B (zh) 业务监督处理方法、装置、电子设备及存储介质
CN117150298A (zh) 基于深度学习的地铁fas火灾报警系统的调试方法
CN114913670B (zh) 一种基于安全码管理的人员出海安全管理系统

Legal Events

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