CN111861155B - 船舶碰撞风险检测方法、系统、计算机设备和存储介质 - Google Patents
船舶碰撞风险检测方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111861155B CN111861155B CN202010630001.XA CN202010630001A CN111861155B CN 111861155 B CN111861155 B CN 111861155B CN 202010630001 A CN202010630001 A CN 202010630001A CN 111861155 B CN111861155 B CN 111861155B
- Authority
- CN
- China
- Prior art keywords
- model
- relative
- risk
- data
- navigation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000012502 risk assessment Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- MOXZPMYMMBOUJY-UHFFFAOYSA-N n-[2-(2-aminoethylsulfanyl)ethyl]-5-(dimethylamino)naphthalene-1-sulfonamide Chemical compound C1=CC=C2C(N(C)C)=CC=CC2=C1S(=O)(=O)NCCSCCN MOXZPMYMMBOUJY-UHFFFAOYSA-N 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种船舶碰撞风险检测方法、系统、计算机设备和存储介质，方法包括：获取成对船舶各自的航行历史数据；将船舶航行历史数据转换为时间步长固定的数据序列；求取每一时刻对应的成对船舶的相对航行数据；选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取碰撞风险等级；构建安全距离的指数模型；基于风险评估模型和安全距离的指数模型，构建新的风险评估模型，由该模型评估最终的碰撞风险等级。本发明改进的风险评估模型用非线性形式代替了安全距离在原VCRO模型中的线性形式，解决了VCRO模型存在的局限性，能够有效避免由于近安全域风险评估不合理而造成的资源浪费，进一步提高风险评估模型的适用性和合理性。
Description
技术领域
本发明涉及海上船舶碰撞风险分析领域，特别涉及一种船舶碰撞风险检测方法、系统、计算机设备和存储介质。
背景技术
智能交通背景下，无人驾驶等技术的出现给海运风险检测模型提出了更高的要求，比如更好的适用性，更高的准确性等等。目前开放海域的航运风险分析虽已取得很多重大进展，但是很多研究中提出的风险评估模型仍存在其局限性。比如基于AIS数据提出能够通过航行数据评估出相遇船舶之间碰撞的风险等级的方法，船舶冲突排名算子(Vesselcollision Risk Operator，VCRO)。该模型在一定程度上能够合理的评估相遇船舶的碰撞风险等级，但是也存在对近安全域范围内相遇船舶风险评估极度不合理的现象，这一现象会导致航海人员对海上交通情况做出错误判断，从而造成不必要的资源浪费，很大程度限制了VCRO模型的实用性。
考虑到海上交通的复杂性，为了使现有风险检测模型具有更高的实用性必须不断完善其本身存在的不足，使其具有更高的适用性和准确性。
通过以前的研究表明，船舶的碰撞风险检测模型大都基于大量的历史航行数据建立，所以对模型的改进也可以从几近命中的相遇情景入手，建立以数据驱动的改进风险检测模型。
发明内容
本发明的目的在于针对上述现有技术存在的问题，以及VCRO所存在的局限性，提供一种改进的相遇船舶碰撞风险检测的方法、系统、计算机设备和存储介质。
实现本发明目的的技术解决方案为：一种船舶碰撞风险检测方法，所述方法包括以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
进一步地，步骤1中所述船舶的航行历史数据包括日期、时间、船舶的航行速度、地理位置，航行方向以及船舶大小。
进一步地，步骤3中所述成对船舶的相对航行数据包括成对船舶间的相对距离、相对速度以及相对航向角。
进一步地，步骤4中所述风险评估模型具体采用VCRO模型：
其中，
式中，(xi,yi)表示船舶的位置信息，L为观测船体的长度，(x-lα)表示两艘船舶之间的安全距离，x表示船舶间的相对距离，lα为船舶的安全域，v表示船舶间的相对速度，k为固定系数，CMDTC表示与相对航向角有关的傅里叶级数展开函数，
mi为傅立叶展开式的第i级系数，n为傅立叶的展开级数，θ为船舶间的相对航向角。
进一步地，步骤5所述构建安全距离的指数模型，具体过程包括：
步骤5-1，构建安全距离的指数模型Cl为：
式中，k(v,θ)和m(v,θ)均为与相对速度和相对航向角相关的系数；
步骤5-2，求解所述系数k(v,θ)和m(v,θ)，具体包括：
1、求解与相对航向角相关的系数
(1)对航行数据中的相对速度进行聚类；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
式中，v1为所述聚类后的质心对应的相对速度；
所述两个风险标准分别为：
VCRO(x,lα,v,θ)|x＝6NM＝5
(3)建立非线性方程组：
其中，[θmin,θmax]为预设的角度变化范围；
求解该非线性方程组，获得与相对航向角相关的系数k(v＝v1,θ)和m(v＝v1,θ)；2、求解与相对速度相关的系数
(1)选取某一相对角度θ0；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
(3)建立非线性方程组：
其中，[vmin,vmax]为预设的速度变化范围；
求解该非线性方程组，获得与相对速度相关的系数k(v,θ＝θ0)和m(v,θ＝θ0)。
进一步地，步骤6所述基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型为：
式中，k(v,θ)为k(v＝v1,θ)或k(v,θ＝θ0)，m(v,θ)为m(v＝v1,θ)或m(v,θ＝θ0)。
船舶碰撞风险检测系统，所述系统包括：
数据采集模块，用于选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
数据处理模块，用于对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
数据求取模块，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
第一风险评估模块，用于从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
第一模型构建模块，用于构建安全距离的指数模型；
第二模型构建模块，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
第二风险评估模块，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
本发明与现有技术相比，其显著优点为：1)首次提出了关于安全距离的指数模型，建立关于碰撞风险影响因素相对距离的非线性模型；2)针对VCRO模型存在的局限性结合指数模型提出了改进的风险评估模型；3)在建立指数模型的过程中，考虑到各航海数据的影响，对VCRO模型中提出的两个风险标准进行了修正。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中船舶碰撞风险检测方法的流程图。
图2为一个实施例中VCRO模型中成对船舶相遇的关于相对距离的模型架构示意图。
图3为一个实施例中VCRO模型中成对船舶相遇的关于航向角和相对速度的模型构架示意图。
图4为一个实施例中选取的情景1中相遇船舶的航行轨迹示意图，圆形标注为起始点，三角形标注轨迹点，“*”标记为终点。
图5为一个实施例中选取的情景2中相遇船舶的航行轨迹示意图，圆形标注为起始点，三角形标注轨迹点，“*”标记为终点。
图6为一个实施例中从AIS中获得情景1中成对船舶的数据经过预处理后的航行数据示意图，其中图6中的(a)至图6中的(d)分别为成对船舶的相对距离、相对速度和相对航向角，以及通过VCRO模型评估的风险等级示意图。
图7为一个实施例中从AIS中获得情景2中成对船舶的数据经过预处理后的航行数据示意图，其中图7中的(a)至图7中的(d)分别为成对船舶的相对距离、相对速度和相对航向角，以及通过VCRO模型评估的风险等级示意图。
图8为一个实施例中的聚类性能指标DBI与聚类数之间的变化关系图。
图9为一个实施例中指数模型与相对航向角的对应关系示意图。
图10为一个实施例中指数模型关于连续变化的相对航向角与安全距离的三维模型示意图。
图11为一个实施例中指数模型关于连续变化的相对速度与安全距离的三维模型示意图。
图12为一个实施例中指数模型在相对速度不同取值的情况下与安全距离的二维函数示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，提供了一种船舶碰撞风险检测方法，所述方法包括以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
这里，船舶的航行历史数据包括日期、时间、船舶的航行速度、地理位置，航行方向以及船舶大小。
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
这里优选地，航行数据的固定步长为1分钟；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
这里，成对船舶的相对航行数据包括成对船舶间的相对距离、相对速度以及相对航向角。
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
进一步优选地，在其中一个实施例中，步骤3中所述求取该时刻对应的成对船舶的相对航行数据，具体利用VCRO模型计算。
进一步地，在其中一个实施例中，步骤4中所述风险评估模型具体采用VCRO模型：
其中，
式中，(xi,yi)表示船舶的位置信息，L为观测船体的长度，(x-lα)表示两艘船舶之间的安全距离，x表示船舶间的相对距离，lα为船舶的安全阈值，v表示船舶间的相对速度，k为固定系数，k＝23.3，CMDTC表示与相对航向角有关的傅里叶级数展开函数，
mi为傅立叶展开式的第i级系数，n为傅立叶的展开级数，θ为船舶间的相对航向角。
进一步地，在其中一个实施例中，步骤5所述构建安全距离的指数模型，具体过程包括：
步骤5-1，构建安全距离的指数模型Cl为：
式中，k(v,θ)和m(v,θ)均为与相对速度和相对航向角相关的系数；
这里，指数模型一方面很好的符合了安全距离与风险等级的反比关系，另一方以非线性的模型替代原VCRO中关于安全距离的线性影响，合理的避免了在靠近安全范围内相遇情况下碰撞风险评估失衡的现象。
步骤5-2，求解所述系数k(v,θ)和m(v,θ)，具体包括：
1、求解与相对航向角相关的系数
(1)对航行数据中的相对速度进行聚类；
这里优选地，聚类采用K均值聚类算法；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
式中，v1为所述聚类后的质心对应的相对速度；
所述两个风险标准分别为：
VCRO(x,lα,v,θ)|x＝6NM＝5
(3)建立非线性方程组：
其中，[θmin,θmax]为预设的角度变化范围；
求解该非线性方程组，获得与相对航向角相关的系数k(v＝v1,θ)和m(v＝v1,θ)；
2、求解与相对速度相关的系数
(1)选取某一相对角度θ0；
这里优选地，θ0取θ0＝90°；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
(3)建立非线性方程组：
其中，[vmin,vmax]为预设的速度变化范围
求解该非线性方程组，获得与相对速度相关的系数k(v,θ＝θ0)和m(v,θ＝θ0)。
进一步地，在其中一个实施例中，步骤6所述基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型为：
式中，k(v,θ)为k(v＝v1,θ)或k(v,θ＝θ0)，m(v,θ)为m(v＝v1,θ)或m(v,θ＝θ0)。
在一个实施例中，提供了一种船舶碰撞风险检测系统，所述系统包括：
数据采集模块，用于选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
数据处理模块，用于对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
数据求取模块，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
第一风险评估模块，用于从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
第一模型构建模块，用于构建安全距离的指数模型；
第二模型构建模块，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
第二风险评估模块，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
关于船舶碰撞风险检测系统的具体限定可以参见上文中对于船舶碰撞风险检测方法的限定，在此不再赘述。上述超分辨结构光照明显微镜的高保真图像重构系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
关于每一步的具体限定可以参见上文中对于船舶碰撞风险检测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
关于每一步的具体限定可以参见上文中对于船舶碰撞风险检测方法的限定，在此不再赘述。
作为一种具体示例，在其中一个实施例中，对本发明船舶碰撞风险检测方法进行进一步验证说明，具体包括：
1、本实施例中选取的AIS数据来自于2011年7月份波罗的海域；
2、对船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列，时间步长为1分钟；
3、针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的航行数据，分别为相对距离，相对速度以及相对航向角；
图2中(xi,yi)表示船舶的位置信息，d表示两艘船只的安全距离,，x表示相遇船舶间的相对距离。船舶应答机所处的位置到安全边界的距离为l，并与d平行。θ为目标船舶i的航行方向与经度的夹角即船舶的航向角。由安全边界的应用可知椭圆的长半轴和为短半轴分别为4L、1.6L，其中L为观测船体的长度。
两船的相对距离为：
船舶1和船舶2的中心位置到安全边界的距离为：
在船舶相遇过程中，两船的相对速度决定了船只间相对距离的变化，船舶航行的相对航向和相对速度与VCRO的关系如下式所示：
相对速度通过两船各自的行驶速度和船头方向计算得出，如图3。其中，θi和θj分别为船舶i和j的航向.
最小碰撞距离(MDTC)被定义为船舶间不同相交角度下避免碰撞的最小安全距离。MDTC越大，船舶所需要规避风险的距离越大。同样，引入CMDTC用于计算船舶轨迹相交角度和碰撞的严重度间的关系，基于傅立叶级数通过数据拟合建立MDTC的表达式，角度适用范围[15°,165°]，n为傅立叶的展开级数，mi为傅立叶展开式的第i级系数，故CMDTC模型如下式所示：
4、选取上述航行数据中的两对船舶相遇过程的航行数据，作为风险评估模型的输入参数，获取该航行过程中的碰撞风险等级；
风险评估模型VCRO具体展开形式如下式所示，其中系数k为固定系数。当船舶航行角度在(-π,0)之间，两船航行趋于远离状态，而角度为正则表示船舶不断靠近。
5、选取上述数据中的两对相遇船舶的航行数据和碰撞风险等级进行对比分析，指出风险评估模型存在的局限性；
选取的两对相遇船舶的具体航行信息如下表1，船舶的航行位置以及航行路线分别如图4和图5所示，圆形标注为起始点，三角形标注轨迹点，“*”标记为终点。两对相遇船舶航行中的航行数据随时间变化如图6和图7所示。
通过对两个相遇情景的相关数据分析可知：在情景1中，当船舶的相对距离小于1海里，相对速度大于15NM/h时，VCRO模型判断风险水平较高。然后船的引航员采取措施将相对航速降低到接近11NM/h，并将船的航向反向，VCRO模型评估的风险水平也随之降低。这说明VCRO模型在这种情况下是合理有效的。在方案2中，采取避碰措施使船舶最接近时的相对速度降低到小于2NM/h，但是VCRO模型判断的风险值却异常大。但是，根据专家系统的实际情况，速度的大幅度降低不应该导致如此高的风险。在情景2中，此时的相对距离接近船舶的安全区域，安全距离趋近于零。因此，VCRO评估的风险值急剧增加，容易误导船员盲目采取防撞措施，浪费资源。
表1船舶航行数据
6、针对上述VCRO模型局限性，提出了关于安全距离的模型。
考虑到相遇船舶间安全距离与风险等级成反比的关系，并且原有风险模型存在靠近安全域相遇情况下安全距离与速度失衡的局限性，本发明提出了关于安全距离的指数模型，如下式所示。
其中，k(v,θ)和m(v,θ)均为与相对速度和相对航向角相关的系数。
7、针对上述提出的指数模型，基于大量历史航行数据对该模型的系数进行求解。
Cl是关于相对距离的指数函数，其系数的求解采用逆向思维的方式，基于大量源于AIS波罗的海域船舶航行数据，解出Cl内部系数k(v,θ)和m(v,θ)，进而得出Cl与(x-lα)的关系。
首先简要概述VCRO模型中提出的两个风险标准，如下式所示：
VCRO(x,lα,v,θ)|x＝6NM＝5
当相遇船舶间的相对距离大于等于6海里时，认为不存在碰撞的可能性，即VCRO值小于5，风险等级低；相反，当相遇船舶间的相对距离与安全域之和在一海里以内时，认为相遇船舶存在很高的碰撞风险，VCRO值大于100，风险等级高。这两个风险标准有其设定的依据，但是并未考虑相对速度和相对航向角的影响。由于Cl模型中的系数k(v,θ)和m(v,θ)与相对速度和相对航向角有关，所以求解系数的过程必须对这两个标准进行修正，修正后的结果如图9所示。
8、为了求解模型系数，首先对历史航行数据中的相对速度进行了聚类，聚类方法为K均值聚类算法。
由于系数k(v,θ)和m(v,θ)与相对速度和相对航向角是二元函数的关系，需要通过控制变量法分别探究。
本研究通过k-means聚类算法对源于AIS数据中的船舶航行速度进行聚类，并通过聚类性能指标DBI求解出最佳聚类数。据了解，DBI值越低，说明聚类效果越好，多次试验后最终确定聚类数为6，多次试验结果如图8所示。下表2为相对速度聚类后的质心。本发明以聚类1的速度为例进行求解说明(v＝v1)。
表2聚类质心
9、根据上述聚类结果并结合VCRO模型，选取某一相对速度，求解该模型系数与航行数据中的相对航向角之间的关系。
结合VCRO模型定义的两个风险标准，通过下式进行修正，得出Cl与相对航向角之间的极坐标关系图，如图9所述。
图9中半径大的曲线表示风险值为5时Cl与相对航向角之间的关系，半径表示Cl的大小。图中的小极坐标图是对圈内小半径曲线的放大，表示风险值为100时Cl与相对航向角之间的关系。
根据图9的结果，建立以下非线性方程组，便可求解出系数k(v＝v1,θ)和m(v＝v1,θ)。
上式中Cl分别代表图9中的大半径和小半径曲线。求解后的系数可以理解为是关于相对航向角的二维数据库，将这些系数应用于Cl模型，即可以得到如图10所示的结果。
图10中Z轴表示Cl，X和Y轴分别表示相对航向角和安全距离(x-lα)。通过图10所示的数据模型，在固定速度的情况下，不同的相对航向角对应不同的k(v＝v1,θ)和m(v＝v1,θ)。
10、结合VCRO模型，选取某一角度，求解该模型系数与航行数据中的相对速度之间的关系。
本步骤的求解需控制另一变量即相对航向角，取连续变化的速度(聚类中速度变化范围[0,4])选取固定角度为θ0＝90°，通过下式求解出Cl与相对速度的对应关系。
与上一步骤类似的求解非线性方程组的方式，通过大量数据的计算得出系数k(v,θ＝θ0)和m(v,θ＝θ0)。求解后的系数可以理解为是关于相对速度的二维数据库，将这些系数应用于Cl模型，结果如图11和图12所示。图11是关于Cl、安全距离(x-lα)以及相对速度v之间的三维模型。图12是从图11纵切面的角度，选取几个特定的速度值，描绘出Cl和安全距离(x-lα)指数函数的关系，并且更具体地体现Cl与v之间的变化关系。
11、基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型：
本发明基于大量的航行数据建立了Cl模型的三维系数数据库，不同的相对速度和不同的相对航向角能够获取不同的k(v,θ)和m(v,θ)，从而建立唯一的Cl关于(x-lα)的指数函数：
式中，k(v,θ)为k(v＝v1,θ)或k(v,θ＝θ0)，m(v,θ)为m(v＝v1,θ)或m(v,θ＝θ0)。
将多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，即可船舶相遇航行过程的碰撞风险等级。
本发明改进的风险评估模型用非线性形式代替了安全距离在原VCRO模型中的线性形式，解决了VCRO模型存在的局限性，能够有效避免由于近安全域风险评估不合理而造成的资源浪费，进一步提高风险评估模型的适用性和合理性。
以上显示和描述了本发明的基本原理、主要特征及优点。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。
Claims (9)
1.一种船舶碰撞风险检测方法，其特征在于，所述方法包括以下步骤：
步骤1，选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
步骤2，对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
步骤3，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
步骤4，从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
步骤5，构建安全距离的指数模型；具体过程包括：
步骤5-1，构建安全距离的指数模型Cl为：
式中，k(v,θ)和m(v,θ)均为与相对速度和相对航向角相关的系数；
步骤5-2，求解所述系数k(v,θ)和m(v,θ)，具体包括：
1、求解与相对航向角相关的系数
(1)对航行数据中的相对速度进行聚类；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
式中，v1为所述聚类后的质心对应的相对速度；
所述两个风险标准分别为：
VCRO(x,lα,v,θ)|x＝6NM＝5
(3)建立非线性方程组：
其中，[θmin,θmax]为预设的角度变化范围；
求解该非线性方程组，获得与相对航向角相关的系数k(v＝v1,θ)和m(v＝v1,θ)；
2、求解与相对速度相关的系数
(1)选取某一相对角度θ0；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
(3)建立非线性方程组：
其中，[vmin,vmax]为预设的速度变化范围；
求解该非线性方程组，获得与相对速度相关的系数k(v,θ＝θ0)和m(v,θ＝θ0)；
步骤6，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
步骤7，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
2.根据权利要求1所述的船舶碰撞风险检测方法，其特征在于，步骤1中所述船舶的航行历史数据包括日期、时间、船舶的航行速度、地理位置，航行方向以及船舶大小。
3.根据权利要求1所述的船舶碰撞风险检测方法，其特征在于，步骤3中所述成对船舶的相对航行数据包括成对船舶间的相对距离、相对速度以及相对航向角。
4.根据权利要求1所述的船舶碰撞风险检测方法，其特征在于，步骤3中所述求取该时刻对应的成对船舶的相对航行数据，具体利用VCRO模型计算。
5.根据权利要求1所述的船舶碰撞风险检测方法，其特征在于，步骤4中所述风险评估模型具体采用VCRO模型：
其中，
式中，(xi,yi)表示船舶的位置信息，L为观测船体的长度，(x-lα)表示两艘船舶之间的安全距离，x表示船舶间的相对距离，lα为船舶的安全域，v表示船舶间的相对速度，k为固定系数，CMDTC表示与相对航向角有关的傅里叶级数展开函数，
mi为傅立叶展开式的第i级系数，n为傅立叶的展开级数，θ为船舶间的相对航向角。
6.根据权利要求5所述的船舶碰撞风险检测方法，其特征在于，步骤6所述基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型为：
式中，k(v,θ)为k(v＝v1,θ)或k(v,θ＝θ0)，m(v,θ)为m(v＝v1,θ)或m(v,θ＝θ0)。
7.基于权利要求1至6任意一项所述的船舶碰撞风险检测方法的检测系统，其特征在于，所述系统包括：
数据采集模块，用于选定需要进行碰撞风险分析的海域，并获取所选海域成对船舶各自的航行历史数据；
数据处理模块，用于对所述船舶航行历史数据进行预处理，将其转换为时间步长固定的数据序列；
数据求取模块，针对所述数据序列中每一个时刻的数据，求取该时刻对应的成对船舶的相对航行数据；
第一风险评估模块，用于从所述相对航行数据中选取多对船舶相遇过程的航行数据，作为风险评估模型的输入参数，初步获取该相遇航行过程的碰撞风险等级；
第一模型构建模块，用于构建安全距离的指数模型；具体过程包括：
步骤5-1，构建安全距离的指数模型Cl为：
式中，k(v,θ)和m(v,θ)均为与相对速度和相对航向角相关的系数；
步骤5-2，求解所述系数k(v,θ)和m(v,θ)，具体包括：
1、求解与相对航向角相关的系数
(1)对航行数据中的相对速度进行聚类；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
式中，v1为所述聚类后的质心对应的相对速度；
所述两个风险标准分别为：
VCRO(x,lα,v,θ)|x＝6NM＝5
(3)建立非线性方程组：
其中，[θmin,θmax]为预设的角度变化范围；
求解该非线性方程组，获得与相对航向角相关的系数k(v＝v1,θ)和m(v＝v1,θ)；
2、求解与相对速度相关的系数
(1)选取某一相对角度θ0；
(2)基于VCRO模型定义的两个风险标准，求解Cl，所用公式为：
(3)建立非线性方程组：
其中，[vmin,vmax]为预设的速度变化范围；
求解该非线性方程组，获得与相对速度相关的系数k(v,θ＝θ0)和m(v,θ＝θ0)；
第二模型构建模块，基于所述风险评估模型和安全距离的指数模型，构建新的风险评估模型；
第二风险评估模块，将所述多对船舶相遇过程的航行数据作为新的风险评估模型的输入参数，获取该相遇航行过程最终的碰撞风险等级。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630001.XA CN111861155B (zh) | 2020-07-03 | 2020-07-03 | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010630001.XA CN111861155B (zh) | 2020-07-03 | 2020-07-03 | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861155A CN111861155A (zh) | 2020-10-30 |
| CN111861155B true CN111861155B (zh) | 2022-09-20 |
Family
ID=73153738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010630001.XA Active CN111861155B (zh) | 2020-07-03 | 2020-07-03 | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861155B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967527B (zh) * | 2021-02-05 | 2022-05-10 | 武汉理工大学 | 一种渡船碰撞风险评估方法、系统、装置及介质 |
| CN113538971A (zh) * | 2021-06-08 | 2021-10-22 | 南京汇海交通科技有限公司 | 一种基于多源异构数据融合的风险船舶检测方法 |
| CN113359587B (zh) * | 2021-06-29 | 2023-02-28 | 国能黄骅港务有限责任公司 | 船舶航向角检测方法、装置及船舶靠泊报警系统 |
| CN115657685B (zh) * | 2022-12-12 | 2023-05-12 | 中国南方电网有限责任公司超高压输电公司广州局 | 水上避障方法、装置、计算机设备和存储介质 |
| CN117542227B (zh) * | 2024-01-09 | 2024-03-15 | 中华人民共和国连云港海事局后勤管理中心 | 基于雷达、ais采集定位的海上施工船舶安防系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
| CN110322731A (zh) * | 2019-06-20 | 2019-10-11 | 武汉理工大学 | 一种船舶会遇助航预警方法 |
| CN110889221A (zh) * | 2019-11-22 | 2020-03-17 | 武汉理工大学 | 基于非欧保形变换的船舶避碰模型的建立方法 |
| CN110956853A (zh) * | 2019-11-12 | 2020-04-03 | 武汉理工大学 | 一种多船碰撞预测方法、系统和存储介质 |
-
2020
- 2020-07-03 CN CN202010630001.XA patent/CN111861155B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
| CN110322731A (zh) * | 2019-06-20 | 2019-10-11 | 武汉理工大学 | 一种船舶会遇助航预警方法 |
| CN110956853A (zh) * | 2019-11-12 | 2020-04-03 | 武汉理工大学 | 一种多船碰撞预测方法、系统和存储介质 |
| CN110889221A (zh) * | 2019-11-22 | 2020-03-17 | 武汉理工大学 | 基于非欧保形变换的船舶避碰模型的建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861155A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861155B (zh) | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 | |
| CN111694365B (zh) | 一种基于深度强化学习的无人船艇编队路径跟踪方法 | |
| CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
| CN111536962B (zh) | 智能船舶的航线规划方法及装置、存储介质、计算机设备 | |
| CN110444046B (zh) | 一种受限水域非冲突会遇船舶集群态势分析方法 | |
| Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
| CN111723632B (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| Wang et al. | Local path optimization method for unmanned ship based on particle swarm acceleration calculation and dynamic optimal control | |
| CN111815120A (zh) | 水上交通风险评估方法、装置、计算机设备和存储介质 | |
| He et al. | Dynamic adaptive intelligent navigation decision making method for multi-object situation in open water | |
| CN111400864A (zh) | 一种基于前景理论的船舶避碰决策优化方法 | |
| Zhang et al. | A object detection and tracking method for security in intelligence of unmanned surface vehicles | |
| CN111665846A (zh) | 一种基于快速扫描法的水面无人艇路径规划方法 | |
| Perera et al. | Possible COLREGs failures under digital helmsman of autonomous ships | |
| Zhao et al. | Decision-making for the autonomous navigation of USVs based on deep reinforcement learning under IALA maritime buoyage system | |
| Vagale et al. | Evaluation of path planning algorithms of autonomous surface vehicles based on safety and collision risk assessment | |
| CN104504934A (zh) | 一种航海交通管制方法 | |
| CN104504935A (zh) | 航海交通管制方法 | |
| Chen et al. | Decision support based on artificial fish swarm for ship collision avoidance from AIS data | |
| Olindersson et al. | Developing a maritime safety index using fuzzy logics | |
| CN110414042B (zh) | 一种冲突会遇局面下船舶集群态势分析方法 | |
| Higaki et al. | Human-like route planning for automatic collision avoidance using generative adversarial imitation learning | |
| Dinh et al. | A study on the construction of stage discrimination model and consecutive waypoints generation method for ship’s automatic avoiding action | |
| Chen et al. | Pattern knowledge discovery of ship collision avoidance based on AIS data analysis | |
| Yasukawa et al. | Simulation study of the effect of loading condition changes on the maneuverability of a container ship |
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 |