CN112613664A - 基于水上交通事故风险预测与评估的预警方法和系统 - Google Patents

基于水上交通事故风险预测与评估的预警方法和系统 Download PDF

Info

Publication number
CN112613664A
CN112613664A CN202011560659.4A CN202011560659A CN112613664A CN 112613664 A CN112613664 A CN 112613664A CN 202011560659 A CN202011560659 A CN 202011560659A CN 112613664 A CN112613664 A CN 112613664A
Authority
CN
China
Prior art keywords
risk
accident
water traffic
traffic accident
fuzzy
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.)
Granted
Application number
CN202011560659.4A
Other languages
English (en)
Other versions
CN112613664B (zh
Inventor
谢磊
赵建伟
查天奇
吴兵
常吉亮
杨洋
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011560659.4A priority Critical patent/CN112613664B/zh
Publication of CN112613664A publication Critical patent/CN112613664A/zh
Application granted granted Critical
Publication of CN112613664B publication Critical patent/CN112613664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于水上交通事故风险预测与评估的预警方法和系统，方法包括以下步骤：获取事故案例样本数据集；基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；建立水上交通事故风险影响因素的模糊解释结构模型；利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。本发明可以提升预警的准确性，可以广泛应用于水上交通技术。

Description

基于水上交通事故风险预测与评估的预警方法和系统
技术领域
本发明涉及水上交通技术，尤其是一种基于水上交通事故风险预测与评估的预警方法和系统。
背景技术
随着水路运输业的快速发展，海上交通变得越来越繁忙与复杂。通过对近年来我国水上交通事故的综合分析，特别是对我国水域通航环境情况、水上交通事故数据及主要类型进行统计分析,可以发现影响水上交通安全的主要风险包括人为因素、环境情况、船舶设备状况以及安全管理状况等四个方面。以往的研究旨在建立类似“人-船-环境-管理”四维空间的水上交通风险特征向量描述体系，但主要采用专家评价法得出各种水域的通航环境状况风险等级，存在较大主观性，对反应了通航环境的船舶交通流数据使用有限。因此，在众多定性和定量数据共存的情况下，如何确定风险因素间的作用以及对事故风险的影响，对水上交通安全保障具有重要意义。
相关技术利用贝叶斯网络实施风险评估，但是模型的准确度有待提升，不准确的预测结果，导致错误预警的发生，对水上交通调度造成决策影响，降低了航道的运作效率。
发明内容
为解决上述技术问题的至少之一，本发明的目的在于：提供一种基于水上交通事故风险预测与评估的预警方法和系统，提升预警的准确性。
第一方面，本发明实施例提供了：
一种基于水上交通事故风险预测与评估的预警方法，包括以下步骤：
获取事故案例样本数据集；
基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；
建立水上交通事故风险影响因素的模糊解释结构模型；
利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；
根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；
基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
在部分实施例中，所述获取事故案例样本数据集，包括：
对水域的水上交通事故调查报告进行统计分析，提取风险因素，构建事故案例样本数据集。
在部分实施例中，所述风险因素包括船员状况、船舶设备状况、环境情况与管理状况。
在部分实施例中，所述基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素，包括：
S201、将事故案例样本数据用矩阵形式Xn×p表示；
Figure BDA0002859294750000021
其中，每行表示每个事故案例中的各影响因素指标，每列表示各影响因素指标的得分；
S202、对原始各指标数据进行标准化处理并构建标准化矩阵Z；
Figure BDA0002859294750000022
其中，
Figure BDA0002859294750000023
表示第j列原始各指标数据中的平均值，
Figure BDA0002859294750000024
表示第j列原始各指标数据的标准差值；
S203、计算样本相关系数矩阵R；
Figure BDA0002859294750000025
式中
Figure BDA0002859294750000026
Figure BDA0002859294750000027
S204、求出所述样本相关系数矩阵R的特征值(λ1,λ2…λp)与特征向量ai＝(ai1,ai2,…aip),i＝1,2…p，计算每个主成分的信息贡献率和累积贡献率；
Figure BDA0002859294750000028
bj表示每个主成分yj的信息贡献率；
Figure BDA0002859294750000029
表示为主成分y1,y2,…,yp的累积贡献率；
S205、计算旋转成分矩阵，比较多个旋转主成分中各指标因素系数大小，选出其中系数最大的因素，作为水上交通事故风险的关键影响因素。
在部分实施例中，所述建立水上交通事故风险影响因素的模糊解释结构模型，包括：
S301、构建水上交通事故风险关键影响因素指标与事故类型集合；
S302、对收集到的事故案例进行统计分析，对在事故发生过程中毫无关联的因素之间赋值为0，当在事故发生的过程中风险因素Fi与Fj之间发生了关联则aij＝aij+1，得到关联数据矩阵AF；AF＝(aij)n×n，其中aij为第i行第j列元素；
S303、利用隶属度函数对得到的关联数据矩阵进行计算得到模糊关联矩阵B，bij＝aij/(aik+akj-aij)，其中bij∈[0,1]且bij∈R，采用布尔运算式将B中元素值抽象为0，1的关系，计算得出模糊邻接矩阵C；
其中，模糊邻接矩阵C中元素
Figure BDA0002859294750000031
式中μ表示矩阵B中元素的一个可变阈值；
S304、采用布尔代数运算法则求取模糊可达矩阵D；
(C+E)α＝Cα+…+C2+C+E,当α取一定值时有：
D＝|dij|n*n＝(A+E)α-1＝(A+E)α＝(A+E)α+1，其中，E为单位阵；
S305、根据所得模糊可达矩阵，建立水上交通事故风险影响因素的模糊解释结构模型。
在部分实施例中，所述利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果，包括：
S401、获取一段时间内每一时刻的通航环境状态参数，并根据获取的通航环境状态参数确定每一时刻的水上交通风险等级；
S402、确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分通航环境状态；
S403、按照设定的时间间隔对通航环境状态参数进行数据抽取，以得到训练样本集对GRU网络进行训练；
S404、利用训练好的GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果。
在部分实施例中，所述根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果，包括：
S501、根据所述模糊解释结构模型构建相应的贝叶斯网络模型；
S502、利用事故案例样本数据集对贝叶斯网络模型进行训练；
S503、利用训练后的贝叶斯网络模型的正向推理对水上交通事故风险概率进行预测，得到事故风险影响因素评估结果。
第二方面，本发明实施例提供了：
一种基于水上交通事故风险预测与评估的预警系统，包括：
事故数据导入模块，用于获取事故案例样本数据集；
主成分分析模块，用于基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；
模型构建模块，用于建立水上交通事故风险影响因素的模糊解释结构模型；
风险等级评估模块，用于利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；
模型训练模块，用于根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；
预警模块，用于基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
在部分实施例中，所述获取事故案例样本数据集，包括：
对水域的水上交通事故调查报告进行统计分析，提取风险因素，构建事故案例样本数据集。
在部分实施例中，所述风险因素包括船员状况、船舶设备状况、环境情况与管理状况。
本发明实施例的有益效果是：本方案结合贝叶斯网络模型和GRU神经网络模型对水上交通故事的风险进行评估，并以此进行预警，可以提升航道管理决策信息的准确性，提升航道的运作效率。
附图说明
图1是本发明实施例的一种基于水上交通事故风险预测与评估的预警方法流程图；
图2是本发明实施例的水上交通事故风险评价指标体系图；
图3是本发明实施例的水上交通事故风险评价指标的解释结构模型图；
图4是本发明实施例的GRU网络单元的结构示意图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
参照图1，本实施例公开一种基于水上交通事故风险预测与评估的预警方法，包括以下步骤：
S100、获取事故案例样本数据集。
具体地，本步骤对搜集的水上交通历史事故调查报告进行统计分析并对风险因素相关数据进行预处理，构建事故案例样本数据集。具体可以用步骤S101～S102表示：
S101、收集国内外相关水域发生的事故调查报告，分别从船员状况、船舶设备状况、环境情况与管理状况四个方面着手梳理构成水上交通事故风险的影响因素数据并建立原始事故数据库；影响因素包括船员设备使用不规范、瞭望不当、协调能力、分心注意力不足等船员因素，应急换舵失灵、主机失控、船体外壳磨损、电力电缆老化、发电机故障等船舶设备因素，雨雾及能见度、航道宽度、通航流量密度、海流等环境因素，设备检修和维护、业务能力培训、安全意识培训和应急方案等管理因素。
S102、对步骤S101内的原始数据进行标准化处理，构建事故案例样本数据集；标准化处理包括属性分类过滤、定性属性量化处理以及定量属性归一化处理，其中，属性过滤分类具体为：将原始数据库内的不相关属性如船舶航行时间、IMO号和呼号等进行删除，将过滤后的相关属性按照定性和定量进行分类；定性属性量化处理具体为：用统计学当中的自适应分区间法将定性属性转化为几个值域区间对等的离散变量；定量属性归一化处理具体为：先将各属性的取值范围放缩到一定大小的区间，利用定量化数据库中相关属性的数据减去各属性的均值，然后除以原取值范围作为样本数据的取值范围，得到事故案例样本数据集。
S200、基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素。
具体地，步骤S200包括：
S201、将所获取到的样本事故案例数据用矩阵形式Xn×p表示，
Figure BDA0002859294750000051
其中每行表示每个案例事故中各影响因素指标，每列表示各影响因素指标得分；
本实施例中先对船员状况相关的15种船员因素(如表1所示)提取主成分。
表1船员因素
Figure BDA0002859294750000052
Figure BDA0002859294750000061
因此构建的矩阵为X100×15,根据事故发生过程中的某一环节涉及到船员风险因素Pi，则风险因素Pi得分增加1，设ui为风险因素Pi的最终得分，us为船员风险因素的总得分，
Figure BDA0002859294750000062
对每种船员风险因素得分进行平均分配，
Figure BDA0002859294750000063
表示风险因素Pi在船员风险因素中所占的重要程度比例，将uiα值作为矩阵X中每个风险因素的元素值，uia值对应的重要程度如表2所示：
表2 uia的取值范围
Figure BDA0002859294750000064
S202、对原始各指标数据进行标准化处理并构建标准化矩阵Z，具体为：对原始矩阵X中各元素采用均值标准差方法，
Figure BDA0002859294750000071
式中：
Figure BDA0002859294750000072
分别表示为第j列原始各指标数据中的平均值和标准差值，得到的标准化矩阵，
Figure BDA0002859294750000073
S203、计算样本相关系数矩阵R，具体为：对标准化矩阵Z中的各元素之间进行相关性处理，公式为
Figure BDA0002859294750000074
得到的两个因素的相关系数rij越接近于1，则这两个因素的相关性越强。
S204、计算解释的总方差和确定主成分,具体为：用雅克比方法求出上述样本相关系数矩阵R的特征值(λ1,λ2…λp)与特征向量ai＝(ai1,ai2,…aip),i＝1,2…p，计算每个主成分的信息贡献率和累积贡献率；
Figure BDA0002859294750000075
为每个主成分yj的信息贡献率；
Figure BDA0002859294750000076
为主成分y1,y2,…,yp的累积贡献率，主成分个数的选取主要根据主成分的累积贡献率和特征值来决定，一般选取累计贡献率达到85％或特征值大于1的主成分。
表3解释的总方差
Figure BDA0002859294750000077
Figure BDA0002859294750000081
S205、关键影响因素筛选，具体为：通过SPSS软件输出旋转成分矩阵，比较几个旋转主成分中各指标因素系数大小，选出系数最大的因素即为水上交通事故风险的关键影响因素。根据采用方差最大法对因素载荷矩阵进行旋转处理后所得的旋转成份矩阵表可知，在主成分1处P4和P5得分最高，在主成分2处P6、P8、P9得分最高，在主成分3处P5、P10、P13得分最高，在主成分4处P1、P14得分最高，在主成分5处P11、P12得分最高。P4和P5可以归类为船员自身的操作失误，同理可将P6、P8、P9归类为业务技能差，P5、P10、P13归类为安全文化意识欠缺，P1、P14归类为船员身体状态差，P11、P12归类为船员经验不足。通过上述主成分分析，筛选出水上交通事故风险船员相关的关键影响因素。
表4旋转成份矩阵
成份
1 2 3 4 5
VAR00001 0.422 0.387 -0.370 0.935 -0.278
VAR00002 0.031 -0.058 0.002 0.027 0.311
VAR00003 -0.393 -0.022 -0.081 -0.256 0.098
VAR00004 0.727 -0.090 0.015 0.497 0.194
VAR00005 0.678 0.463 0.797 0.529 0.112
VAR00006 -0.333 0.899 -0.219 0.365 -0.276
VAR00007 0.368 -0.015 0.193 0.208 -0.023
VAR00008 -0.106 0.889 0.130 0.074 -0.039
VAR00009 -0.511 0.858 0.331 -0.168 0.308
VAR00010 0.572 -0.565 0.756 0.045 0.333
VAR00011 0.542 -0.382 0.420 -0.102 0.736
VAR00012 0.277 0.510 0.573 0.060 0.719
VAR00013 -0.017 0.041 0.899 0.000 -0.079
VAR00014 0.377 0.226 0.285 0.878 0.260
S300、建立水上交通事故风险影响因素的模糊解释结构模型。
步骤S300具体包括：
S301、构建水上交通事故风险关键影响因素指标与事故类型集合，按如上步骤S201～S205可得到主成分分析后的船员状况、船舶设备状况、环境情况及管理状况相关的水上交通事故风险评价指标体系和14个关键影响因素指标集合，参见附图2，关键影响因素指标集合具体如表5所示。
表5水上交通事故风险关键影响因素指标
一级指标 二级指标 三级指标
操作失误S1 P4、P5
业务技能差S2 P6、P9、P8
船员风险因素评价指标 安全文化意识欠缺S3 P5、P10、P13
身体精神状态差S4 P1、P14
经验不足S5 P11、P12
设备故障S6 V1、V4
船舶设备风险因素评价指标 设备性能S7 V6、V10
设备老化S8 V11、V13
气象环境恶劣S9 E1、E3
环境风险因素评价指标 水文环境恶劣S10 E2、E4
通航环境恶劣S11 E8、E6、E12
管理制度不完善S12 M2、M5
管理风险因素评价指标 员工培训不足S13 M3、M4
运营安全投入不足S14 M1、M9
碰撞C1
搁浅C2
水上交通风险类型 自沉C3
火灾C4
S302、对收集到的较为完整的事故案例进行统计分析，具体为：当在事故发生过程中风险因素Fi与Fj之间毫无关联，则aij＝0，当在事故发生的过程中风险因素Fi与Fj之间发生了关联则aij＝aij+1，得到关联数据矩阵AF；AF＝(aij)n×n，其中aij为第i行第j列元素。
S303、利用隶属度函数对上述得到的关联数据矩阵进行计算得到模糊关联矩阵B，具体为：利用隶属度函数公式bij＝aij/(aik+akj-aij)，其中bij∈[0,1]且bij∈R，采用布尔运算式将B中元素值抽象为0，1的关系，计算得出模糊邻接矩阵C；具体的方式是选择一个适合的阈值μ，根据公式
Figure BDA0002859294750000101
将元素抽象为0，1的关系。
S304、采用布尔代数运算法则求取模糊可达矩阵D，具体为：建立模糊可达矩阵，对邻接矩阵C进行计算分析得到模糊可达矩阵。
S305、根据上述所得模糊可达矩阵，建立水上交通事故风险影响因素的模糊解释结构模型，具体为：根据以上运算求出的模糊可达矩阵，建立水上交通事故风险影响因素的结构层级图。对各个因素进行分级，最终将所有元素分为5个层次：
L1＝{S4、S9、S10、S12},L2＝{S11、S13、S14},L3＝{S2、S3、S5、S7、S8},L4＝{S1、S6}，L5＝{C1、C2、C3、C4}。进一步由所得的层次结果得到水上交通事故风险影响因素的结构模型，参见附图3。图3中的14个影响因素与四种事故类型自下而上形成了不同的影响传递链，按照在影响传递链中所处的位置不同，可以将14个影响因素分为目标指标层(C1、C2、C3、C4)、最终影响因素指标层(S1、S6)、根源影响因素指标层(S4、S9、S10、S12)和中间影响因素指标层(S11、S13、S14、S2、S3、S5、S7、S8)。根源影响有四个，就是身体精神状态、气象环境、水文环境，管理制度不完善这些指标决定了船员自身状况、环境情况和管理状况等关键指标；最终影响因素指标层的两个指标受到下层指标影响，中间影响因素指标层是根源影响因素指标层向最终影响因素指标层传递的中间环节，它们既可以通过上层过程影响间接对最终因素指标层产生影响，也可以直接对最终因素指标层产生影响。综上所述即可构建水上交通事故风险的关键影响指标体系。
S400、利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果。步骤S400具体包括：
S401、在AIS系统中获取一段时间内每一时刻船舶动态行为的特征参量数据，包括船舶对地速度(SOG)、对地航向(COG)、和经、纬度位置，对所述数据进行预处理操作，通过以下公式得到速度分散、加减速程度、模糊的船舶领域重叠数量三个通航环境状态参数，通过预设的时间间隔来获取每个时间段内的通航环境状态参数，该时间间隔根据实际需要进行设置，一般每个5s获取一次数据。具体为：
根据二维空间的欧式距离公式可求得每条船只的时间平均速度：
Figure BDA0002859294750000102
式中
Figure BDA0002859294750000111
表示船i在时间T时的经度和纬度坐标，在获得各个航段的所有船舶的时间平均速度
Figure BDA0002859294750000112
后，可以相应地计算各个航段的速度分散；Ti,min表示船只i驶入某航段水域的初始时刻，Ti,max表示船只i驶出该航段水域的最终时刻。
Figure BDA0002859294750000113
式中
Figure BDA0002859294750000114
表示在Tj-1时刻船i在k区域的加速或减速值，
Figure BDA0002859294750000115
表示加减速程度，Ji,k表示k区域中船i的记录数。
模糊四元船舶领域模型的参数由四个方向半径决定,方向半径分为：Rfore,Raft,Rstarb,Rport；其中,Rfore,Raft分别为四元船舶领域前向半径、后向半径；Rstarb,Rport分别为四元船舶领域右舷侧半径和左舷侧半径；L为船长，v代表船舶的速度，可根据如下公式估计模糊四元船舶领域半径：
Figure BDA0002859294750000116
船域模型边界方程为：
Figure BDA0002859294750000117
其中，
Figure BDA0002859294750000118
表示符号函数。
S402、确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分通航环境状态，具体为：由于船舶实际航行中受通航环境的影响，速度、航向和位置等参数指标的变化较大，因此在选择通航环境风险状态参数需要考虑这些因素。通过分析，将速度、航向和位置作为CLIQUE聚类的输入特征参量进行通航环境风险状态划分，CLIQUE算法是基于网格的空间聚类算法，但它同时也非常好的结合了基于密度的聚类算法，因此既能够发现任意形状的簇，又可以像基于网格的算法一样处理较大的多维数据。CLIQUE聚类算法在分析多维数据时一般按照以下两个步骤进行：
(1)对n维空间进行网格划分并识别密集、稀疏网格。
假设D＝{x1,x2,…,xn}为n维有界空间，将单个维度进行K等分，从而将整体有界空间分割成Kn个类矩形单元格U＝{u1,u2,…,un}，其中ui＝[pi,qi]为xi上的一个分割区间。遍历所有数据项，统计划分网格的密度值，对于固定的密度阈值τ，当网格密度大于τ时，认为该网格是密集的，否则为稀疏网格。
(2)合并连通的密集网格、识别聚类。
随机抽取一个未标记的密集网格，扫描剩余的未标记的密集网格，搜索与该单元格邻接的网格并对其进行标记，直到所有连通网格全部搜索完毕。然后判断是否存在未标记的密集网格，若存在则重复上述步骤，若不存在则判别此连通网格，识别聚类。
利用模糊熵算法确定最佳聚类个数：计算出聚类数目分别为3～5小时的平均模糊熵。这里将平均模糊熵值最小值的聚类数目视为最佳聚类个数，此时的通航环境风险状态划分效果最好。
S403、以所述选取的时间间隔对通航环境状态参数进行数据抽取，以得到训练样本集对GRU网络进行训练，并将带有水上交通风险等级标签的样本集作为测试样本集对GRU神经网络模型进行测试，具体为：
GRU神经网络模型通过门递归长短期记忆模块更新数据，一个门递归长短期记忆模块由更新门和重置门构成，具体单元的模型如图4所示。更新数据主要步骤如下：
rt＝σ(Wr·[ht-1,xt]) (1)
zt＝σ(Wz·[ht-1,xt]) (2)
Figure BDA0002859294750000121
Figure BDA0002859294750000122
yt＝σ(Wo·ht) (5)
式中rt是当前时刻的船舶通航环境状态，其值决定了候选状态
Figure BDA0002859294750000123
对上一时刻通航环境风险状态rt-1的依赖程度，候选状态
Figure BDA0002859294750000124
的计算公式如式(3)，zt表示的是保留多少历史状态ht-1以及保留多少当前时刻的候选状态
Figure BDA0002859294750000125
的当前时刻的输出。ht是当前时刻网络的输出状态，yt是输出状态ht经输出门的最终输出值。对于通航环境风险状态等级评估的GRU网络来说，首先输入的是引起通航环境风险状态相关的三个指标因素及其参数值，通过网络中的重置门神经元权重矩阵Wr和sigmoid激活函数σ对上一时刻的记忆状态和通航环境输入状态进行重置，得到当前时刻通航环境状态rt；更新门决定如何保留之前的通航环境记忆状态以及如何将更新的通航环境状态变化传至下一状态，主要通过重置门神经元权重矩阵Wz和sigmoid激活函数σ对上一时刻的记忆状态和通航环境输入状态进行保留和更新。当前时刻通航环境候选状态
Figure BDA0002859294750000131
是通过记忆门神经元权重矩阵
Figure BDA0002859294750000132
和tanh激活函数来记忆当前通航环境状态、历史状态和输入状态的。最后输出的是当前时刻网络的输出状态ht，该状态即为判定通航环境风险最终风险等级的状态。
S404、利用训练好的GRU神经网络模型对所述水上交通通航环境状态进行预测和风险等级评估，具体为：
获取用于通航环境状态匹配的所需船舶特征参量数据，进行数据预处理后输入到随机森林分类模型得到分类结果，根据分类结果将所述实时通航环境状态特征参量数据映射到对应的风险状态中、进行动态风险状态匹配；
根据动态风险状态匹配结果获取相应风险状态的GRU神经网络评估模型对实时样本数据的预测值，计算AIS系统的监测值与模型预测值之间的误差。然后采用MFE函数方法来避免预测误差过大而影响之后的分析，最后通过变权评估方法对各评估指标参量的预测误进行加权分析，得到通航环境状态风险指数，根据风险度指数评估水上交通风险的等级。
所述预测误差采用平均绝对百分比误差表示，计算公式如下：
Figure BDA0002859294750000133
式中：et为t时刻的平均绝对百分比误差，st′为t时刻的通航环境状态预测值，st为t时刻实际通航环境状态：
所述采用变权评估方法对各指标参量的预测误差进行加权分析，具体计算公式如下：
Figure BDA0002859294750000134
式中：R(t)为通航环境状态在t时刻的风险指数，ωi(t)为第i个指标参量在t时刻的权重，n为评估指标的数量，hi(t)为第i个指标参量在一个时间维度内的误差均值，m为时间维度的长度。
S500、根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果。
步骤S500包括：
S501、根据步骤S300得到的水上交通事故风险影响因素的模糊解释结构模型构建相应的贝叶斯网络模型,具体为：把解释结构模型当中的目标指标层、最终影响因素指标层、根源影响因素指标层和中间影响因素指标层分别对应作为贝叶斯网络模型中的目标节点、子节点、中间节点和根节点，规定节点值域为0或1，其中，用1表示事故发生过程中出现了该因素，用0表示事故发生过程中未出现该因素。
S502、利用事故案例样本数据集对贝叶斯网络模型进行训练,具体为：在构建好的初始贝叶斯网络模型上，导入一部分事故案例样本数据集对网络模型开展自学习，通过样本学习不断迭代更新所述条件概率表；使用另一部分数据集，根据所述训练后的初始贝叶斯网络模型的预测和诊断的准确率，继续训练所述训练后的贝叶斯网络模型，得到所述贝叶斯网络模型。S503.利用所述训练后的贝叶斯网络模型的正向推理对水上交通事故风险概率进行预测，利用所述训练后的贝叶斯网络模型的反向推理对水上交通事故风险影响因素进行评估，具体为：使用训练后的贝叶斯网络得到各节点的后验概率，通过观察事故节点的离散取值概率即可预测事故风险大小；将事故节点取值为发生的概率值置为100％，观察比较各风险因素指标离散取值概率的变化即可评估事故风险关键影响因素指标。
S600、基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
预警包括显示风险指数和主要的风险因素，给出参考建议等。
本实施例公开了一种基于水上交通事故风险预测与评估的预警系统，包括：
事故数据导入模块，用于获取事故案例样本数据集；
主成分分析模块，用于基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；
模型构建模块，用于建立水上交通事故风险影响因素的模糊解释结构模型；
风险等级评估模块，用于利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；
模型训练模块，用于根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；
预警模块，用于基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
在部分实施例中，所述获取事故案例样本数据集，包括：
对水域的水上交通事故调查报告进行统计分析，提取风险因素，构建事故案例样本数据集。
在部分实施例中，所述风险因素包括船员状况、船舶设备状况、环境情况与管理状况。
在部分实施例中，所述基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素，包括：
S201、将事故案例样本数据用矩阵形式Xn×p表示；
Figure BDA0002859294750000151
其中，每行表示每个事故案例中的各影响因素指标，每列表示各影响因素指标的得分；
S202、对原始各指标数据进行标准化处理并构建标准化矩阵Z；
Figure BDA0002859294750000152
其中，
Figure BDA0002859294750000153
表示第j列原始各指标数据中的平均值，
Figure BDA0002859294750000154
表示第j列原始各指标数据的标准差值；
S203、计算样本相关系数矩阵R；
Figure BDA0002859294750000155
式中
Figure BDA0002859294750000156
Figure BDA0002859294750000157
S204、求出所述样本相关系数矩阵R的特征值(λ1,λ2…λp)与特征向量ai＝(ai1,ai2,…aip),i＝1,2…p，计算每个主成分的信息贡献率和累积贡献率；
Figure BDA0002859294750000158
bj表示每个主成分yj的信息贡献率；
Figure BDA0002859294750000159
表示为主成分y1,y2,…,yp的累积贡献率；
S205、计算旋转成分矩阵，比较多个旋转主成分中各指标因素系数大小，选出其中系数最大的因素，作为水上交通事故风险的关键影响因素。
在部分实施例中，所述建立水上交通事故风险影响因素的模糊解释结构模型，包括：
S301、构建水上交通事故风险关键影响因素指标与事故类型集合；
S302、对收集到的事故案例进行统计分析，对在事故发生过程中毫无关联的因素之间赋值为0，当在事故发生的过程中风险因素Fi与Fj之间发生了关联则aij＝aij+1，得到关联数据矩阵AF；AF＝(aij)n×n，其中aij为第i行第j列元素；
S303、利用隶属度函数对得到的关联数据矩阵进行计算得到模糊关联矩阵B，bij＝aij/(aik+akj-aij)，其中bij∈[0,1]且bij∈R，采用布尔运算式将B中元素值抽象为0，1的关系，计算得出模糊邻接矩阵C；
其中，模糊邻接矩阵C中元素
Figure BDA0002859294750000161
式中μ表示矩阵B中元素的一个可变阈值；
S304、采用布尔代数运算法则求取模糊可达矩阵D；
(C+E)α＝Cα+…+C2+C+E,当α取一定值时有：
D＝|dij|n*n＝(A+E)α-1＝(A+E)α＝(A+E)α+1，其中，E为单位阵；
S305、根据所得模糊可达矩阵，建立水上交通事故风险影响因素的模糊解释结构模型。
在部分实施例中，所述利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果，包括：
S401、获取一段时间内每一时刻的通航环境状态参数，并根据获取的通航环境状态参数确定每一时刻的水上交通风险等级；
S402、确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分通航环境状态；
S403、按照设定的时间间隔对通航环境状态参数进行数据抽取，以得到训练样本集对GRU网络进行训练；
S404、利用训练好的GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果。
在部分实施例中，所述根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果，包括：
S501、根据所述模糊解释结构模型构建相应的贝叶斯网络模型；
S502、利用事故案例样本数据集对贝叶斯网络模型进行训练；
S503、利用训练后的贝叶斯网络模型的正向推理对水上交通事故风险概率进行预测，得到事故风险影响因素评估结果。
可以理解的是，基于上述的算法、模型和技术特征的结合，可以提升风险预警的性能，减少错误预警的情况，提高决策信息的质量，使航道的运作效率提升。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于水上交通事故风险预测与评估的预警方法，其特征在于，包括以下步骤：
获取事故案例样本数据集；
基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；
建立水上交通事故风险影响因素的模糊解释结构模型；
利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；
根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；
基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
2.根据权利要求1所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述获取事故案例样本数据集，包括：
对水域的水上交通事故调查报告进行统计分析，提取风险因素，构建事故案例样本数据集。
3.根据权利要求2所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述风险因素包括船员状况、船舶设备状况、环境情况与管理状况。
4.根据权利要求1所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素，包括：
S201、将事故案例样本数据用矩阵形式Xn×p表示；
Figure FDA0002859294740000011
其中，每行表示每个事故案例中的各影响因素指标，每列表示各影响因素指标的得分；
S202、对原始各指标数据进行标准化处理并构建标准化矩阵Z；
Figure FDA0002859294740000012
其中，
Figure FDA0002859294740000013
Figure FDA0002859294740000014
表示第j列原始各指标数据中的平均值，
Figure FDA0002859294740000021
表示第j列原始各指标数据的标准差值；
S203、计算样本相关系数矩阵R；
Figure FDA0002859294740000022
式中
Figure FDA0002859294740000023
Figure FDA0002859294740000024
S204、求出所述样本相关系数矩阵R的特征值(λ1,λ2…λp)与特征向量ai＝(ai1,ai2,…aip),i＝1,2…p，计算每个主成分的信息贡献率和累积贡献率；
Figure FDA0002859294740000025
bj表示每个主成分yj的信息贡献率；
Figure FDA0002859294740000026
表示为主成分y1,y2,…,yp的累积贡献率；
S205、计算旋转成分矩阵，比较多个旋转主成分中各指标因素系数大小，选出其中系数最大的因素，作为水上交通事故风险的关键影响因素。
5.根据权利要求1所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述建立水上交通事故风险影响因素的模糊解释结构模型，包括：
S301、构建水上交通事故风险关键影响因素指标与事故类型集合；
S302、对收集到的事故案例进行统计分析，对在事故发生过程中毫无关联的因素之间赋值为0，当在事故发生的过程中风险因素Fi与Fj之间发生了关联则aij＝aij+1，得到关联数据矩阵AF；AF＝(aij)n×n，其中aij为第i行第j列元素；
S303、利用隶属度函数对得到的关联数据矩阵进行计算得到模糊关联矩阵B，bij＝aij/(aik+akj-aij)，其中bij∈[0,1]且bij∈R，采用布尔运算式将B中元素值抽象为0，1的关系，计算得出模糊邻接矩阵C；
其中，模糊邻接矩阵C中元素
Figure FDA0002859294740000027
式中μ表示矩阵B中元素的一个可变阈值；
S304、采用布尔代数运算法则求取模糊可达矩阵D；
(C+E)α＝Cα+…+C2+C+E,当α取一定值时有：
D＝|dij|n*n＝(A+E)α-1＝(A+E)α＝(A+E)α+1，其中，E为单位阵；
S305、根据所得模糊可达矩阵，建立水上交通事故风险影响因素的模糊解释结构模型。
6.根据权利要求1所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果，包括：
S401、获取一段时间内每一时刻的通航环境状态参数，并根据获取的通航环境状态参数确定每一时刻的水上交通风险等级；
S402、确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分通航环境状态；
S403、按照设定的时间间隔对通航环境状态参数进行数据抽取，以得到训练样本集对GRU网络进行训练；
S404、利用训练好的GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果。
7.根据权利要求1所述的基于水上交通事故风险预测与评估的预警方法，其特征在于，所述根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果，包括：
S501、根据所述模糊解释结构模型构建相应的贝叶斯网络模型；
S502、利用事故案例样本数据集对贝叶斯网络模型进行训练；
S503、利用训练后的贝叶斯网络模型的正向推理对水上交通事故风险概率进行预测，得到事故风险影响因素评估结果。
8.一种基于水上交通事故风险预测与评估的预警系统，其特征在于，包括：
事故数据导入模块，用于获取事故案例样本数据集；
主成分分析模块，用于基于主成分分析法对所述事故样本数据集进行分析，确定水上交通事故的风险关键影响因素；
模型构建模块，用于建立水上交通事故风险影响因素的模糊解释结构模型；
风险等级评估模块，用于利用GRU神经网络模型对水上交通通航环境状况进行实时动态风险预测，得到风险等级评估结果；
模型训练模块，用于根据所述模糊解释结构模型构建水上交通事故风险的贝叶斯网络模型，对事故风险影响因素进行评估，得到事故风险影响因素评估结果；
预警模块，用于基于所述风险等级评估结果和所述事故风险影响因素进行评估结果进行预警。
9.根据权利要求8所述的基于水上交通事故风险预测与评估的预警系统，其特征在于，所述获取事故案例样本数据集，包括：
对水域的水上交通事故调查报告进行统计分析，提取风险因素，构建事故案例样本数据集。
10.根据权利要求9所述的基于水上交通事故风险预测与评估的预警系统，其特征在于，所述风险因素包括船员状况、船舶设备状况、环境情况与管理状况。
CN202011560659.4A 2020-12-25 2020-12-25 基于水上交通事故风险预测与评估的预警方法和系统 Active CN112613664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011560659.4A CN112613664B (zh) 2020-12-25 2020-12-25 基于水上交通事故风险预测与评估的预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011560659.4A CN112613664B (zh) 2020-12-25 2020-12-25 基于水上交通事故风险预测与评估的预警方法和系统

Publications (2)

Publication Number Publication Date
CN112613664A true CN112613664A (zh) 2021-04-06
CN112613664B CN112613664B (zh) 2023-12-12

Family

ID=75245117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011560659.4A Active CN112613664B (zh) 2020-12-25 2020-12-25 基于水上交通事故风险预测与评估的预警方法和系统

Country Status (1)

Country Link
CN (1) CN112613664B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505823A (zh) * 2021-07-02 2021-10-15 中国联合网络通信集团有限公司 供应链安全分析方法及计算机可读存储介质
CN113673826A (zh) * 2021-07-20 2021-11-19 中国科学技术大学先进技术研究院 基于驾驶人个体因素的行车风险评估方法及系统
CN114358332A (zh) * 2021-12-23 2022-04-15 国网江苏省电力有限公司南通供电分公司 一种基于概率的电网升级工单特征画像与分析方法
CN114387767A (zh) * 2021-12-03 2022-04-22 中国铁道科学研究院集团有限公司标准计量研究所 基于5g的铁路危险货物在途状态警示方法及装置
CN116090839A (zh) * 2023-04-07 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 水资源耦合系统多重风险分析与评估方法及系统
CN116258403A (zh) * 2023-01-19 2023-06-13 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN116343958A (zh) * 2023-03-03 2023-06-27 湖北工业大学 多相体系连通性的判断方法及系统
CN116777300A (zh) * 2023-07-24 2023-09-19 武汉大学 基于梯度提升决策树的城市道路交通事故风险评估方法
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备
CN117544420A (zh) * 2024-01-08 2024-02-09 山东省标准化研究院(Wto/Tbt山东咨询工作站) 一种基于数据分析的融合系统安全管理方法及系统
CN117745081A (zh) * 2024-02-20 2024-03-22 中国石油大学(华东) 一种台风风暴潮灾害风险评估方法和装置
CN117829613A (zh) * 2024-03-04 2024-04-05 深圳大学 海运事故影响因素分析方法、系统、智能终端及介质
CN116030627B (zh) * 2022-12-31 2024-04-30 东南大学 一种融合预测交通风险变量的道路交通事故分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844663A (zh) * 2017-01-23 2017-06-13 中国石油大学(华东) 一种基于数据挖掘的船舶碰撞风险评估方法及系统
CN110543615A (zh) * 2019-09-05 2019-12-06 国网湖南省电力有限公司 基于spss解释结构模型的风险因子交互作用分析方法
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844663A (zh) * 2017-01-23 2017-06-13 中国石油大学(华东) 一种基于数据挖掘的船舶碰撞风险评估方法及系统
CN110543615A (zh) * 2019-09-05 2019-12-06 国网湖南省电力有限公司 基于spss解释结构模型的风险因子交互作用分析方法
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周荣义;钟岸;任竞舟;牛会永;: "基于主成分分析和神经网络的事故预测方法及应用", 中国安全科学学报, no. 07 *
李泽红;王志刚;刘颖;: "模糊综合评价和改进神经网络相结合的电力建设项目合同风险评价", 科技和产业, no. 03 *
陈玉龙;赵振宇;: "区域可再生能源发电项目开发影响因素改进解释结构模型研究", 电网与清洁能源, no. 02 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505823A (zh) * 2021-07-02 2021-10-15 中国联合网络通信集团有限公司 供应链安全分析方法及计算机可读存储介质
CN113505823B (zh) * 2021-07-02 2023-06-23 中国联合网络通信集团有限公司 供应链安全分析方法及计算机可读存储介质
CN113673826A (zh) * 2021-07-20 2021-11-19 中国科学技术大学先进技术研究院 基于驾驶人个体因素的行车风险评估方法及系统
CN113673826B (zh) * 2021-07-20 2023-06-02 中国科学技术大学先进技术研究院 基于驾驶人个体因素的行车风险评估方法及系统
CN114387767A (zh) * 2021-12-03 2022-04-22 中国铁道科学研究院集团有限公司标准计量研究所 基于5g的铁路危险货物在途状态警示方法及装置
CN114358332A (zh) * 2021-12-23 2022-04-15 国网江苏省电力有限公司南通供电分公司 一种基于概率的电网升级工单特征画像与分析方法
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备
CN116030627B (zh) * 2022-12-31 2024-04-30 东南大学 一种融合预测交通风险变量的道路交通事故分析方法
CN116258403A (zh) * 2023-01-19 2023-06-13 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN116258403B (zh) * 2023-01-19 2023-09-15 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN116343958A (zh) * 2023-03-03 2023-06-27 湖北工业大学 多相体系连通性的判断方法及系统
CN116343958B (zh) * 2023-03-03 2024-05-10 湖北工业大学 多相体系连通性的判断方法及系统
CN116090839A (zh) * 2023-04-07 2023-05-09 水利部交通运输部国家能源局南京水利科学研究院 水资源耦合系统多重风险分析与评估方法及系统
CN116777300B (zh) * 2023-07-24 2024-03-22 武汉大学 基于梯度提升决策树的城市道路交通事故风险评估方法
CN116777300A (zh) * 2023-07-24 2023-09-19 武汉大学 基于梯度提升决策树的城市道路交通事故风险评估方法
CN117544420B (zh) * 2024-01-08 2024-03-29 山东省标准化研究院(Wto/Tbt山东咨询工作站) 一种基于数据分析的融合系统安全管理方法及系统
CN117544420A (zh) * 2024-01-08 2024-02-09 山东省标准化研究院(Wto/Tbt山东咨询工作站) 一种基于数据分析的融合系统安全管理方法及系统
CN117745081A (zh) * 2024-02-20 2024-03-22 中国石油大学(华东) 一种台风风暴潮灾害风险评估方法和装置
CN117829613A (zh) * 2024-03-04 2024-04-05 深圳大学 海运事故影响因素分析方法、系统、智能终端及介质

Also Published As

Publication number Publication date
CN112613664B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN112613664B (zh) 基于水上交通事故风险预测与评估的预警方法和系统
Zhou et al. Ship classification based on ship behavior clustering from AIS data
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN109685366A (zh) 基于异变数据的装备健康状态评估方法
Kolehmainen et al. Forecasting air quality parameters using hybrid neural network modelling
CN109657880A (zh) 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
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建系统
CN115081731B (zh) 一种基于海域事故特点的应急资源优化配置方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN116341901B (zh) 一种滑坡面域-单体危险性预警的一体化评价方法
CN112070103B (zh) 通过微波链路网格化自适应可变尺度反演大气能见度的方法
CN114781538A (zh) 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN115629160A (zh) 一种基于时空图的空气污染物浓度预测方法及系统
Dawod et al. Assessing mangrove deforestation using pixel-based image: a machine learning approach
Carrillo et al. Design of efficient deep learning models for determining road surface condition from roadside camera images and weather data
CN113011788A (zh) 一种海上交通事故应急决策方法、终端设备及存储介质
CN113538971A (zh) 一种基于多源异构数据融合的风险船舶检测方法
CN116089787B (zh) 基于层次分析法的船舶子系统运行状态分析方法及系统
CN117133099A (zh) 一种用于高速公路高边坡灾变的自动监测系统
CN114943290B (zh) 一种基于多源数据融合分析的生物入侵识别方法
CN110826891A (zh) 一种基于船舶集群态势的相对碰撞危险度获取方法
CN116402143A (zh) 一种智能船舶指标体系构建与评价方法
CN114882293A (zh) 基于ais数据特征优选的随机森林船舶目标分类方法
Yang et al. Multi-sensor information fusion in ocean of things based on improved adaptive dempster-shafer evidence theory

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