CN113128826A - 通航风险预测方法、装置和存储介质 - Google Patents

Abstract

本发明公开了及一种通航风险预测方法、装置和存储介质，涉及海上交通技术领域。其中通航风险预测方法包括以下步骤：获取船舶航行期间的多源数据，并构建多个时序数据集；根据若干种船舶通航状态划分多个所述时序数据集；对划分后的所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；根据每一种所述船舶通航状态的时序数据集和所述混合模型参数通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；获取实时的多源数据，并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。能够结合通航时的多源数据，通过建立隐马尔科夫模型准确预测船舶的通航风险概率，减少海上交通事故的发生。

Description

通航风险预测方法、装置和存储介质

技术领域

本发明涉及海上交通技术领域，尤其涉及一种通航风险预测方法、装置和存储介质。

背景技术

水上交通运输是一个动态的、复杂的人机系统，水上交通事故是指船舶在水上因过错或意外造成的人身伤亡、财产损失或环境损害的事件。水上交通事故是由于人、机、环境、管理这些因素相互不协调产生的，事故的发生往往不可预测。随着经济社会的发展，航运行业扮演着越来越重要的地位，为经济发展作出了巨大的贡献。但是随着航运业的迅速发展，水上交通事故所造成的生命、财产的损失也越来越严重。水上交通事故事件涉及环节多，发生和演变机理复杂，风险演化过程具有高度的不确定性和连锁性，直接和次生灾害十分严重。应急决策者须在事件发生发展过程中，针对实时发生的关键情景做出合理的决策，其关键在于对船舶通航风险的预测。

发明内容

为了解决上述技术问题的至少之一，本发明提出一种通航风险预测方法、装置和存储介质，能够结合通航时的多源数据，通过建立隐马尔科夫模型准确预测船舶的通航风险概率，减少海上交通事故的发生。

第一方面，本发明实施例提供了一种通航风险预测方法，包括以下步骤：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个所述时序数据集；

对划分后的所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；

根据每一种所述船舶通航状态的时序数据集和所述混合模型参数通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；

获取实时的多源数据，并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

在一些实施例中，所述多源数据包括船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据以及航区通航环境数据。

在一些实施例中，所述船舶通航状态的种类包括：碰撞状态、搁浅状态、触礁状态、触碰状态、火灾状态、溢油状态以及正常航行状态。

在一些实施例中，所述根据若干种船舶通航状态划分多个所述时序数据集中的时序划分原则为：按照固定时间间隔对所述时序数据集进行时空配准。

在一些实施例中，述对所述时序数据集进行分析得到每种船舶通航状态的混合模型参数包括以下步骤：

采用高斯混合模型根据每种所述船舶通航状态的特征分布分析所述时序数据集；

采用最大期望值算法开展训练，获得每种所述船舶通航状态的高斯混合模型参数。

在一些实施例中，所述采用每一种所述船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型包括以下步骤：

建立每一种所述船舶通航状态隐马尔科夫模型，其中隐马尔科夫模型表示为：

H＝{A,π,c_iq,μ_iq,∑iq}；

其中，H表示隐马尔科夫模型；A表示状态转移概率矩阵，c_iq表示当状态为s_i第q个混合函数的混合权重，μ_iq表示混合函数的均值矩阵，∑iq表示混合函数的协方差矩阵，π表示初始状态概率向量；

采用每一种所述船舶通航状态的时序数据集通过鲍姆-韦尔奇算法计算每种隐马尔科夫模型的参数；

训练每种隐马尔科夫模型。

在一些实施例中，所述训练每种隐马尔科夫模型包括以下步骤：

根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’；

将新隐马尔科夫模型H’的参数作为隐马尔科夫模型H的参数重复所述根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’；

当新隐马尔科夫模型H′产生观测序列的概率P(O∣H′)与隐马尔科夫模型H产生观测序列的概率P(O∣H)之差小于阈值则停止重复所述根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’的步骤，所获得的新隐马尔科夫模型H′为最终训练完成的隐马尔科夫模型H。

在一些实施例中，所述获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率包括以下步骤：

采用维特比算法在构建好的隐马尔科夫模型的基础上对实时采集的多源数据进行状态解码，从而确定船舶当前所处的船舶通航状态；

采用变权评估方法对当前船舶通航状态的各项指标参量的预测误差进行加权分析，确定船舶航行的风险概率。

第二方面，本发明实施例还提供了一种通航风险预测装置，包括：存储器，用于存放程序；

处理器，用于执行所述程序，以用于：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个所述时序数据集；

对所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；

采用每一种所述船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；

获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

第三方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述第一方面实施例所述的通航风险预测方法。

本发明上述的技术方案至少具有如下优点或有益效果之一：通过获取船舶航行期间的多源数据构建多个时序数据集，将时序数据按照多种船舶通航状态划分并分析每种船舶通航状态的混合模型参数，再结合非监督学习算法训练得到每种船舶通航状态的隐马尔科夫模型，获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率，操作人员能根据预测的事故风险概率进行调整，较少海上交通事故的发生。

附图说明

图1是根据本发明实施例提供的通航风险预测方法流程图。

具体实施方式

本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

最大期望算法(Expectation-Maximization algorithm,EM)，也称EM算法或Dempster-Laird-Rubin算法，是一类通过迭代进行极大似然估计(Maximum LikelihoodEstimation,MLE)的优化算法，通常作为牛顿迭代法(Newton-Raphson method)的替代用于对包含隐变量(latent variable)或缺失数据(incomplete-data)的概率模型进行参数估计。

鲍姆-韦尔奇算法(Baum-Welch算法)，属于非监督学习算法，可以解决无监督学习的隐马尔可夫问题，也即是说，如果我们现在有一个训练集没有状态序列，只有观测序列，现在让我们根据观测序列求隐马尔可夫模型参数及：Z＝(A,B,C)，那么就可以用Baum-Welch算法来解决该问题。

隐马尔科夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。

维特比算法(Viterbi算法)，是一种动态规划算法，是解决多步骤每步多选择模型的最优选择问题，其在每一步的所有选择都保存了前续所有步骤到当前步骤当前选择的最小总代价(或者最大价值)以及当前代价的情况下前继步骤的选择。依次计算完所有步骤后，通过回溯的方法找到最优选择路径。

本发明实施例提供一种通航风险预测方法，参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。

步骤S110，获取船舶航行期间的多源数据，并构建多个时序数据集；

在一些实施例中，船舶航行期间的多源数据包括船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据以及航区通航环境数据等。

船员状态指标：包括船员能力指标S、船员注意力指标A；

船舶位置：包括船舶经度坐标x、船舶纬度坐标y；

船舶航行速度v：包括水平速度v_x、垂直速度v_y；

船舶航向角θ；

驾驶台监测数据：包括车钟、主机、辅机、舵机等设备的工作参数，所有参数共同构成驾驶台监测向量N＝(N₁,N₂,N₃,N₄,…)；

货物监测数据：包括货物的温度、压力、液位、液面倾角等监测数据，所有数据共同构成货物监测向量C＝(C₁,C₂,C₃,C₄,…)；

航区通航环境数据：包括风速W、水流速度F、能见度V、交通流密度D、航道宽度b、航道深度d；

船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据、航区通航环境数据均为定量数据，可通过AIS系统、船载摄像机、多功能航标、气象仪等系统和仪器采集，而船员状态指标需要通过专家评判给出。

在一些实施例中，可以将船员能力分为低、较低、中等、良好、优秀五种等级，船员能力指标S等级定义如表1所示：

表1船员能力指标S等级定义

船员注意力可以分为低、较低、中等、较好、好五种等级，船员注意力指标A等级定义如表2所示。

表2船员注意力指标A等级定义

根据本发明一些具体实施例，船舶航行期间的船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据、航区通航环境数据等的多源数据，可构建成多个不同时间的时序数据集X＝[S,A,x,y,v,θ,N,C,W,F,V,D,b,d]，以构建的时序数据集作为隐马尔科夫模型的输入数据，可以对船舶在航区内的通航风险状态进行整体评价，并预测船舶的通航风险指标R。其中船舶通航风险指标同样由专家评判得出，可以将船舶通航风险分为低风险、较低风险、中等风险、高风险、极高风险五种等级，船舶通航风险指标R风险等级定义如表3所示。

表3船舶通航风险指标R等级定义

步骤S120，根据若干种船舶通航状态划分多个时序数据集。

在一些实施例中，船舶通航状态的种类包括：碰撞状态、搁浅状态、触礁状态、触碰状态、火灾状态、溢油状态以及正常航行状态。将获得的所有时序数据集分别归入七种船舶通航状态的其中一种状态中，其中时序划分原则为：按照固定时间间隔对所述时序数据集进行时空配准，即：以ΔT作为时间间隔对水上交通事故的风险预测和演化进行细分。具体地，在实际的多传感器系统中，各传感器由于执行任务不同、自身性能的优劣、所处环境存在差异等多方面的原因，使得各传感器观测同一目标获得的量测数据也不一定同步，因此不能将获得的量测数据直接发送到融合中心进行融合处理，需要将不同传感器在不同时刻不同空间获得的目标量测数据转换到统一的融合时刻和空间，即进行时空配准。采用时空配准方法对不同时间点收集的数据需要进行校准，可以将不同时刻不同空间获得的船舶航行数据转换到统一的融合时刻和空间，使数据更具有说服力。

步骤S130，对划分后的时序数据集进行分析得到每种船舶通航状态的混合模型参数。

根据本发一些具体实施例，步骤S130包括步骤S131和步骤S132。

步骤S131，采用高斯混合模型根据每种船舶通航状态的特征分布分析时序数据集。

具体地，采用高斯混合模型对碰撞状态、搁浅状态、触礁状态、触碰状态、火灾状态、溢油状态以及正常航行状态七种船舶通航状态进行特征分析。其中为了确保船舶在各种条件下的安全和正常航行，要求船舶具有良好的航行性能，这些航行性能包括浮性、稳性、抗沉性、快速性、摇摆性和操纵性。触礁事故则是指船舶触碰礁石，或者搁置在礁石上，造成损害的事故。触礁事故的等级参照搁浅事故等级的计算方法确定。高斯混合模型可以看作是由7个单高斯模型组合而成的模型，这7个单高斯模型是混合模型的隐变量。需要说明的是，一个混合模型可以使用任何概率分布，这里使用高斯混合模型是因为高斯分布具备很好的数学性质以及良好的计算性能。

首先定义如下信息：

X_j表示第j个观测数据，j＝1,2,…,n，其中观测数据采用了上述实施例所构建的时序数据集X；

定义k表示高斯混合模型中高斯子模型，本实施例中k取自然数1～7。

α_k是观测数据属于第k个高斯子模型的概率，其中α_k≥0，

K为高斯混合子模型的数量；

是第k个子模型的高斯分布密度函数，

其展开形式与单高斯模型相同；

γ_jk表示第j个观测数据属于第k个子模型的概率。

高斯混合子模型的概率分布函数为：

对于模型而言，参数θ＝(μ_κ,σ_κ,α_κ)，其中，μ_k表示第k个高斯子模型的期望值，σ_k表示第k个高斯子模型的期望值，α_k表示第k个高斯子模型在混合模型中发生的概率。

步骤S132，采用最大期望值算法开展训练，获得每种船舶通航状态的高斯混合模型参数。

具体地，在统计计算中，最大期望(EM)算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量。最大期望算法经过两个步骤交替进行计算，第一步是计算期望(E步)，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化(M步)，最大化在E步上求得的最大似然值来计算参数的值。之后，在M步上找到的参数估计值将被用于下一个E步的计算中，这个过程不断交替进行。

采用EM算法选择混合高斯分布模型参数的初始值对其混合高斯分布模型参数进行训练，EM算法是一个在已知部分相关变量的情况下，估计未知变量的迭代技术。EM的算法流程如下：

每次迭代包含以下两个步骤：

E步：求期望E(γ_jk∣X,θ)；

根据当前参数，计算每个数据j来自子模型K(K＝7)的可能性；

M步：求极大值，计算新一轮迭代的模型参数；

其中，N表示数据的总量。重复计算E步和M步直至收敛，最后获得七组高斯混合模型参数。

将所有时序数据集通过EM算法训练得到七种高斯子模型的概率分布值、均值和方差，用以确定船舶当前状态。

步骤S140，根据每一种船舶通航状态的时序数据集和混合模型参数通过非监督学习算法进行训练，获得对应船舶通航状态的隐马尔科夫模型。

在一些实施例中，建立船舶通航状态的隐马尔科夫模型的具体过程为：

(1)设置观测状态参数：观测状态参数可从划分好的时序数据集中获取，从而的到船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据、航区通航环境数据等观测参数。

(2)建立隐马尔科夫模型：

H＝{A，B，π，S，O}；

H＝{A，π，c_iq，μ_iq，∑_iq}；

其中，H表示隐马尔科夫模型；A＝[a_ij]＝P(q_t+1＝s_j∣q_t＝s_i)表示状态转移概率矩阵，其中，a_ij表示由t时刻状态为s_i到t+1时刻转移为状态s_j的概率，且

表示状态观测输出概率矩阵，b_i(O_k)表示船舶航向状态为s_i时，输出变量为O_k的概率，

且

其中Q表示高斯混合数目，c_iq表示当状态为s_i第q个混合函数的混合权重，μ_iq表示混合函数的均值矩阵，∑iq表示协方差矩阵；π表示初始状态概率向量，且∑π_i＝1；S表示隐藏状态的数量；O表示观测变量的数量。

(3)训练获取混合高斯隐马尔科夫模型参数：使用隐马尔科夫模型对获取的训练样本进行学习训练，得到各种船舶通航状态的隐马尔科夫模型，其中，可采用鲍姆-韦尔奇算法获得隐马尔科夫模型参数A、π、c_iq、μ_iq、∑iq，获得相应的隐马尔科夫模型H。

具体地，根据已知观测序列O＝{o₁,o₂,…,o_T}和初始的隐马尔科夫模型H＝{A,B,π}，根据重估公式求得一组新参数π′,b_jk′,a_ij′，得到一个新隐马尔科夫模型H’＝{A,’B,’π’}，此时得到的新隐马尔科夫模型H’＝{A,’B,’π’}产生观测序列的概率比初始隐马尔科夫模型H＝{A,B,π,}产生观测序列的概率要大，重复该过程，可以不断改进模型参数，直到P(O∣H)收敛于一个微小值，即不再明显增大结束训练。具体过程如下：

(a)在已知观测序列O＝{o₁,o₂,…,o_T}和初始隐马尔科夫模型H＝{A,B,π,}的条件下，引入两组概率变量ε_t(i,j)和γ_t(i)，ε_t(i,j)表示t时刻处于状态S_i的概且t+1时刻处于状态S_j的概率，γ_t(i)表示t时刻处于状态S_i的概率，即：

ε_t(i,j)＝P(q_t＝S_i,q_t+1＝S_j∣O,H)

γ_t(i)＝P(O,q_t＝S_i∣H)

(b)根据引入的两组概率变量计算一组新参数：

π_i′＝γ₁(i)

(c)由新参数π_i′，a_ij′，b_j(k)′，重估得一个新隐马尔科夫模型:

H’＝{A,’B,’π’}

(d)当隐马尔科夫模型H′产生观测序列的概率P(O∣∣H′)与初始隐马尔科夫模型H产生观测序列的概率P(O∣H)大于阈值则重复(b)和(c)，从而不断改进模型参数，直到P(O∣∣H′)不再明显增大，此时的隐马尔科夫模型H’＝{A,’B,’π’}即为训练所得最终模型。

步骤S150，获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率，具体包括以下步骤：

步骤S151，采用维特比算法在构建好的隐马尔科夫模型的基础上对实时采集的多源数据进行状态解码，从而确定船舶当前所处的船舶通航状态，具体过程如下:

(1)输入：观测序列O_t和事故风险产生时间预报模型λ；

输出：通航风险的最大概率演化路径

(2)t＝1时，δ₁(i)＝P_ib_i(O₁),i＝1,2,…,N；

其中，δ₁(i)和

为计算的中间变量，

由隐马尔科夫模型中的初始状态分布P和隐马尔科夫模型中的状态观测输出概率矩阵B的第i个元素相乘得到，其中O₁为O_t中的第1个元素。

(3)t＝2,3,…,T时，δ_t(i)＝max_1≤j≤N[δ_t-1(j)a_j,i]b_i(o_t)]；

其中，δ_t(i)为上一时刻所有δ_t-1(j)与隐马尔科夫模型中的状态转移概率矩阵A中元素a_j,i和B中元素b_i(o_t)乘积的最大值，其中，1≤j≤N，

为使δ_t-1(j)a_j,i最大对应的索引。

(4)终止

其中C^*为所有δ_t(i)中元素的最大值，

为使δ_t(i)最大对应的索引。

(5)最大概率演化路径回溯：对t＝T-1,T-2,…,1，利用

为I^*中的具体元素，求得S_t＝(S₁,S₂,…,S_T)；判断出当前状态后，截取新采集数据对应状态序列S_t的最后一段序列，如下所示：

S_end＝(S_t-1,…,S_t-2,S_t-1,S_T)

其中，l为最后一段序列的截取位置，T为当前时刻。

步骤S152,采用变权评估方法对当前船舶通航状态的各项指标参量的预测误差进行加权分析，确定船舶航行的风险概率。

其中，各项指标指的是描述当前船舶航行状态包括船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据以及航区通航环境数据。

采用变权评估方法对指标参量的预测误差进行加权分析，具体计算公式如下：

式中：R(t)为事故情景风险状态在t时刻的风险指数，ω_i(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，r_i(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，d_i(t)表示第i个指标参量的预测误差的时间函数。

本实施例中，通过隐马尔科夫模型训练得到的七种船舶通航状态模型参数，根据当前状态，用Viterbi算法预测船舶航行的风险概率，并得到其风险指数，能够根据船舶航行期间的实时数据，对当前的通航风险进行预测，并进一步计算出水上交通事故发生的概率，当船舶可能向高风险状态演化时，可以及早进行干预以避免事故发生。

本发明实施例还提供了一种通航风险预测装置，包括：存储器，用于存放程序；

处理器，用于执行所述程序，以用于：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个时序数据集；

对时序数据集进行分析得到每种船舶通航状态的混合模型参数；

采用每一种船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应船舶通航状态的隐马尔科夫模型；

获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，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发明权利要求所限定的范围内。

Claims (10)

1.一种通航风险预测方法，其特征在于，包括以下步骤：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个所述时序数据集；

对划分后的所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；

根据每一种所述船舶通航状态的时序数据集和所述混合模型参数通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；

获取实时的多源数据，并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

2.根据权利要求1所述的通航风险预测方法，其特征在于，所述多源数据包括船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据以及航区通航环境数据。

3.根据权利要求1所述的通航风险预测方法，其特征在于，所述船舶通航状态的种类包括：碰撞状态、搁浅状态、触礁状态、触碰状态、火灾状态、溢油状态以及正常航行状态。

4.根据权利要求1所述的通航风险预测方法，其特征在于，所述根据若干种船舶通航状态划分多个所述时序数据集中的时序划分原则为：按照固定时间间隔对所述时序数据集进行时空配准。

5.根据权利要求1所述的通航风险预测方法，其特征在于，所述对所述时序数据集进行分析得到每种船舶通航状态的混合模型参数包括以下步骤：

采用高斯混合模型根据每种所述船舶通航状态的特征分布分析所述时序数据集；

采用最大期望值算法开展训练，获得每种所述船舶通航状态的高斯混合模型参数。

6.根据权利要求1所述的通航风险预测方法，其特征在于，所述采用每一种所述船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型包括以下步骤：

建立每一种所述船舶通航状态隐马尔科夫模型，其中隐马尔科夫模型表示为：

H＝{A,π,c_iq,μ_iq,∑iq}；

其中，H表示隐马尔科夫模型；A表示状态转移概率矩阵，c_iq表示当状态为s_i第q个混合函数的混合权重，μ_iq表示混合函数的均值矩阵，∑iq表示混合函数的协方差矩阵，π表示初始状态概率向量；

采用每一种所述船舶通航状态的时序数据集通过鲍姆-韦尔奇算法计算每种隐马尔科夫模型的参数；

训练每种隐马尔科夫模型。

7.根据权利要求6所述的通航风险预测方法，其特征在于，所述训练每种隐马尔科夫模型包括以下步骤：

根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’；

将新隐马尔科夫模型H’的参数作为隐马尔科夫模型H的参数重复所述根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’；

当新隐马尔科夫模型H′产生观测序列的概率P(O∣H′)与隐马尔科夫模型H产生观测序列的概率P(O∣H)之差小于阈值则停止重复所述根据重估公式求得隐马尔科夫模型H的一组新参数得到一个新隐马尔科夫模型H’的步骤，所获得的新隐马尔科夫模型H′为最终训练完成的隐马尔科夫模型H。

8.根据权利要求1所述的通航风险预测方法，其特征在于，所述获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率包括以下步骤：

采用维特比算法在构建好的隐马尔科夫模型的基础上对实时采集的多源数据进行状态解码，从而确定船舶当前所处的船舶通航状态；

采用变权评估方法对当前船舶通航状态的各项指标参量的预测误差进行加权分析，确定船舶航行的风险概率。

9.一种通航风险预测装置，其特征在于，包括：

存储器，用于存放程序；

处理器，用于执行所述程序，以用于：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个所述时序数据集；

对所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；

采用每一种所述船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；

获取实时的多源数据并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-8任一项所述的通航风险预测方法。

Images