CN114331042A - 一种船舶碰撞风险分析方法 - Google Patents
一种船舶碰撞风险分析方法 Download PDFInfo
- Publication number
- CN114331042A CN114331042A CN202111510247.4A CN202111510247A CN114331042A CN 114331042 A CN114331042 A CN 114331042A CN 202111510247 A CN202111510247 A CN 202111510247A CN 114331042 A CN114331042 A CN 114331042A
- Authority
- CN
- China
- Prior art keywords
- ship
- grid
- collision
- value
- heading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012502 risk assessment Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种船舶碰撞风险分析方法，包括以下步骤：根据已知类型船舶的AIS动态数据，构建能够根据AIS动态数据判断船舶类型的神经网络预测模型；对目标海域进行网格划分；遍历所述目标海域中的所有网格，根据所述神经网络预测模型，分别计算出各个网格中不同类型船舶的碰撞要素；将各个网格内的碰撞要素做加权线性叠加，得到各个网格的不同类型船舶的碰撞风险量化值；叠加预设时间内所述各个网格的不同类型船舶的碰撞风险量化值，按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级，并在地图中以热力图的形式进行风险等级可视化。本发明能够根据AIS船位数据分析出目标海域内的船舶碰撞风险等级。
Description
技术领域
本发明涉及船舶船位数据应用技术领域，特别是涉及一种船舶碰撞风险分析方法。
背景技术
在国际物流运输方式中，水上交通因其低成本、高运量的特征被广泛使用。随着水上交通的发展，各类水上交通事故的数量也不断增加，包括碰撞、搁浅等。船舶碰撞是引发海上安全事故的最主要原因之一，研究船舶碰撞风险区域对海上交通安全具有较大的理论和实际意义。精准的船舶碰撞风险区域预警能够保障船舶航行安全。为降低船舶碰撞事故发生频率，减轻碰撞事故后果，国内外相关领域学者针对船舶碰撞风险、船舶避碰系统展开了详尽的分析和研究。按照其研究内容可以划分为船舶碰撞原因分析及船舶碰撞风险分析与预报两类。
船舶碰撞原因分析是从船舶结构、海上环境、船舶船员等各方面对造成船舶碰撞事故的原因进行分析，有效的船舶碰撞原因分析能够从根源上降低船舶碰撞事故发生概率。研究表明，船舶碰撞事故的发生与船舶自身因素、环境因素、人为因素均有紧密的联系，但人为因素仍被认为是造成船舶碰撞事故发生的最主要因素。碰撞风险分析与预报研究是基于AIS、遥感数据、雷达等数据，利用数据挖掘、机器学习等数据分析技术，对船舶碰撞风险进行分析与预测。详细的分析报告与精准的碰撞预测能够帮助船员提高警惕，从而降低船舶碰撞事故发生概率。船舶领域(ship domain)和碰撞风险指数(collision riskindex,CRI)是船舶碰撞风险分析与预报研究中的重要概念。船舶领域的概念最早由Fuji提出，是船舶碰撞风险研究中的重要概念，其被定义为后船的驾驶员应避免进入前船周围的领域。在船舶领域的概念被提出后，国内外学者先后引入更多的影响因素，构建了更加完善和复杂的船舶领域模型。衡量船舶之间碰撞事故发生的概率，是船舶碰撞风险研究中更重要的参数。因此，基于碰撞风险指数的船舶碰撞模型是船舶交通安全领域研究热点。
由于船舶碰撞事故的危害性极大，国内外避碰研究较为丰富。但上述两类船舶避碰研究多着眼于单艘船舶，在其航行过程中根据周围环境实时判断船舶碰撞风险并作出避碰反应。从微观上对单艘船舶做碰撞风险分析和决策，理论上能够大大减轻船舶发生碰撞事故的概率，但是，微观上的船舶碰撞风险分析存在两点不足：第一，该方式需求要船舶上配备有较高算力，以完成实时运算。当前的渔业船舶信息化普及程度难以支持其高强度运算；第二，该方式难以得到碰撞风险与海域之间的关系，不能为航线规划等宏观避碰工作做参考。
发明内容
本发明所要解决的技术问题是提供一种船舶碰撞风险分析方法，能够根据AIS船位数据分析出目标海域内的船舶碰撞风险等级。
本发明解决其技术问题所采用的技术方案是：提供一种船舶碰撞风险分析方法，包括以下步骤：
(1)根据已知类型船舶的AIS动态数据，构建能够根据AIS动态数据判断船舶类型的神经网络预测模型；
(2)对目标海域进行网格划分；
(3)遍历所述目标海域中的所有网格，根据所述神经网络预测模型，分别计算出各个网格中不同类型船舶的碰撞要素；所述碰撞要素包括船舶分布密度、船舶平均航速、船舶平均航向变化率；
(4)将各个网格内的碰撞要素做加权线性叠加，得到各个网格的不同类型船舶的碰撞风险量化值；
(5)叠加预设时间内所述各个网格的不同类型船舶的碰撞风险量化值，按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级，并在地图中以热力图的形式进行风险等级可视化。
所述步骤(1)具体为：根据已知类型船舶的AIS动态数据计算出船舶航向极差、航向标准差和航向积分，并将所述船舶航向极差、航向标准差和航向积分作为神经网络的输入，训练所述神经网络，训练完成后得到所述能够根据AIS动态数据判断船舶类型的神经网络预测模型。
所述船舶航向极差R＝Cmax-Cmin，所述航向标准差
所述航向积分
其中，Cmax表示航向最大值，Cmin表示航向最小值，N表示该单位时间段内的样本数量，Ci表示第i个样本的航向值，μ表示该单位时间段内所有样本的航向平均值，(Ti+1-Ti)表示两个连续样本之间的距离。
所述步骤(2)中还包括通过
计算格网的编码值，其中，v为编码值，m表示经度值，n表示纬度值，mmin表示所述目标区域中的最小经度值，nmin表示所述目标区域中的最小纬度值，l＝(mmax-mmin)/k+1表示网格每行的长度值，mmax表示所述目标海域中的最大经度值，k表示网格划分的精度。
所述步骤(3)中船舶分布密度
船舶平均航速
船舶平均航向变化率
其中，a表示单位时间段某个网格内AIS接收到的数据量，s表示网格的球面面积，vi表示第i个点的航速，b表示单位时间段某个网格内船舶数量，c表示某艘船舶在该时间段内包含的记录条数，θi,j表示第i艘船舶的第j条记录的航向值。
所述步骤(4)中加权线性叠加时的权重由判断矩阵分析法得到，所述船舶分布密度权重为0.7854，所述平均航速权重为0.1488，所述平均航向变化率权重为0.0658。
所述步骤(5)按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级前，还包括对所述碰撞风险因素量化值做标准分数变换和正值化变化，所述标准分数变换用于将数据的平均数变成0，标准差变成1；所述正值化变化用于将所有的样本转化为正值。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明根据AIS动态数据，挖掘出商船、渔船的AIS动态数据特征，得到能够根据AIS动态数据判断船舶类型的神经网络预测模型，并能够根据一段时期的AIS数据，分析宏观上目标海域内各小区域(精度为0.1°的格网)碰撞风险等级。本发明能够降低船舶碰撞事故发生概率，减轻人员伤亡和经济损失，且能够为航向规划部门提供数据参考。
附图说明
图1是本发明的流程图；
图2是本发明用于预测船舶类型的网络模型结构图；
图3a-3b是本发明统计得到的浙江近海渔船、商船的空间分布与速度分布图；
图4是本发明用于浙江近海海域区域分割的格网划分图；
图5是由本发明得到的浙江附近海域2020年1-12月碰撞风险等级图；
图6是由本发明得到的浙江附近海域宏观碰撞风险等级图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种船舶碰撞风险分析方法，如图1所示，包括以下步骤：根据已知类型船舶的AIS动态数据，构建能够根据AIS动态数据判断船舶类型的神经网络预测模型；对目标海域进行网格划分；遍历所述目标海域中的所有网格，根据所述神经网络预测模型，分别计算出各个网格中不同类型船舶的碰撞要素，并对各个碰撞要素做标准化及对数据分布无影响的线性变换；所述碰撞要素包括船舶分布密度、船舶平均航速、船舶平均航向变化率；将各个网格内的碰撞要素做加权线性叠加，得到各个网格的不同类型船舶的碰撞风险量化值；叠加预设时间内所述各个网格的不同类型船舶的碰撞风险量化值，按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级，并在地图中以热力图的形式进行风险等级可视化。
下面通过一个具体实施例来进一步说明本发明。
使用2020年浙江近海船舶基本信息(AIS静态数据)及船位信息(AIS动态数据)。动态数据包括船舶唯一标识符、数据上传时间、位置、航速、航向、数据来源等信息。
1.数据处理
虽然AIS静态数据中包含有type(船舶类型)、minotype(子类型)字段，但是数据完整性较差，包含大量的无效记录。根据type、minotype、name等与船舶类型相关的字段可从中提取出42516艘渔船(fishing boats)及39639艘商船(otherboats)，另外70587艘船舶类型无法根据船舶信息参考表的相关字段判断。为了更好地区分船舶类型、计算划分碰撞风险等级的依据，需要对AIS数据进行初步处理。为充分提取航向在船舶类型中的影响，选用单位时间内的航向极差、航向标准差、航向积分等三个指标，观察渔船与商船的各个指标分布范围。航向极差的计算公式为R＝Cmax-Cmin，式中Cmax表示该单位时间段内航向的最大值，Cmin表示该单位时间段内航向的最小值，因此航向极差R反映单位时间段内角度变化的范围大小。航向标准差计算公式为
式中，N表示该单位时间段内的样本数量，Ci表示第i个样本的航向值，μ表示该单位时间段内所有样本的航向平均值，因此航向标准差σ反映单位时间段内航向值的稳定程度。航向积分计算公式为
式中，N表示该单位时间段内的样本数量，Ci表示第i个样本的航向值，(Ti+1-Ti)表示两个连续样本之间的距离，因此航向积分S反映单位时间范围内航向变化幅度。
2.船舶类型预测模型
为验证渔船与商船在动态数据中的特征存在差异，对2020年2月AIS数据渔船及商船(仅包括AIS静态数据中已能够确定船舶类型的数据)的航向极差、航向标准差、航向积分做统计分析。统计结果如表1所示。
表1
表1中渔船、商船的各个指标均有较为明显的差异。渔船的极差R、标准差σ、积分S、综合指标D均高于商船，该结果与试验前期对不同船舶的作业方式分析相吻合。但是，渔船与商船在各组值的具体分布上，存在严重的交叉。也即：渔船与商船在分位数值上没有明显的分界线，因此常规的阈值法无法得到较好分类效果。
为避免数据处理过程中出现的特征丢失，使用极差R、标准差σ、积分S作为神经网络的输入单元。为了使R、σ、S三要素对模型产生相等的影响，按照公式
求出各组数据的标准分数。式中x表示原始数据，x*表示x的标准分数，μ表示样本平均数，σ表示样本标准差。使用标准分数作为输入单元，可以保证不同的指标对模型产生相同的效果。输入单元进入神经网络后，先后经过10个隐藏层，最后由输出层输出结果，网络模型如图2所示。
观察神经网络在数据上的分类表现：经过10000轮次的训练，模型已经趋于稳定。将2020年1月数据作为测试集，测试模型在新数据中的表现。测试结果如表2所示。
表2
| P<sub>fish</sub> | R<sub>fish</sub> | P<sub>other</sub> | R<sub>other</sub> | ACC |
| 0.9038 | 0.6575 | 0.6785 | 0.9117 | 0.7699 |
神经网络的综合准确率达到76.99％左右，按照训练好的神经网络模型对所有船舶进行分类后，对2020年各月浙江近海渔船、商船的空间分布与速度分布按照时间段进行统计，得到的结果如图3a、图3b所示。
3.格网划分
首先，观察浙江附近海域AIS数据的经纬度范围，统计其经度范围为120.00-126.00；纬度范围为25.00-32.00，对该区域做0.1°精度的经纬网网格划分。格网划分后每个格网的编码值为
其中，数值61是网格每行长度值，其计算方式为l＝(lmax-lmin)/k+1，lmax表示所述目标海域中经度的最大值，lmin表示所述目标海域中经度的最小值，k表示网格划分的精度。根据编码值v还原经纬度时，按照公式
及
计算。公式中，“\”符号表示取余数。以经度122.0，纬度30.1的位置点为例：将m＝122.0，n＝30.1代入编码，得到位置编码值v＝3132。将v＝3132代入还原公式，得到m＝122.0、n＝30.1，推导值与输入值相同。浙江近海海域的格网划分如图4所示。
4.碰撞要素叠加
为综合评价船舶分布密度、船舶平均航速、船舶平均航向变化率等三个因素的影响。其中，船舶分布密度
其中，a表示单位时间段某个网格内AIS接收到的数据量，s表示网格的球面面积，其计算方式为
r表示地球半径(km)，λ1，λ2表示经度(弧度)，
表示纬度(弧度)；船舶平均航速
其中，vi表示第i个点的航速；船舶平均航向变化率
其中，b表示单位时间段某个网格内船舶数量，c表示某艘船舶在该时间段内包含的记录条数，θi,j表示第i艘船舶的第j条记录的航向值。
本实施方式采用判断矩阵分析法对上述三个要素做权重分析。判断矩阵分析法是模糊综合评价中的一种常见方法，常常用于层次分析法中要素权重的确定。判断矩阵分析法将n个因素排列成一个n阶判断矩阵，通过在因素之间的两两比较，根据各个因素的重要程度确定矩阵中元素值的大小。并计算出判断矩阵的最大特征根及其对应的特征向量，该特征向量即为各个因素的权重系数。在对各个要素之间做两两比较时，参照的标准如表3所示。
表3
| 因素ui和因素uj的重要程度等级 | f<sub>uj</sub>(u<sub>i</sub>) | f<sub>ui</sub>(u<sub>j</sub>) |
| u<sub>i</sub>和u<sub>j</sub>“同等重要” | 1 | 1 |
| u<sub>i</sub>比u<sub>j</sub>“稍微重要” | 3 | 1/3 |
| u<sub>i</sub>比u<sub>j</sub>“明显重要” | 5 | 1/5 |
| u<sub>i</sub>比u<sub>j</sub>“强烈重要” | 7 | 1/7 |
| u<sub>i</sub>比u<sub>j</sub>“绝对重要” | 9 | 1/9 |
| u<sub>i</sub>和u<sub>j</sub>介于各个等级之间 | 2,4,6,8之一 | 1/2,1/4,1/6,1/8之一 |
表中，fuj(ui)表示因素ui相对于因素uj的重要程度量化值，fui(uj)表示因素uj相对于因素ui的重要程度量化值。
根据判断矩阵分析法，对平均航向变化率、船舶分布密度、平均航速等要素按照表3标准两两比较，得到的判断矩阵为：
求出该判断矩阵的最大特征根及其对应的特征向量(权重值)，并对该判断矩阵做一致性检验，分析结果如表4所示。CR值为0.0772(小于0.1)，通过一致性检验。
表4
按照船舶分布密度、平均航速、平均航向变化率分别为0.7854、0.1488、0.0658的权重，对该三个因素做加权线性叠加。
5.风险分级与可视化
将每个格网的安全等级划分为“安全”、“不安全”两个等级太过简化，不能明确比较不同网格之间的碰撞风险差异。因此，本实施方式将风险等级设定为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五个等级，Ⅰ级表示风险等级最低，Ⅴ级表示风险等级最高。等级划分方式选用等距离划分法：首先计算出船舶碰撞风险量化值的标准分数；为了使分类数值均为正数，对要素集合按照公式x**＝x+|min(X)|再做一次线性变换。按照等距离法将风险等级划分为Ⅰ-Ⅴ五个等级。例如，若N为量化值中的最大值，则Ⅰ级风险的范围为0～N/5，Ⅱ级风险的范围为N/5～2*N/5，Ⅲ级风险的范围为2*N/5-3*N/5，Ⅳ级风险的范围为3*N/5-4*N/5，Ⅴ级风险的范围为4*N/5-N，如表5所示。
表5
| 碰撞风险要素值范围 | 0～N/5 | N/5～2*N/5 | 2*N/5-3*N/5 | 3*N/5-4*N/5 | 4*N/5-N |
| 碰撞风险等级 | Ⅰ | Ⅱ | Ⅲ | Ⅳ | Ⅴ |
综合考虑渔船、商船的区域碰撞风险，并按照等距离法划分2020年浙江附近海域各区域内的碰撞风险等级，得到的划分结果如图5所示。
在图5中，折线表示航线，定位点表示实际发生事故的位置，热力值表示本实施方式所述方法计算得到到某区域碰撞风险等级。图中结果显示，2020年浙江近海船舶碰撞高风险区域(碰撞风险等级在Ⅲ级以上)主要均集中在航线附近。但是不同月份的具体情况略有差异，5-7月的碰撞高风险(Ⅴ级)区域极少，3-4月的碰撞高风险区域较多。为了得到更具有普遍性的结论，对2020年全年浙江近海做整体碰撞风险等级划分，如图6所示。
Claims (7)
1.一种船舶碰撞风险分析方法，其特征在于，包括以下步骤：
(1)根据已知类型船舶的AIS动态数据，构建能够根据AIS动态数据判断船舶类型的神经网络预测模型；
(2)对目标海域进行网格划分；
(3)遍历所述目标海域中的所有网格，根据所述神经网络预测模型，分别计算出各个网格中不同类型船舶的碰撞要素；所述碰撞要素包括船舶分布密度、船舶平均航速、船舶平均航向变化率；
(4)将各个网格内的碰撞要素做加权线性叠加，得到各个网格的不同类型船舶的碰撞风险量化值；
(5)叠加预设时间内所述各个网格的不同类型船舶的碰撞风险量化值，按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级，并在地图中以热力图的形式进行风险等级可视化。
2.根据权利要求1所述的船舶碰撞风险分析方法，其特征在于，所述步骤(1)具体为：根据已知类型船舶的AIS动态数据计算出船舶航向极差、航向标准差和航向积分，并将所述船舶航向极差、航向标准差和航向积分作为神经网络的输入，训练所述神经网络，训练完成后得到所述能够根据AIS动态数据判断船舶类型的神经网络预测模型。
3.根据权利要求2所述的船舶碰撞风险分析方法，其特征在于，所述船舶航向极差R＝Cmax-Cmin，所述航向标准差
所述航向积分
其中，Cmax表示航向最大值，Cmin表示航向最小值，N表示该单位时间段内的样本数量，Ci表示第i个样本的航向值，μ表示该单位时间段内所有样本的航向平均值，(Ti+1-Ti)表示两个连续样本之间的距离。
4.根据权利要求1所述的船舶碰撞风险分析方法，其特征在于，所述步骤(2)中还包括通过
计算格网的编码值，其中，v为编码值，m表示经度值，n表示纬度值，mmin表示所述目标区域中的最小经度值，nmin表示所述目标区域中的最小纬度值，l＝(mmax-mmin)/k+1表示网格每行的长度值，mmax表示所述目标海域中的最大经度值，k表示网格划分的精度。
5.根据权利要求1所述的船舶碰撞风险分析方法，其特征在于，所述步骤(3)中船舶分布密度
船舶平均航速
船舶平均航向变化率
其中，a表示单位时间段某个网格内AIS接收到的数据量，s表示网格的球面面积，vi表示第i个点的航速，b表示单位时间段某个网格内船舶数量，c表示某艘船舶在该时间段内包含的记录条数，θi,j表示第i艘船舶的第j条记录的航向值。
6.根据权利要求1所述的船舶碰撞风险分析方法，其特征在于，所述步骤(4)中加权线性叠加时的权重由判断矩阵分析法得到，所述船舶分布密度权重为0.7854，所述平均航速权重为0.1488，所述平均航向变化率权重为0.0658。
7.根据权利要求1所述的船舶碰撞风险分析方法，其特征在于，所述步骤(5)按照等距离划分法将各个网格内的不同类型船舶的碰撞风险划分为若干等级前，还包括对所述碰撞风险因素量化值做标准分数变换和正值化变化，所述标准分数变换用于将数据的平均数变成0，标准差变成1；所述正值化变化用于将所有的样本转化为正值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111510247.4A CN114331042B (zh) | 2021-12-10 | 2021-12-10 | 一种船舶碰撞风险分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111510247.4A CN114331042B (zh) | 2021-12-10 | 2021-12-10 | 一种船舶碰撞风险分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114331042A true CN114331042A (zh) | 2022-04-12 |
| CN114331042B CN114331042B (zh) | 2024-09-27 |
Family
ID=81049687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111510247.4A Active CN114331042B (zh) | 2021-12-10 | 2021-12-10 | 一种船舶碰撞风险分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331042B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542227A (zh) * | 2024-01-09 | 2024-02-09 | 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 |
| CN118247229A (zh) * | 2024-03-11 | 2024-06-25 | 雷州市佳升应急设备有限公司 | 提升消防安全等级的应对策略定制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915928A (zh) * | 2020-06-28 | 2020-11-10 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
| CN112885151A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种融合几何解析与数据挖掘的船舶碰撞风险预警方法 |
| CN113343368A (zh) * | 2021-08-05 | 2021-09-03 | 交通运输部天津水运工程科学研究所 | 一种基于arena的lng船舶进港对航道通过能力影响的计算方法 |
-
2021
- 2021-12-10 CN CN202111510247.4A patent/CN114331042B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915928A (zh) * | 2020-06-28 | 2020-11-10 | 大连海事大学 | 一种船舶碰撞事故率预测方法 |
| CN112885151A (zh) * | 2021-03-23 | 2021-06-01 | 武汉理工大学 | 一种融合几何解析与数据挖掘的船舶碰撞风险预警方法 |
| CN113343368A (zh) * | 2021-08-05 | 2021-09-03 | 交通运输部天津水运工程科学研究所 | 一种基于arena的lng船舶进港对航道通过能力影响的计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王书献 等: "浙江近海船舶碰撞风险分析方法", 渔业信息与战略, vol. 38, no. 1, 25 February 2023 (2023-02-25), pages 42 - 51 * |
| 钱玉林: "基于船舶碰撞海事分析的航迹模拟系统", 中国航海, no. 01, 30 June 1997 (1997-06-30), pages 13 - 16 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542227A (zh) * | 2024-01-09 | 2024-02-09 | 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 |
| 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 |
| CN118247229A (zh) * | 2024-03-11 | 2024-06-25 | 雷州市佳升应急设备有限公司 | 提升消防安全等级的应对策略定制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114331042B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A predictive analytics method for maritime traffic flow complexity estimation in inland waterways | |
| Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
| Xin et al. | A simulation model for ship navigation in the “Xiazhimen” waterway based on statistical analysis of AIS data | |
| Zhang et al. | A systematic approach for collision risk analysis based on AIS data | |
| Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
| Zhang et al. | Towards a model of regional vessel near-miss collision risk assessment for open waters based on AIS data | |
| CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
| CN110188093A (zh) | 一种基于大数据平台针对ais信息源的数据挖掘系统 | |
| Li et al. | AIS data-based decision model for navigation risk in sea areas | |
| CN114331042B (zh) | 一种船舶碰撞风险分析方法 | |
| CN111613094A (zh) | 一种港口水域船舶交通风险预警方法 | |
| CN115660137B (zh) | 一种船舶风浪航行能耗精准估算方法 | |
| CN102890875B (zh) | 一种获取海上智能交通网络的系统碰撞风险的方法 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| Yang et al. | Maritime traffic flow clustering analysis by density based trajectory clustering with noise | |
| Naus | Drafting route plan templates for ships on the basis of AIS historical data | |
| CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN110826891B (zh) | 一种基于船舶集群态势的相对碰撞危险度获取方法 | |
| Liu et al. | Modelling dynamic maritime traffic complexity with radial distribution functions | |
| CN113538971A (zh) | 一种基于多源异构数据融合的风险船舶检测方法 | |
| Cai et al. | Diversity, quality, and quantity of real ship data on the black-box and gray-box prediction models of ship fuel consumption | |
| CN117877318A (zh) | 基于cnn、改进lstm及注意力机制的船舶轨迹预测方法、系统 | |
| Son et al. | Development of collision risk assessment model for bridge across waterways based on traffic probability distribution | |
| Wang et al. | AIS data-based for statistics and analysis of maritime traffic dangerous features: A case study of San Diego costal water |
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 |