CN115331486B - 一种船舶碰撞风险评估与预测方法及装置 - Google Patents

Abstract

本发明公开了一种船舶碰撞风险评估与预测方法及装置，包括：获取目标区域的船舶AIS数据、确定船舶近似碰撞的位置、对船舶近似碰撞分布进行聚类、提取船舶从近似碰撞到实际碰撞过程中的航行轨迹、碰撞风险预测等步骤。本发明可以对船舶通航密度较大的热点区域进行碰撞风险评估及预测。本发明具有预测精度高、实用性强等优点；相比于目前从整体上评估船舶碰撞风险指数的方法，本发明考虑船舶近似碰撞，使得监管部门能够在第一时间发现监控区域内潜在的碰撞危险，通过对存在碰撞危险的船舶进行持续风险预测，时刻关注船舶航行动态，有效提高了船舶安全通过效率，为船方与监管部门及时做出最优决策提供技术支持。

Description

一种船舶碰撞风险评估与预测方法及装置

技术领域

本发明涉及船舶碰撞风险预测技术领域，具体涉及一种船舶碰撞风险评估与预测方法及装置。

背景技术：

在交通密集、环境复杂的航段，提供准确的船舶碰撞风险指数有利于提高航道交通监管部门的决策水平，减少碰撞事故的发生，保障船舶航行安全。现有的船舶碰撞风险预测模型并未考虑船舶近似碰撞与实际碰撞的位置，仅通过计算监控区域的综合碰撞风险指数，从整体上对船舶碰撞风险进行评估，并不能有效反映船舶碰撞事故发生前的具体情形，即船舶从近似碰撞到实际碰撞过程中的轨迹变化情况。

发明内容

本发明的目的在于提供一种船舶碰撞风险评估与预测方法，通过关注通航密度较高区域的船舶运动信息，从空间维度对船舶的潜在碰撞危险进行建模，从时间维度对船舶从碰撞风险形成到碰撞事故发生持续进行碰撞风险评估，从而达到实时预测船舶碰撞风险的目的。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种船舶碰撞风险评估与预测方法，包括：

(1)、获取目标区域的船舶AIS数据，根据所述船舶AIS数据绘制航道交通密度图；

(2)、基于所述航道交通密度图对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置；

(3)、利用密度聚类方法DBSCAN对船舶近似碰撞的位置进行聚类，得到目标区域中船舶的近似碰撞区域与实际碰撞区域的分布；

(4)、根据目标区域中船舶的近似碰撞区域与实际碰撞区域的分布，识别实际碰撞位置与近似碰撞位置，提取碰撞发生过程中的船舶轨迹；

(5)、根据碰撞发生过程中的船舶轨迹，采用模糊推理规则对船舶碰撞风险进行评估，得到船舶碰撞危险度；

(6)、基于所述碰撞发生过程中的船舶轨迹和船舶碰撞危险度，采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM学习碰撞发生过程中船舶轨迹特征序列与船舶碰撞危险度之间的关系，实现船舶碰撞风险预测。

在一些实施例中，所述船舶AIS数据包括船舶的MMSI、采集时间、经度、纬度、航速、航向信息。

在一些实施例中，获取目标区域的船舶AIS数据，包括：

获取目标区域为期10天的船舶AIS数据，其中所述船舶AIS数据从船舶自动识别系统获取；

对所述船舶AIS数据进行预处理，包括：删除明显超出正常范围与格式错误的数据，删除重复数据与数据的多余字段，对数据稀疏、分布不均的部分采用平均值插补法进行修复。

在一些实施例中，对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置，包括：

根据船舶AIS数据绘制船舶轨迹，通过船舶领域SD确定船舶间的近似碰撞，提取本船与目标船的船舶领域SD发生重叠时的位置，其中所述近似碰撞是指会遇的两艘船舶以极近通过时没有发生碰撞。

进一步地，在一些实施例中，对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置，包括：

根据船舶AIS数据绘制船舶轨迹，通过船舶领域SD确定船舶间的近似碰撞，提取本船与目标船的船舶领域SD发生重叠时的位置，其中所述近似碰撞是指会遇的两艘船舶以极近通过时没有发生碰撞；

选用动态四元船舶领域作为船舶SD模型，船舶SD模型的边界是由参数Q决定的闭合曲线；参数Q表示四个方向的半径值R_fore、R_after、R_starb和R_port，其中R_fore、R_after分别为船前部、船尾部，R_starb、R_port分别为船左舷、船右舷；参数k控制船舶领域的边界形状；所述船舶SD模型在四个方位上的半径大小都不相同，且模型形状与大小会发生改变，计算方法为：

QSD_k＝{(x,y)f_k(x,y；Q)≤1,Q＝{R_fore，R_after，R_starb，R_port}，k≥1}

其中，QSD_k表示船舶领域，(x,y)表示船舶位置；L表示船舶船长；A_D表示船舶操纵能力的前进距；D_T表示旋回初径；v表示船舶船速，f_k、k_DT、k_AD为中间参数。

在一些实施例中，提取碰撞发生过程中的船舶轨迹，包括：根据船舶近似碰撞位置和实际碰撞位置提取船舶从近似碰撞到实际碰撞过程中的轨迹。

在一些实施例中，其中所述碰撞发生过程中的船舶轨迹包括：目标船与本船的相对距离D_r、最近会遇距离DCPA、罗盘方位的偏差值VCD和到达最近会遇距离的时间TCPA；其中罗盘方位的偏差值VCD根据目标船与本船的相对方位α_r计算得到：

在一些实施例中，采用模糊推理规则对船舶碰撞风险进行评估，包括：

从近似碰撞事故中提取出输入、输出数据集，其中输入数据包括最近会遇距离DCPA、到达最近会遇距离的时间TCPA、罗盘方位的偏差值VCD和目标船与本船的相对距离D_r，输出数据为碰撞危险度CRI；

从给定的输入、输出数据集中确定模糊规则，输入变量DCPA、TCPA、VCD、D_r对应的模糊集为μ(D_CPA)、μ(T_CPA)、μ(VCD)、μ(D_r)，将模糊集输入到相应的隶属度函数f_i(μ(D_CPA)_i,μ(T_CPA)_i,μ(VCD)_i,μ(D_r)_i)中，组成的一阶多项式表达式为：

f_i(μ(D_CPA)_i,μ(T_CPA)_i,μ(VCD)_i,μ(D_r)_i)

＝k_i,0+k_i,1×μ(D_CPA)_i+k_i,2×μ(T_CPA)_i+k_i,3×μ(VCD)_i+k_i,4×μ(D_r)_i

其中，k是一个常数，i为模糊规则；

将会遇的两船从碰撞危险形成到碰撞事故发生的过程划分为4个阶段，分别为注意、危险、紧迫、碰撞，将各过程的隶属度函数进行组合形成256条模糊规则；

输出为经模糊推理规则估计的船舶间碰撞危险度CRI，由各规则通过加权平均函数

得到，计算公式为：

在一些实施例中，采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM学习碰撞发生过程中船舶轨迹特征序列与碰撞危险度间的关系，实现船舶碰撞风险预测，包括：

所述卷积神经网络-双向长短期记忆网络网络模型包括一维卷积神经CNN网络和双向长短期记忆BiLSTM网络；

将提取得到的碰撞发生过程中的船舶轨迹DCPA、TCPA、VCD、D_r作为模型输入，将评估得到的船舶碰撞危险度CRI作为模型输出，设置预测步长n，学习船舶碰撞发生过程中船舶轨迹与船舶碰撞危险度之间的时间序列关系，预测未来时刻的船舶碰撞危险度，实现目标区域内的船舶碰撞风险预测。

第二方面，本发明提供了一种船舶碰撞风险评估与预测装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

本发明与现有方法相比具有以下优点：

(1)、本发明以船舶近似碰撞位置为基准，而不是船舶碰撞事故发生位置，能够在满足评估船舶碰撞风险准确率的同时，最大限度地降低船舶碰撞概率。

(2)、本发明采用聚类方法得到船舶近似碰撞的位置分布，使得监管部门能够第一时间发现监控区域内存在的潜在碰撞危险。

(3)、本发明能够对危险船舶持续风险预测，时刻关注船舶航行动态，提高船舶安全通过的效率。

(4)、本发明采用模糊神经网络学习船舶轨迹特征与碰撞危险度的时间序列关系，可以快速地预测船舶碰撞风险情况，便于船方与监管部门及时做出最优决策。

附图说明

图1为本发明实施例中船舶碰撞风险预警流程图。

图2为本发明实施例中基于近似碰撞的模糊推理示意图。

图3为本发明实施例中LSTM结构图。

图4为本发明实施例中CNN-BiLSTM结构图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式进一步阐述本发明。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

实施例1

如图1所示，一种船舶碰撞风险评估与预测方法，包括：

(1)、获取目标区域的船舶AIS数据，根据所述船舶AIS数据绘制航道交通密度图；

(2)、基于所述航道交通密度图对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置；

(3)、利用密度聚类方法DBSCAN对船舶近似碰撞的位置进行聚类，得到目标区域中船舶的近似碰撞区域与实际碰撞区域的分布；

(4)、根据目标区域中船舶的近似碰撞区域与实际碰撞区域的分布，识别实际碰撞位置与近似碰撞位置，提取碰撞发生过程中的船舶轨迹；

(5)、根据碰撞发生过程中的船舶轨迹，采用模糊推理规则对船舶碰撞风险进行评估，得到船舶碰撞危险度；

(6)、基于所述碰撞发生过程中的船舶轨迹和船舶碰撞危险度，采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM学习碰撞发生过程中船舶轨迹特征序列与船舶碰撞危险度之间的关系，实现船舶碰撞风险预测。

所述步骤(1)中，获取目标区域的船舶AIS数据是指：

(1a)、船舶AIS数据从船舶自动识别系统(Automatic Identification System,AIS)获取，具体包括船舶的MMSI、采集时间、经度、纬度、航速、航向；

(1b)、选取某个碰撞事故频繁的航道区域作为目标区域，获取该区域为期10天的船舶航行AIS数据；

(1c)对AIS数据进行预处理，具体包括：删除明显超出正常范围与格式错误的数据，删除重复数据与数据的多余字段，对数据稀疏、分布不均的部分采用平均值插补法进行修复。

所述步骤(2)中提取船舶近似碰撞的位置，其具体方法如下：

(2a)、根据AIS数据绘制船舶轨迹，通过船舶领域(Ship Domain,SD)确定船舶间的近似碰撞，提取本船与目标船的SD发生重叠时的位置，其中，近似碰撞是指会遇的两艘船舶以极近通过时没有发生碰撞；

(2b)、选用动态四元船舶领域作为本船SD模型，该模型的边界是由参数Q决定的闭合曲线。参数Q表示四个方向的半径值R_fore、R_after、R_starb和R_port，其中R_fore、R_after分别为船前部、船尾部，R_starb、R_port分别为船左舷、船右舷；参数k控制船舶领域的边界形状。该模型在四个方位上的半径大小都不相同，且模型形状与大小会因船舶所处环境、人为操纵等因素变化而发生改变，其计算方法为：

QSD_k＝{(x,y)f_k(x,y；Q)≤1,Q＝{R_fore，R_after，R_starb，R_port}，k≥1}

其中，(x,y)表示本船位置；L表示本船船长；A_D表示船舶操纵能力的前进距；D_T表示旋回初径；v表示本船船速。

(2c)、目标船的SD同样由(2b)方法计算得到；

所述步骤(3)中对船舶近似碰撞的位置进行DBSCAN聚类，得到目标区域中船舶的近似碰撞区域与实际碰撞区域的分布，识别出近似碰撞与实际碰撞同时存在的区域；

所述步骤(4)中提取碰撞发生时的船舶轨迹是指：根据船舶近似碰撞位置和实际碰撞位置提取船舶从近似碰撞到实际碰撞过程中的轨迹。

所述步骤(5)中采用模糊推理规则对船舶碰撞风险进行评估，近似碰撞模糊推理过程如图2所示，其具体方法如下：

(5a)、从自动雷达标绘仪(Automatic Radar Plotting Aid,ARPA)获取目标船与本船的相对方位α_r、目标船与本船的相对距离D_r、最近接近点(Closest Point ofApproach,CPA)、最近会遇距离(Distance of Closest Point of Approach,DCPA)和到达最近会遇距离的时间(Time to Closest Point of Approach,TCPA)等信息；

(5b)、计算罗盘方位的偏差值(Variance of the Compass Bearing Degree,VCD)，其计算公式为：

(5c)、从近似碰撞事故中提取出输入、输出数据集，其中输入数据由DCPA、TCPA、VCD和D_r组成，输出数据为碰撞危险度(Collision Risk Index，CRI)；

(5d)、从给定的输入-输出数据集中确定模糊规则，输入变量DCPA、TCPA、VCD、D_r对应的模糊集为μ(D_CPA)、μ(T_CPA)、μ(VCD)、μ(D_r)，将模糊集输入到相应的隶属度函数中，组成的一阶多项式表达式为：

f_i(μ(D_CPA)_i,μ(T_CPA)_i,μ(VCD)_i,μ(D_r)_i)

＝k_i,0+k_i,1×μ(D_CPA)_i+k_i,2×μ(T_CPA)_i+k_i,3×μ(VCD)_i+k_i,4×μ(D_r)_i

其中，k是一个常数，i为模糊规则；

(5e)、将会遇的两船从碰撞危险形成到碰撞事故发生的过程划分为4个阶段，分别为注意、危险、紧迫、碰撞，将各过程的隶属度函数进行组合形成256条模糊规则；

(5f)、输出为经模糊推理规则估计的船舶间碰撞危险度CRI，由各规则通过加权平均函数得到，其计算公式为：

所述步骤(6)中采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM实现船舶碰撞风险预测，CNN-BiLSTM网络结构如图4所示，其具体方法如下：

(6a)、构造CNN-BiLSTM网络模型，由一维CNN网络与BiLSTM组合而成；

(6b)、将所述步骤(4)中提取的碰撞发生过程中的船舶轨迹(DCPA、TCPA、VCD、D_r)作为模型输入，将所述步骤(5)中估计的船舶碰撞危险度(CRI)作为模型输出，设置预测步长n，学习船舶碰撞发生过程中船舶轨迹与碰撞危险度间的时间序列关系，预测未来时刻的船舶碰撞危险度，实现目标区域内的船舶碰撞风险预测。

实施例2

第二方面，本实施例提供了一种船舶碰撞风险评估与预测装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。

实施例3

第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (5)

1.一种船舶碰撞风险评估与预测方法，其特征在于，包括：

(1)、获取目标区域的船舶AIS数据，根据所述船舶AIS数据绘制航道交通密度图；

(2)、基于所述航道交通密度图对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置；

(3)、利用密度聚类方法DBSCAN对船舶近似碰撞的位置进行聚类，得到目标区域中船舶的近似碰撞区域与实际碰撞区域的分布；

(4)、根据目标区域中船舶的近似碰撞区域与实际碰撞区域的分布，识别实际碰撞位置与近似碰撞位置，提取碰撞发生过程中的船舶轨迹；

(5)、根据碰撞发生过程中的船舶轨迹，采用模糊推理规则对船舶碰撞风险进行评估，得到船舶碰撞危险度；

(6)、基于所述碰撞发生过程中的船舶轨迹和船舶碰撞危险度，采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM学习碰撞发生过程中船舶轨迹特征序列与船舶碰撞危险度之间的关系，实现船舶碰撞风险预测；

其中，对目标区域内的船舶建立船舶领域SD，并在船舶领域SD重叠处提取船舶近似碰撞的位置，包括：

根据船舶AIS数据绘制船舶轨迹，通过船舶领域SD确定船舶间的近似碰撞，提取本船与目标船的船舶领域SD发生重叠时的位置，其中所述近似碰撞是指会遇的两艘船舶以极近通过时没有发生碰撞；

选用动态四元船舶领域作为船舶SD模型，船舶SD模型的边界是由参数Q决定的闭合曲线；参数Q表示四个方向的半径值R_fore、R_after、R_starb和R_port，其中R_fore、R_after分别为船前部、船尾部，R_starb、R_port分别为船左舷、船右舷；参数k控制船舶领域的边界形状；所述船舶SD模型在四个方位上的半径大小都不相同，且模型形状与大小会发生改变，计算方法为：

QSD_k＝{(x,y)|f_k(x,y；Q)≤1,Q＝{R_fore，R_after，R_starb，R_port}，k≥1}

/>

其中，QSD_k表示船舶领域，(x,y)表示船舶位置；L表示船舶船长；A_D表示船舶操纵能力的前进距；D_T表示旋回初径；v表示船舶船速，f_k、k_DT、k_AD为中间参数；

其中，提取碰撞发生过程中的船舶轨迹，包括：根据船舶近似碰撞位置和实际碰撞位置提取船舶从近似碰撞到实际碰撞过程中的轨迹；

其中所述碰撞发生过程中的船舶轨迹包括：目标船与本船的相对距离D_r、最近会遇距离DCPA、罗盘方位的偏差值VCD和到达最近会遇距离的时间TCPA；其中罗盘方位的偏差值VCD根据目标船与本船的相对方位α_r计算得到：

其中，采用模糊推理规则对船舶碰撞风险进行评估，包括：

从近似碰撞事故中提取出输入、输出数据集，其中输入数据包括最近会遇距离DCPA、到达最近会遇距离的时间TCPA、罗盘方位的偏差值VCD和目标船与本船的相对距离D_r，输出数据为碰撞危险度CRI；

从给定的输入、输出数据集中确定模糊规则，输入变量DCPA、TCPA、VCD、D_r对应的模糊集为μ(D_CPA)、μ(T_CPA)、μ(VCD)、μ(D_r)，将模糊集输入到相应的隶属度函数f_i(μ(D_CPA)_i,μ(T_CPA)_i,μ(VCD)_i,μ(D_r)_i)中，组成的一阶多项式表达式为：

f_i(μ(D_CPA)_i,μ(T_CPA)_i,μ(VCD)_i,μ(D_r)_i)

＝k_i,0+k_i,1×μ(D_CPA)_i+k_i,2×μ(T_CPA)_i+k_i,3×μ(VCD)_i+k_i,4×μ(D_r)_i

其中，k是一个常数，i为模糊规则；

将会遇的两船从碰撞危险形成到碰撞事故发生的过程划分为4个阶段，分别为注意、危险、紧迫、碰撞，将各过程的隶属度函数进行组合形成256条模糊规则；

输出为经模糊推理规则估计的船舶间碰撞危险度CRI，由各规则通过加权平均函数

得到，计算公式为：

其中，采用卷积神经网络-双向长短期记忆网络CNN-BiLSTM学习碰撞发生过程中船舶轨迹特征序列与碰撞危险度间的关系，实现船舶碰撞风险预测，包括：

所述卷积神经网络-双向长短期记忆网络网络模型包括一维卷积神经CNN网络和双向长短期记忆BiLSTM网络；

将提取得到的碰撞发生过程中的船舶轨迹DCPA、TCPA、VCD、D_r作为模型输入，将评估得到的船舶碰撞危险度CRI作为模型输出，设置预测步长n，学习船舶碰撞发生过程中船舶轨迹与船舶碰撞危险度之间的时间序列关系，预测未来时刻的船舶碰撞危险度，实现目标区域内的船舶碰撞风险预测。

2.根据权利要求1所述的船舶碰撞风险评估与预测方法，其特征在于，所述船舶AIS数据包括船舶的MMSI、采集时间、经度、纬度、航速、航向信息。

3.根据权利要求1或2所述的船舶碰撞风险评估与预测方法，其特征在于，获取目标区域的船舶AIS数据，包括：

获取目标区域为期10天的船舶AIS数据，其中所述船舶AIS数据从船舶自动识别系统获取；

对所述船舶AIS数据进行预处理，包括：删除明显超出正常范围与格式错误的数据，删除重复数据与数据的多余字段，对数据稀疏、分布不均的部分采用平均值插补法进行修复。

4.一种船舶碰撞风险评估与预测装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至3任一项所述方法的步骤。

5.一种存储介质，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3任一项所述方法的步骤。

Images