CN117933400A - 基于知识图谱的海事事故分析方法、系统、终端及介质 - Google Patents
基于知识图谱的海事事故分析方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN117933400A CN117933400A CN202410323909.4A CN202410323909A CN117933400A CN 117933400 A CN117933400 A CN 117933400A CN 202410323909 A CN202410323909 A CN 202410323909A CN 117933400 A CN117933400 A CN 117933400A
- Authority
- CN
- China
- Prior art keywords
- accident
- entity
- target
- collision
- knowledge
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 109
- 230000001364 causal effect Effects 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012502 risk assessment Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 34
- 230000003993 interaction Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 13
- 230000018109 developmental process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 235000013351 cheese Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的海事事故分析方法、系统、终端及介质，所述方法包括：获取预定时间的船舶碰撞事故报告，对船舶碰撞事故报告进行处理得到目标数据集，并创建碰撞风险训练模型；根据目标数据集对碰撞风险训练模型进行训练得到碰撞风险知识图谱模型；获取待分析船舶数据，将待分析船舶数据输入至碰撞风险知识图谱模型，输出目标三元组信息，并根据目标三元组信息进行风险分析得到目标事故分析结果。本发明不仅能够对海事事故进行深入及全面的因果关系分析，揭示事故因素之间的复杂互动和相互作用，还能对大规模的事故数据进行快速及准确的分析，以提供更准确和更全面的风险评估结果，从而为海事安全管理提供有效的决策支持。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及基于知识图谱的海事事故分析方法、系统、终端及介质。
背景技术
随着航运业的发展，航运事故的频率和复杂性也在增加，为了确保航运安全，对事故因素进行深入的分析和评估至关重要。目前，大多数研究方法都是基于传统的事故模型，例如，Swiss Cheese模型和HEART模型等，来探索和分析事故的因果关系；同时，有些研究尝试采用复杂网络理论来分析事故的因果关系，但这些方法往往只能提供局部的、单一维度的事故因果关系视图，缺乏对事故因素复杂互动的深入理解，例如，船舶碰撞事故的知识图谱构建方法，但其主要关注于简化专业知识的检索过程，而没有对事故的风险特征进行深入的拓扑分析和量化评估。
因此，现有的事故模型和方法往往只能提供有限的或局部的事故因果关系视图，难以捕捉事故因素之间的复杂互动和相互作用，此外，尽管知识图谱技术在许多领域都已得到广泛应用，但在海事安全领域的应用仍然相对有限；现有的知识图谱构建方法往往过于简化，缺乏对事故的风险特征的深入拓扑分析和量化评估，不仅限制了对航运事故的全面或深入的理解，还影响了航运安全管理的决策效果。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于知识图谱的海事事故分析方法、系统、终端及介质，旨在解决现有技术中无法捕捉海事事故因素之间的复杂互动和相互作用，并且缺乏对事故风险特征的深入拓扑分析和量化评估，导致对航运事故的分析不够全面，也影响了航运安全管理的决策效果的问题。
为实现上述目的，本发明提供一种基于知识图谱的海事事故分析方法，所述基于知识图谱的海事事故分析方法包括如下步骤：
获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，具体包括：
获取预定时间的船舶碰撞事故数据，对所述船舶碰撞事故数据进行过滤处理，得到多个船舶碰撞事故报告，并对每个所述船舶碰撞事故报告的文件格式进行统一，得到多个目标船舶碰撞事故报告；
对每个所述目标船舶碰撞事故报告进行标注处理，得到船舶碰撞事故的数据集，并对所述数据集进行切分处理，得到目标数据集，其中，所述目标数据集包括训练集、开发集和测试集。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述创建碰撞风险训练模型，具体包括：
对所述船舶碰撞事故报告进行知识提取，得到知识实体和对应的关系信息，其中，所述知识实体包括危险相关实体和非危险相关实体，所述关系信息包括因果关系、相关内容和属性；
对所述知识实体和所述关系信息进行知识融合，得到知识图谱，对所述知识图谱进行补全处理，得到目标知识图谱，并根据所述目标知识图谱构建碰撞风险训练模型。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型，具体包括：
将一组训练集输入至所述碰撞风险训练模型，所述碰撞风险训练模型根据所述训练集的文本内容得到预测三元组信息；
根据所述测试集比对所述预测三元组信息与所述文本内容对应的三元组信息之间的差异，并根据所述开发集对所述碰撞风险训练模型的模型参数进行修正；
继续将下一组训练集输入至所述碰撞风险训练模型，生成下一组文本内容对应的预测三元组信息，直至所述碰撞风险训练模型的训练情况满足预设条件，以得到所述碰撞风险知识图谱模型。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述根据所述目标三元组信息进行风险分析，得到目标事故分析结果，具体包括：
根据第一公式计算所述目标三元组信息的主动因果关系紧密度，根据第二公式计算所述目标三元组信息的被动因果关系紧密度，并根据所述主动因果关系紧密度和所述被动因果关系紧密度得出危害结果；
根据第三公式计算所述目标三元组信息的直接后继比例信息，根据第四公式计算所述目标三元组信息的直接前趋比例信息，并根据所述直接后继比例信息和所述直接前趋比例信息得出危害关联信息；
根据第五公式计算所述目标三元组信息的后果指标，根据第六公式计算所述目标三元组信息的风险指标，并根据所述后果指标和所述风险指标得出危害风险等级信息；
根据所述危害结果、所述危害关联信息和所述危害风险等级信息得到目标事故分析结果。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述第一公式为：
；
所述第二公式为：
；
所述第三公式为：
；
所述第四公式为：
；
其中，为主动因果关系紧密度，/>为被动因果关系紧密度，/>、/>和/>均为实体，/>为从实体/>到实体/>的最短路径，/>为从实体/>到实体/>的最短路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，Nodes为网络节点集，/>为直接后继比例信息，/>为直接前趋比例信息，T为实体类型，/>为筛选得到实体类型为T的实体/>。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述第五公式为：
；
所述第六公式为：
；
其中，为后果指标，/>为风险指标，/>为归一化处理，/>为事故集/>中的事故，/>为根据0-1变量表示事故/>的事故原因是否有实体/>，/>为事故的严重程度，/>为实体/>在事故/>的原因类型，/>为实体/>发生的频率。
可选地，所述的基于知识图谱的海事事故分析方法，其中，所述的基于知识图谱的海事事故分析系统包括：
数据处理模块，用于获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
模型训练模块，用于根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
事故分析模块，用于获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的基于知识图谱的海事事故分析方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于知识图谱的海事事故分析程序，所述基于知识图谱的海事事故分析程序被处理器执行时实现如上所述的基于知识图谱的海事事故分析方法的步骤。
本发明中，获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。本发明不仅能够对海事事故进行深入及全面的因果关系分析，揭示事故因素之间的复杂互动和相互作用，还能对大规模的事故数据进行快速及准确的分析，以提供更准确和更全面的风险评估结果，从而为海事安全管理提供有效的决策支持。
附图说明
图1是本发明中基于知识图谱的海事事故分析方法的较佳实施例的流程图；
图2是本发明的实施例中RKGSC模型的创建示意图；
图3是本发明的HUM类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果示意图；
图4是本发明的ENV类型、DEV类型和MAN类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果示意图；
图5是本发明的DES类型和CON类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果示意图；
图6是本发明的HUM类型对应的直接前趋比例信息的示意图；
图7是本发明的HUM类型对应的直接后继比例信息的示意图；
图8是本发明的ENV类型、DEV类型和MAN类型对应的直接前趋比例信息的示意图；
图9是本发明的ENV类型、DEV类型和MAN类型对应的直接后继比例信息的示意图；
图10是本发明的DES类型和CON类型对应的直接前趋比例信息的示意图；
图11是本发明的DES类型和CON类型对应的直接后继比例信息的示意图；
图12是本发明的HUM类型对应的后果指标和风险指标的示意图；
图13是本发明的ENV类型、DEV类型和MAN类型对应的后果指标和风险指标的示意图；
图14是本发明的DES类型和CON类型对应的后果指标和风险指标的示意图；
图15是本发明中基于知识图谱的海事事故分析系统的较佳实施例的原理示意图；
图16是本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示（诸如上、下、左、右、前、后……），则该方向性指示仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明较佳实施例所述的基于知识图谱的海事事故分析方法，如图1所示，所述基于知识图谱的海事事故分析方法包括以下步骤：
步骤 S10、获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型。
所述步骤S10中获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集包括：
步骤 S101、获取预定时间的船舶碰撞事故数据，对所述船舶碰撞事故数据进行过滤处理，得到多个船舶碰撞事故报告，并对每个所述船舶碰撞事故报告的文件格式进行统一，得到多个目标船舶碰撞事故报告；
步骤 S102、对每个所述目标船舶碰撞事故报告进行标注处理，得到船舶碰撞事故的数据集，并对所述数据集进行切分处理，得到目标数据集，其中，所述目标数据集包括训练集、开发集和测试集。
具体地，针对现有的海事事故因果关系分析方法存在的局限性，本发明提出了一种基于知识图谱的海事事故分析方法，用于深入提取和分析海事事故的因素特征，并进行风险评估；根据海事事故的特点和事故因素之间的互动规律，重新构建一个多维的事故因果关系模型，以在此事故因果关系模型中，对海事事故的各种因素进行深入及全面的分析，并量化各种风险特征；同时，对大量的事故报告文本数据进行处理，以确保此事故因果关系模型的准确性和可靠性；在本发明实施例中，知识图谱是由多个三元组组成，即(，/>，/>)，其中，/>和/>均为实体，/>为关系，即“实体-关系-实体”；之后通过所述知识图谱，将不同数据中的实体及对应的关系进行建模，从而识别风险，进而分析不同数据点间的关联性。
而在进行建模之前，需要对一些船舶碰撞事故数据进行处理，具体为，获取预定时间的船舶碰撞事故数据，例如，通过网络爬虫获取某官方网站在2014年-2023年发布的293份事故报告（即船舶碰撞事故数据），这些事故报告中详细研究了不同碰撞事件的成因，涉及气象条件、船舶通讯、人为操作、船舶设备以及航线规划等多个方面；所述网络爬虫，也称为网络蜘蛛、网络机器人或网络蠕虫，是一种以系统、自动化的方式浏览万维网的程序或编程脚本，能够用于自动化获取某官方网站上的事故报告，而在本发明中所研究的事故报告在网站上均以文件形式存在，因此需要过滤掉与所述事故报告不相关的文本、图片和链接，从而有效的提取出所述事故报告的文本文件（即船舶碰撞事故报告），并递归地获取所有所述事故报告的报告页面，以便于高效地自动化获取所有船舶碰撞事故报告；之后为了便于后续研究，需要对获取的船舶碰撞事故报告的文件格式进行统一，因为船舶碰撞事故报告的内容十分广泛，其中存在与事故因果关系分析无关的部分，如果此部分作为后续的输入，可能会引起船舶碰撞事故报告中的负样本过多，从而造成模型偏见、数据不平衡及算法精度下降等问题；因此，在进行文件格式统一的过程中，不仅需要处理船舶碰撞事故报告中的异常值和不在分析范围内的图片，还需要移除无关部分的文本，例如，页眉、页码、专业术语与标准用语以及调查取证情况等，完成处理之后得到多个目标船舶碰撞事故报告，这将有助于减少负样本的数量，以确保文本数据的质量及一致性，为进一步的分析奠定坚实基础；之后需要对每个所述目标船舶碰撞事故报告进行语义标注，得到船舶碰撞事故的数据集，所述语义标注是一种在自然语言处理领域中的重要任务，旨在为文本中的词汇、短语或句子分配语义信息或标签，以便能够理解和处理文本的含义；而对所述目标船舶碰撞事故报告进行语义标注，能够为联合抽取三元组的深度学习算法提供可靠数据；在本发明中，采用Brat工具进行语义标注，所述Brat工具具备更高的标注效率，并且通过Brat工具得到的标注结果能更好的应用于命名实体识别、事件抽取、语义关系提取以及信息抽取等文本挖掘任务；在得到所述数据集之后，对所述数据集进行切分处理，得到目标数据集，其中，所述目标数据集包括训练集、开发集和测试集，所述训练集用于后续对创建的碰撞风险训练模型进行训练，所述开发集用于后续对所述碰撞风险训练模型进行优化，所述测试集用于后续对所述碰撞风险训练模型输出的结果进行比对。
进一步地，通过三元组联合抽取算法来创建RKGSC（Risk Knowledge Graph ofShip Collision，船舶碰撞风险知识图）模型，即碰撞风险训练模型，所述碰撞风险训练模型的关键组成部分包括编码器、解码器和损失函数；其中，所述编码器的主要任务是将输入数据（通常为文本或实体关系的上下文信息）编码为固定维度的表示形式，以便供后续处理使用；所述解码器的主要任务是接收所述编码器生成的表示形式，并将所述表示形式解码成三元组的形式（即实体1、关系和实体2），目的是为了生成潜在的三元组，并通常伴随着一个生成机制的应用；所述损失函数的主要任务是度量所述碰撞风险训练模型生成的三元组与实际标注的三元组之间的差异；之后进行训练的目的为通过最小化损失函数，使所述碰撞风险训练模型能够生成与实际三元组相符的结果；而在本发明实施例中，为了提高所述碰撞风险训练模型的学习精度，采用了预训练的BERT模型（Bidirectional EncoderRepresentations from Transformers，语言表征模型）作为编码器，用于编码上下文信息，还使用了多个联合抽取三元组算法的解码器以及相应的目标函数。
而创建碰撞风险训练模型的具体过程，如图2所示，获取船舶碰撞事故调查报告，即船舶碰撞事故报告，之后对所述船舶碰撞事故报告进行知识提取，得到知识实体和对应的关系信息，其中，所述知识实体包括危险相关实体和非危险相关实体；所述关系信息包括因果关系、相关内容和属性；所述危险相关实体包括事故原因、事故描述和事故后果；所述非危险相关实体包括时间、地点和船舶类型；所述因果关系包括原因、直接原因、间接原因、主要原因和次要原因；对所述知识实体和所述关系信息进行知识融合，得到知识图谱，对所述知识图谱进行补全处理，得到目标知识图谱，并根据所述目标知识图谱构建碰撞风险训练模型；其中，在进行知识融合时，运用随机森林学习算法进行实体分类，因为三元组联合抽取算法处理之后所输出的代表各种实体的非结构化文本序列呈现出明显不一致的风格和修辞，而一些记录为不同文本序列的实体可能对应相同的含义，例如“紧迫危险局面”、“紧迫局面”和“碰撞危险局面”都可以统称为“危险的会遇局面”，而将相同含义的冗余文本全部显示出来，会大大增加知识图谱的复杂度，降低知识链接的可读性；因此，需要对提取的知识实体进行标准化，以更精确地完成知识融合；为了探索并最终定量刻画船舶碰撞事故安全领域危险源、风险和事故之间的因果联系，以CAU（事故原因）、DES（事故描述）和CON（事故结果）为特征的三元组抽取算法所导出的危险源关联实体，其中，所述CAU包含四种因素：人为因素、管理因素、设备因素和环境因素；定义的实体标准化类别包括未能及时采取有效的避碰措施（例如，延迟避让动作，未采取最有效的措施避免碰撞等）、未遵守相遇船舶的规则、瞭望疏忽（例如，疏于观察，未用尽一切手段保持规律瞭望等）、未能对当时的危险情况做出充分估计（例如，误判情况，未能正确评估碰撞危险等）、未采取安全措施（例如，船速过快，未以安全速度航行等）、安全意思薄弱（例如，未行驶足够谨慎，船员和乘客均缺乏安全意识等）、灯光类型和声响不正确（例如，未按要求鸣喇叭，未显示所需数量的标记）、未履行自己的义务（例如，未履行让船舶的职责，未给遵守规定航行的船舶让路等）、未验证船舶导航安全信息（例如，未及时验证自船位置）、超出授权区域航行、船员疲劳（例如，未行驶足够谨慎）、占用其他航道、泊位职责执行不足（例如，长时间离开控制住等）、未能及时采取有效警告措施、事故现场未停车即驶离、未保持正确航向、未能保持导航助航设施正常开放操作、船舶位置控制不佳（例如，未能有效控制并掌握船舶位置等）、缺乏航行经验（例如，不熟悉设备使用等）、未授指令或计划航行、两船间通信不当、未保持安全距离、不安全的超车与交叉、紧急措施不当、起航前准备不足（例如，对水道航行条件了解不足等）、自救措施不当、未遵守商定的避让动作（例如，未按商定加速）、船舶操作不当（例如，在船泊过程中使用船舶推动时速度过快等）、在有限能见度条件下未遵守规则、船员冲突、未遵守特殊水域航行规则、泊位操作不当（例如，台风预防措施不足等）、预防事故措施不当（例如，疏于观察等）、疏于警戒、未报告船舶导航信息、指挥错误（例如，领航员不当领航，船员和乘客缺乏安全意识等）、饮酒、身体状况不佳和未按要求进行交接班。
步骤 S20、根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型。
所述步骤 S20 包括：
步骤 S201、将一组训练集输入至所述碰撞风险训练模型，所述碰撞风险训练模型根据所述训练集的文本内容得到预测三元组信息；
步骤 S202、根据所述测试集比对所述预测三元组信息与所述文本内容对应的三元组信息之间的差异，并根据所述开发集对所述碰撞风险训练模型的模型参数进行修正；
步骤 S203、继续将下一组训练集输入至所述碰撞风险训练模型，生成下一组文本内容对应的预测三元组信息，直至所述碰撞风险训练模型的训练情况满足预设条件，以得到所述碰撞风险知识图谱模型。
具体地，将一组训练集输入至所述碰撞风险训练模型，所述碰撞风险训练模型根据所述训练集的文本内容得到预测三元组信息；根据所述测试集比对所述预测三元组信息与所述文本内容对应的三元组信息之间的差异，并根据所述开发集对所述碰撞风险训练模型的模型参数进行修正；继续将下一组训练集输入至所述碰撞风险训练模型，生成下一组文本内容对应的预测三元组信息，直至所述碰撞风险训练模型的训练情况满足预设条件，例如，所述碰撞风险训练模型生成的预测三元组信息与实际三元组信息相符，以得到所述碰撞风险知识图谱模型。
步骤 S30、获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
所述步骤 S30 中根据所述目标三元组信息进行风险分析，得到目标事故分析结果包括：
步骤 S301、根据第一公式计算所述目标三元组信息的主动因果关系紧密度，根据第二公式计算所述目标三元组信息的被动因果关系紧密度，并根据所述主动因果关系紧密度和所述被动因果关系紧密度得出危害结果；
步骤 S302、根据第三公式计算所述目标三元组信息的直接后继比例信息，根据第四公式计算所述目标三元组信息的直接前趋比例信息，并根据所述直接后继比例信息和所述直接前趋比例信息得出危害关联信息；
步骤 S303、根据第五公式计算所述目标三元组信息的后果指标，根据第六公式计算所述目标三元组信息的风险指标，并根据所述后果指标和所述风险指标得出危害风险等级信息；
步骤 S304、根据所述危害结果、所述危害关联信息和所述危害风险等级信息得到目标事故分析结果。
具体地，获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型对所述待分析船舶数据进行分析，输出对应的目标三元组信息，之后对所述三元组信息进行具体的参数计算和网络拓扑分析，从而实现风险等级的量化评估，最终以得到目标事故分析结果。此外，还定义了一系列与安全相关的特征参数，而为了便于计算和参考，将网络节点集表示为Nodes={H，M，E，D，S，K}，其中，H，M，E，D，S和K均为事故集；首先需要计算出对应的主动因果关系紧密度和被动因果关系紧密度，给定一个实体，利用主动因果关系紧密度和被动因果关系紧密度分别来表示实体直接或间接导致其他实体发生的困难程度，以及其他实体发生引起的困难程度，所述主动因果关系紧密度记为/>，所述被动因果关系紧密度记为/>，而对应的计算值越大，路径和方向发生链接的可能性就越大；其中，根据第一公式计算所述主动因果关系紧密度，根据第二公式计算所述被动因果关系紧密度，所述第一公式为：
；
所述第二公式为：
；
其中，为主动因果关系紧密度，/>为被动因果关系紧密度，/>和/>均为实体，为从实体/>到实体/>的最短路径，/>为从实体/>到实体/>的最短路径，为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，Nodes为网络节点集；只有当存在实体/>与实体/>之间存在因果路径时，，否则，/>，其他实体之间同理；并根据所述主动因果关系紧密度和所述被动因果关系紧密度得出危害结果；其中，实体类型为HUM（人为因素）类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果，如图3所示；ENV（环境因素）类型、DEV（设备因素）类型和MAN（管理因素）类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果，如图4所示；DES（事故描述）类型和CON（事故结果）类型对应的节点的主动因果关系紧密度与被动因果关系紧密度的计算结果，如图5所示；图3、图4和图5中的某些节点呈现较高的被动因果紧密度值，例如，图3中的H2和H22，图4中的M4、E4和D6，图5中的S7、S9、K11、K9、K3和K8，均表示容易由其他危害实体引起，通常被当作积累危害；而有一些节点表现出较高的主动因果紧密度值，例如，图3中的H15、H21、H30和H32等，图5中的S6、S8、S10、S16、K2、K4、K5和K12等，通常被视为源危害，可能会给船舶航行带来重大风险后果安全。此外，图3和图5中的H1、H13、H19、S4、S5、S11和K5具有几乎相同的主动因果关系紧密度和被动因果关系紧密度，主要位于因果链的中间位置。
之后需要计算出对应的直接后继比例信息和直接前趋比例信息，考虑到给定的实体可能是所述碰撞风险知识图谱模型中的任意链路，因此定义直接后继比例信息来表示实体/>可以直接引起的所有实体类型中类型T的比例，以及直接前趋比例信息来表示类型T在实体/>中所占的比例，以此来反映实体类型之间的连通性，所述直接后继比例信息记为，所述直接前趋比例信息记为/>，其中，根据第三公式计算直接后继比例信息，根据第四公式计算直接前趋比例信息，所述第三公式为：
；
所述第四公式为：
；
其中，为实体，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，Nodes为网络节点集，T为实体类型，/>为筛选得到实体类型为T的实体/>，即/>用于确定在计算/>和/>时，哪些实体应该被考虑在内，目的是为了确保只有类型为T的实体对最终结果产生影响，从而使计算的结果更具目标性和相关性，从而起到了筛选和分类的作用，并只有特定类型的实体被考虑，从而提高了分析的准确性和相关性；并根据所述直接后继比例信息和所述直接前趋比例信息得出危害关联信息，其中，HUM（人为因素）类型对应的直接前趋比例信息，如图6所示；HUM类型对应的直接后继比例信息，如图7所示；ENV（环境因素）类型、DEV（设备因素）类型和MAN（管理因素）类型对应的直接前趋比例信息，如图8所示；ENV类型、DEV类型和MAN类型对应的直接后继比例信息，如图9所示；DES（事故描述）类型和CON（事故结果）类型对应的直接前趋比例信息，如图10所示，DES类型和CON类型对应的直接后继比例信息，如图11所示；显然，各类型实体的直接后继大多是CON类型，除此之外，例如，MAN类型的实体和HUM类型的实体占MAN类型的实体的直接后继者较大部分；而DES类型的实体和同类型的实体占ENV类型、DEV类型和MAN类型的实体的直接后继者的较大部分，DES类型的实体和CON类型的实体直接造成CON类型危害的概率极大；对于前继者来说，许多原因类（即ENV类型、DEV类型和MAN类型）的实体没有直接前继者，而HUM类型的实体也占了原因类的实体的前继者的较大部分；DES类型的实体和CON类型的实体的直接前继者大多是HUM类型的实体，剩余类型的实体（例如，DES类型的实体及DEV类型的实体）的直接前继者的比例相差不大。
之后需要计算出对应的后果指标和风险指标，所述后果指标是对实体直接导致事件后果严重程度的估计，记为/>，所述风险指标是对实体/>直接导致事件后果严重程度和其发生频率的综合估计，记为/>，其中，根据第五公式计算后果指标，根据第六公式计算风险指标，所述第五公式为：
；
所述第六公式为：
；
其中，为事故集/>中的事故，/>为归一化处理，/>为根据0-1变量表示事故/>的事故原因是否有实体/>，/>为事故/>的严重程度，/>为实体/>在事故/>的原因类型，/>为实体/>发生的频率；并根据所述后果指标和所述风险指标得出危害风险等级信息，而/>和/>的结果可以直接对应危害风险等级信息的定性描述，转换关系为风险水平={（无关紧要的，/>），（可以忍受的，/>），（不合意的，/>），（无法忍受的，/>）}；其中，HUM类型对应的后果指标和风险指标，如图12所示；ENV类型、DEV类型和MAN类型对应的后果指标和风险指标，如图13所示；DES类型和CON类型对应的后果指标和风险指标，如图14所示；图12中的H1及H3具有较高的风险值，但导致的后果却不严重，而图14中的S1具有较高的风险值的同时，导致的后果也较为严重；从图12、图13和图14中可以看出H17、M11、S1、S2、S4、S6、S7、S8、S9、S12、S14和S15导致的后果较为严重，属于不合意的危害，M7、S3、S10、S14和S16导致的后果非常严重，属于无法忍受的危害，其余的风险均为无关紧要的危害和可以忍受的危害；最后根据所述危害结果、所述危害关联信息和所述危害风险等级信息得到目标事故分析结果。
本发明通过针对海域下船舶航行环境多变、风险因素复杂的特点，首次提出并构建了专门面向船舶碰撞事故的知识图谱，能够从大量的事故报告中自动提取关键信息，生成结构化的知识图谱；还通过Bert预训练模型作为编码器，采用深度学习的联合抽取三元组算法，实现了高精度的事故因果关系挖掘；并在对事故的定性分析基础上，定义了多种实体类型，覆盖了事故的各个方面，从人为原因到设备原因等，并通过随机森林学习算法对这些实体进行了标准化分类；之后还通过构建的知识图谱，定义并计算安全相关特征参数，从而实现了对船舶安全的潜在风险和后果的量化评估。
进一步地，如图15所示，基于上述基于知识图谱的海事事故分析方法，本发明还相应提供了基于知识图谱的海事事故分析系统，所述基于知识图谱的海事事故分析系统包括：
数据处理模块51，用于获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
模型训练模块52，用于根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
事故分析模块53，用于获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
进一步地，如图16所示，基于上述基于知识图谱的海事事故分析方法，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图16仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于知识图谱的海事事故分析程序40，该基于知识图谱的海事事故分析程序40可被处理器10所执行，从而实现本申请中基于知识图谱的海事事故分析方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于知识图谱的海事事故分析方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于知识图谱的海事事故分析的程序40时实现以下步骤：
获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
其中，所述获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，具体包括：
获取预定时间的船舶碰撞事故数据，对所述船舶碰撞事故数据进行过滤处理，得到多个船舶碰撞事故报告，并对每个所述船舶碰撞事故报告的文件格式进行统一，得到多个目标船舶碰撞事故报告；
对每个所述目标船舶碰撞事故报告进行标注处理，得到船舶碰撞事故的数据集，并对所述数据集进行切分处理，得到目标数据集，其中，所述目标数据集包括训练集、开发集和测试集。
其中，所述创建碰撞风险训练模型，具体包括：
对所述船舶碰撞事故报告进行知识提取，得到知识实体和对应的关系信息，其中，所述知识实体包括危险相关实体和非危险相关实体，所述关系信息包括因果关系、相关内容和属性；
对所述知识实体和所述关系信息进行知识融合，得到知识图谱，对所述知识图谱进行补全处理，得到目标知识图谱，并根据所述目标知识图谱构建碰撞风险训练模型。
其中，所述根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型，具体包括：
将一组训练集输入至所述碰撞风险训练模型，所述碰撞风险训练模型根据所述训练集的文本内容得到预测三元组信息；
根据所述测试集比对所述预测三元组信息与所述文本内容对应的三元组信息之间的差异，并根据所述开发集对所述碰撞风险训练模型的模型参数进行修正；
继续将下一组训练集输入至所述碰撞风险训练模型，生成下一组文本内容对应的预测三元组信息，直至所述碰撞风险训练模型的训练情况满足预设条件，以得到所述碰撞风险知识图谱模型。
其中，所述根据所述目标三元组信息进行风险分析，得到目标事故分析结果，具体包括：
根据第一公式计算所述目标三元组信息的主动因果关系紧密度，根据第二公式计算所述目标三元组信息的被动因果关系紧密度，并根据所述主动因果关系紧密度和所述被动因果关系紧密度得出危害结果；
根据第三公式计算所述目标三元组信息的直接后继比例信息，根据第四公式计算所述目标三元组信息的直接前趋比例信息，并根据所述直接后继比例信息和所述直接前趋比例信息得出危害关联信息；
根据第五公式计算所述目标三元组信息的后果指标，根据第六公式计算所述目标三元组信息的风险指标，并根据所述后果指标和所述风险指标得出危害风险等级信息；
根据所述危害结果、所述危害关联信息和所述危害风险等级信息得到目标事故分析结果。
其中，所述第一公式为：
；/>
所述第二公式为：
；
所述第三公式为：
；
所述第四公式为：
；
其中，为主动因果关系紧密度，/>为被动因果关系紧密度，/>、/>和/>均为实体，/>为从实体/>到实体/>的最短路径，/>为从实体/>到实体/>的最短路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，Nodes为网络节点集，/>为直接后继比例信息，/>为直接前趋比例信息，T为实体类型，/>为筛选得到实体类型为T的实体/>。
其中，所述第五公式为：
；
所述第六公式为：
；
其中，为后果指标，/>为风险指标，/>为归一化处理，/>为事故集/>中的事故，/>为根据0-1变量表示事故/>的事故原因是否有实体/>，/>为事故的严重程度，/>为实体/>在事故/>的原因类型，/>为实体/>发生的频率。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于知识图谱的海事事故分析程序，所述基于知识图谱的海事事故分析程序被处理器执行时实现如上所述的基于知识图谱的海事事故分析方法的步骤。
综上所述，本发明提供一种基于知识图谱的海事事故分析方法、系统、终端及介质，所述方法包括：获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。本发明不仅能够对海事事故进行深入及全面的因果关系分析，揭示事故因素之间的复杂互动和相互作用，还能对大规模的事故数据进行快速及准确的分析，以提供更准确和更全面的风险评估结果，从而为海事安全管理提供有效的决策支持。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于知识图谱的海事事故分析方法，其特征在于，所述基于知识图谱的海事事故分析方法包括：
获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
获取待分析船舶数据，将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
2.根据权利要求1所述的基于知识图谱的海事事故分析方法，其特征在于，所述获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，具体包括：
获取预定时间的船舶碰撞事故数据，对所述船舶碰撞事故数据进行过滤处理，得到多个船舶碰撞事故报告，并对每个所述船舶碰撞事故报告的文件格式进行统一，得到多个目标船舶碰撞事故报告；
对每个所述目标船舶碰撞事故报告进行标注处理，得到船舶碰撞事故的数据集，并对所述数据集进行切分处理，得到目标数据集，其中，所述目标数据集包括训练集、开发集和测试集。
3.根据权利要求1所述的基于知识图谱的海事事故分析方法，其特征在于，所述创建碰撞风险训练模型，具体包括：
对所述船舶碰撞事故报告进行知识提取，得到知识实体和对应的关系信息，其中，所述知识实体包括危险相关实体和非危险相关实体，所述关系信息包括因果关系、相关内容和属性；
对所述知识实体和所述关系信息进行知识融合，得到知识图谱，对所述知识图谱进行补全处理，得到目标知识图谱，并根据所述目标知识图谱构建碰撞风险训练模型。
4.根据权利要求2所述的基于知识图谱的海事事故分析方法，其特征在于，所述根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型，具体包括：
将一组训练集输入至所述碰撞风险训练模型，所述碰撞风险训练模型根据所述训练集的文本内容得到预测三元组信息；
根据所述测试集比对所述预测三元组信息与所述文本内容对应的三元组信息之间的差异，并根据所述开发集对所述碰撞风险训练模型的模型参数进行修正；
继续将下一组训练集输入至所述碰撞风险训练模型，生成下一组文本内容对应的预测三元组信息，直至所述碰撞风险训练模型的训练情况满足预设条件，以得到所述碰撞风险知识图谱模型。
5.根据权利要求1所述的基于知识图谱的海事事故分析方法，其特征在于，所述根据所述目标三元组信息进行风险分析，得到目标事故分析结果，具体包括：
根据第一公式计算所述目标三元组信息的主动因果关系紧密度，根据第二公式计算所述目标三元组信息的被动因果关系紧密度，并根据所述主动因果关系紧密度和所述被动因果关系紧密度得出危害结果；
根据第三公式计算所述目标三元组信息的直接后继比例信息，根据第四公式计算所述目标三元组信息的直接前趋比例信息，并根据所述直接后继比例信息和所述直接前趋比例信息得出危害关联信息；
根据第五公式计算所述目标三元组信息的后果指标，根据第六公式计算所述目标三元组信息的风险指标，并根据所述后果指标和所述风险指标得出危害风险等级信息；
根据所述危害结果、所述危害关联信息和所述危害风险等级信息得到目标事故分析结果。
6.根据权利要求5所述的基于知识图谱的海事事故分析方法，其特征在于，所述第一公式为：
；
所述第二公式为：
；
所述第三公式为：
；
所述第四公式为：
；
其中，为主动因果关系紧密度，/>为被动因果关系紧密度，/>、/>和/>均为实体，为从实体/>到实体/>的最短路径，/>为从实体/>到实体/>的最短路径，为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，/>为实体/>与实体/>之间是否存在因果路径，Nodes为网络节点集，/>为直接后继比例信息，/>为直接前趋比例信息，T为实体类型，/>为筛选得到实体类型为T的实体/>。
7.根据权利要求5所述的基于知识图谱的海事事故分析方法，其特征在于，所述第五公式为：
；
所述第六公式为：
；
其中，为后果指标，/>为风险指标，/>为归一化处理，/>为事故集/>中的事故，/>为根据0-1变量表示事故/>的事故原因是否有实体/>，/>为事故/>的严重程度，/>为实体/>在事故/>的原因类型，/>为实体/>发生的频率。
8.一种基于知识图谱的海事事故分析系统，其特征在于，所述基于知识图谱的海事事故分析系统包括：
数据处理模块，用于获取预定时间的船舶碰撞事故报告，对所述船舶碰撞事故报告进行处理，得到目标数据集，并创建碰撞风险训练模型；
模型训练模块，用于根据所述目标数据集对所述碰撞风险训练模型进行训练，得到碰撞风险知识图谱模型；
事故分析模块，用于获取待分析船舶数据将所述待分析船舶数据输入至所述碰撞风险知识图谱模型，所述碰撞风险知识图谱模型输出的目标三元组信息，并根据所述目标三元组信息进行风险分析，得到目标事故分析结果。
9.一种终端，其特征在于，所述终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-7任意一项所述基于知识图谱的海事事故分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于知识图谱的海事事故分析程序，所述基于知识图谱的海事事故分析程序被处理器执行时实现如权利要求1-7任意一项所述基于知识图谱的海事事故分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323909.4A CN117933400B (zh) | 2024-03-21 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323909.4A CN117933400B (zh) | 2024-03-21 | 基于知识图谱的海事事故分析方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933400A true CN117933400A (zh) | 2024-04-26 |
| CN117933400B CN117933400B (zh) | 2024-07-09 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021004333A1 (zh) * | 2019-07-08 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于知识图谱的事件处理方法、装置、设备和存储介质 |
| CN115033746A (zh) * | 2022-05-31 | 2022-09-09 | 江苏科技大学 | 基于扎根理论和事理图谱的船舶航行事故致因分析方法 |
| CN115544272A (zh) * | 2022-10-27 | 2022-12-30 | 南京华苏科技有限公司 | 基于注意力机制的化工事故原因知识图谱构建方法 |
| CN115994688A (zh) * | 2023-02-10 | 2023-04-21 | 武汉理工大学 | 基于知识图谱的船舶事故风险评估方法、装置和电子设备 |
| CN116049381A (zh) * | 2022-12-23 | 2023-05-02 | 中国科学院计算技术研究所 | 一种基于知识图谱的特定目标可视化分析方法及系统 |
| CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
| CN116668057A (zh) * | 2023-03-14 | 2023-08-29 | 北京计算机技术及应用研究所 | 一种基于知识图谱的网络安全态势理解分析方法 |
| US20240086731A1 (en) * | 2022-09-06 | 2024-03-14 | Huazhong University Of Science And Technology | Knowledge-graph extrapolating method and system based on multi-layer perception |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021004333A1 (zh) * | 2019-07-08 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于知识图谱的事件处理方法、装置、设备和存储介质 |
| CN115033746A (zh) * | 2022-05-31 | 2022-09-09 | 江苏科技大学 | 基于扎根理论和事理图谱的船舶航行事故致因分析方法 |
| US20240086731A1 (en) * | 2022-09-06 | 2024-03-14 | Huazhong University Of Science And Technology | Knowledge-graph extrapolating method and system based on multi-layer perception |
| CN115544272A (zh) * | 2022-10-27 | 2022-12-30 | 南京华苏科技有限公司 | 基于注意力机制的化工事故原因知识图谱构建方法 |
| CN116049381A (zh) * | 2022-12-23 | 2023-05-02 | 中国科学院计算技术研究所 | 一种基于知识图谱的特定目标可视化分析方法及系统 |
| CN115994688A (zh) * | 2023-02-10 | 2023-04-21 | 武汉理工大学 | 基于知识图谱的船舶事故风险评估方法、装置和电子设备 |
| CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
| CN116668057A (zh) * | 2023-03-14 | 2023-08-29 | 北京计算机技术及应用研究所 | 一种基于知识图谱的网络安全态势理解分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 江玉杰 等: "我国沿海水域船舶碰撞事故形态特征分析", 《中国安全生产科学技术》, vol. 19, no. 11, 30 November 2023 (2023-11-30), pages 173 - 179 * |
| 项威: "事件知识图谱构建技术与应用综述", 《计算机与现代化》, no. 1, 31 January 2020 (2020-01-31), pages 10 - 16 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Veitch et al. | A systematic review of human-AI interaction in autonomous ship systems | |
| Fu et al. | A framework for quantitative analysis of the causation of grounding accidents in arctic shipping | |
| Sun et al. | Comparison of the HAZOP, FMEA, FRAM, and STPA methods for the hazard analysis of automatic emergency brake systems | |
| Guo et al. | Risk evolution analysis of ship pilotage operation by an integrated model of FRAM and DBN | |
| Huang et al. | A review on risk assessment methods for maritime transport | |
| Bolbot et al. | A novel method for safety analysis of Cyber-Physical Systems—Application to a ship exhaust gas scrubber system | |
| Read et al. | Learning lessons for automated vehicle design: Using systems thinking to analyse and compare automation-related accidents across transport domains | |
| Zhang et al. | Real-time assessment and prediction on maritime risk state on the Arctic Route | |
| Uflaz et al. | Analysing human error contribution to ship collision risk in congested waters under the evidential reasoning SPAR-H extended fault tree analysis | |
| Nosov et al. | DEVISING AN APPROACH TO SAFETY MANAGEMENT OF VESSEL CONTROL THROUGH THE IDENTIFICATION OF NAVIGATOR’S STATE. | |
| CN117933400B (zh) | 基于知识图谱的海事事故分析方法、系统、终端及介质 | |
| Hsu et al. | Application of Rough Set Theory and Bow-Tie Analysis to Maritime Safety Analysis Management: A Case Study of Taiwan Ship Collision Incidents | |
| EP3690638A1 (en) | Requirements tracing precision validation tool | |
| Goodheart | Identification of causal paths and prediction of runway incursion risk by means of Bayesian belief networks | |
| CN117933400A (zh) | 基于知识图谱的海事事故分析方法、系统、终端及介质 | |
| Ponomaryova et al. | DEVISING AN APPROACH FOR THE AUTOMATED RESTORATION OF SHIPMASTER’S NAVIGATIONAL QUALIFICATION PARAMETERS UNDER RISK CONDITIONS. | |
| Bahaei et al. | Extending safeconcert for modelling augmented reality-equipped socio-technical systems | |
| Yu et al. | Using FRAM for causal analysis of marine risks in the motor vessel Milano bridge accident: identifying potential solutions | |
| Makarova et al. | ITS safety ensuring through situational management methods | |
| CN117909869B (zh) | 一种船舶事故因素识别方法、系统、终端及存储介质 | |
| US10431009B2 (en) | Methods and systems for three dimensional modeling of infrastructure elements | |
| Schröder-Hinrichs et al. | TRACEr-MAR: Technique for the retrospective & predictive analysis of cognitive errors adapted to the maritime domain | |
| Ji et al. | Integrating text mining and analytic hierarchy process risk assessment with knowledge graphs for operational risk analysis | |
| CN117909869A (zh) | 一种船舶事故因素识别方法、系统、终端及存储介质 | |
| US20240220869A1 (en) | Systems and methods for providing machine learning model evaluation by using decomposition |
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 |