CN111613094A - 一种港口水域船舶交通风险预警方法 - Google Patents
一种港口水域船舶交通风险预警方法 Download PDFInfo
- Publication number
- CN111613094A CN111613094A CN202010454207.1A CN202010454207A CN111613094A CN 111613094 A CN111613094 A CN 111613094A CN 202010454207 A CN202010454207 A CN 202010454207A CN 111613094 A CN111613094 A CN 111613094A
- Authority
- CN
- China
- Prior art keywords
- risk
- ship
- early warning
- traffic
- water area
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
Landscapes
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种港口水域船舶交通风险预警方法,包括如下步骤:步骤S1、启动***,实时检测港口水域船舶交通风险预警的工作状态;步骤S2、判断港口水域船舶交通风险预警工作状态;步骤S3、风险成因分析信息和风险预警机制信息;步骤S4、将采集到的风险成因分析信息和风险预警机制信息进行信息融合处理;步骤S5、根据船舶碰撞风险测度模型,结合经风险成因分析信息和风险预警机制信息;步骤S6、构建预警指标体系;步骤S7、根据不同的风险值,生成粗糙集约简指标;步骤S8、用建模软件SVM算法构建SVM训练模型;步骤S9、精度检验;步骤S10、预警结果。
Description
技术领域
本发明涉及航海技术领域,具体涉及一种港口水域船舶交通风险预警方法。
背景技术
港口水域船舶交通风险预警研究,一直是智能航海领域一个重要的研究方向。在现有的船舶交通风险分析与评估相关研究基础之上,从预警的角度出发,结合其他领域的预警模型方法,来对港口水域船舶交通风险进行新的探索与研究。结果表明,港口水域船舶交通风险的预警研究是可行的也是必要的,其不仅为船舶交通风险的相关研究拓宽了方向,也为海事部门更为有效监管船舶交通风险动态提供了理论支持。
港口水域船舶交通风险预警,是指在科学理论方法指导的基础上,通过对港口水域船舶交通历史事故统计分析和经验总结。从中加以归纳和总结得出港口水域船舶交通事故发生的基本规律,并主要通过指标体系的选择和建立,揭示和认识具体指标与船舶交通风险总体态势和局部特征之间的内在联系。最终使得海事监管部门在对港口水域船舶航行过程中有关指标变化持续监测的条件下,能够从中得船舶交通风险变化态势和局部特征变化的较为准确的判断,从而尽可能地提前采取监督应对措施,最大限度地促进港口水域船舶交通良好运行,同时尽量避免不良态势或船舶交通事故的发生。
要实现港口水域船舶交通风险的预警,必须建立相适应的预警指标体系。指标体系是预警***进行风险识别、判断、预控的前提,船舶交通风险预警指标的选择是根据历史统计资料,寻找与船舶交通风险相关的因素,在分析各种因素与港区水域船舶交通状况关系的基础上,寻找既能分析当前船舶交通风险状况,又能预测未来风险程度的指标。因此,预警指标的选取和建立会直接影响到预警效果的好坏,所以选择的预警指标应满足以下原则:
(1)可操作性原则。预警指标体系的构建是为了达到预警的目的,需要依靠数据支持。因此,预警指标的选取,应充分的考虑所涉及的指标在实践中便于获取和统计,从而得到有效的监测数据。
(2)准确性和规范性原则。预警指标和监测数据的取得应具有规范性,指标并不是越多越好,需要是可以计量计算的,以便于对指标的处理和监测数据的共享。
(3)相对独立原则。船舶交通风险预警指标体系中包含很多指标变量,每个指标都有实际的计量含义。有些指标数据值是直接观测到的,而有些指标数据值是需要计算得出的。所以,设计预警指标时应尽量避免各指标之间可能存在的重叠区域,减小指标间的关联性。
(4)动态与静态结合原则。影响船舶交通风险的因素中,即有一些静态不随时间变化的因素,如船舶吨位、尺寸等因素;也有一些不断变化的因素,如船舶交通流、风、能见度等。因此,指标的选取要兼顾静态和动态两类影响因素,以此来提高预警准确度。
(5)灵敏性原则。预警指标所评测的船舶交通风险能够敏感的反映港口水域风险状况,同时指标的变动与港口水域风险的变动相关联,其数值的变化能直接反映出风险程度的变动态势。
目前,缺乏一种预警准确率高的港口水域船舶交通风险预警方法。
发明内容
本发明的目的是提供一种将粗糙集理论的知识约简算法和支持向量机的分类方法这两者的优点结合,通过级联结构的支持向量机分类训练流程,建立基于RS-SVM的预警模型,由此构建预警准确率高的港口水域船舶交通风险预警方法。
本发明的技术方案如下:本发明的一种港口水域船舶交通风险预警方法,包括如下步骤:
步骤S1、启动***,实时检测港口水域船舶交通风险预警的工作状态,进入步骤S2;
步骤S2、判断港口水域船舶交通风险预警工作状态,若港口水域船舶交通风险预警工作异常,转入步骤S9;若港口水域船舶交通风险预警正常工作,则进入步骤S3;
步骤S3、风险成因分析信息和风险预警机制信息;
步骤S4、将采集到的风险成因分析信息和风险预警机制信息进行信息融合处理;
步骤S5、根据船舶碰撞风险测度模型,结合经风险成因分析信息和风险预警机制信息,对船舶进行实时交通风险的测试,确定港口水域船舶交通风险预警指标体系;
步骤S6、将上述预警指标结果进行记录,构建预警指标体系;
步骤S7、将上述预警指标体系结果在***界面上进行显示,根据不同的风险值,生成粗糙集约简指标;
步骤S8、将上述粗糙集约简指标进行精度检验;若精度检测结果不满意,转入步骤S5;若精度检测结果满意,转入步骤S9;
步骤S9、预警结果。
进一步地,在步骤S5中,确定港口水域船舶交通风险预警指标体系分为警兆指标和警度指标;所述的警兆指标包括人为因素指标X1、船舶因素指标X2、环境因素指标X3、管理因素指标X4,所述的警度指标包括碰撞风险Y1、触损风险Y2、搁浅风险Y3和其他交通风险Y4。
进一步地,在步骤S5中,主层级联SVM分类器用于对风险类别进行分类,将港口水域风险类别分为碰撞风险、触损风险、搁浅风险和其他交通风险四个类别;其中SVM1用来区分碰撞风险与其他三类风险,如果SVM1的输出结果为+1,则表明该船舶所处风险类别为碰撞风险;如果SVM1的输出结果为-1,则该船舶所处风险类别为其他三种;SVM2用来区分触损风险与剩余两类风险,如果SVM2的输出结果为+1,则表明该船舶所处风险类别为触损风险;如果SVM2的输出结果为-1,则表明该船舶所处风险类别为剩余两种;SVM3用来区分搁浅风险与其他交通风险,如果SVM3的输出结果为+1,则表明该船舶所处风险类别为搁浅风险;如果SVM3的输出结果为-1,则该船舶所处风险类别为其他交通风险;子层级联SVM分类器是在主层级联SVM分类基础之上,分别对每类风险的风险状态做出进一步的分类,分类等级为红灯、橙灯、黄灯、蓝灯四个级别;以碰撞风险为例,构造三级SVM分类器;
其中,SVM11用来区分蓝灯与其他三类风险等级,如果SVM11的输出结果为+1,则表明该船舶所处风险状态为低度危险(蓝灯)的碰撞风险;如果SVM11的输出结果为-1,则表明该船舶所处风险状态为其他三类等级的碰撞风险;SVM12用来区分黄灯与剩余两类风险等级,如果SVM12的输出结果为+1,则表明该船舶所处风险状态为中度危险(黄灯)的碰撞风险;如果SVM12的输出结果为-1,则表明该船舶所处风险状态为剩余两类等级的碰撞风险;SVM13用来区分橙灯与红灯风险等级,如果SVM13的输出结果为+1,则表明该船舶所处风险状态为较高危险(橙灯)的碰撞风险;如果SVM13的输出结果为-1,则表明该船舶所处风险状态为高度危险(红灯)的碰撞风险。
更进一步地,在步骤S5中,将粗糙集和支持向量机两者结合,来实现港口水域船舶交通风险预警模型算法。
进一步地,在步骤S8中,港口水域船舶交通风险预警模型的构建;结合粗糙集RS理论算法与支持向量机(SVM)方法的各自的优点,将二者组合用于预警模型的构建。
进一步地,在步骤S9中,某港区水域船舶交通历史事故数据,在模型训练完成之后,对模型的预警准确率做出检验。
更进一步地,在步骤S9中,对于港口水域船舶交通风险来说,在真实情况下若船舶在港口水域航行时受到的各种风险因素影响,与曾经发生事故时船舶受到的风险因素相似或相同,则可认为该船舶发生相似事故的可能性较大,即风险较高。
与现有技术相比,本发明具有如下优点:
(1)对港口水域船舶交通风险影响因素进行分析,在明确风险因素的基础上,进一步解决了在港口水域的船舶交通风险预警机制。
(2)在对风险因素分析的基础上结合相关文献研究,构建了港口水域的风险预警指标体系,可有效减少对船舶在港口航行的安全风险,提高了港口的周转效率,减少港口船舶等待时间,间接减低了船舶的运行成本。
(3)港口水域船舶交通风险预警模型的构建。结合粗糙集(RS)理论算法与支持向量机(SVM)方法的各自的优点,将二者组合用于预警模型的构建。
(4)通过对某港区水域船舶交通历史事故数据,在模型训练完成之后,对模型的预警准确率做出检验,其效果准确率高,对海事部门和船舶港口安全预警提供了较好了补充。
附图说明
图1为本发明的预警警度区间的示意图;
图2为本发明的港口水域船舶交通风险预警的警度示意图;
图3为本发明的港口水域船舶交通风险预警指标体系的示意图;
图4为本发明的港口水域船舶交通风险预警计算流程图;
图5为本发明的级联支持向量机分类训练流程图;
图6为本发明的CMSVM软件主界面;
图7为本发明的分类精度示意图。
图8为本发明的流程示意图。
具体实施方式
以下通过实施例进一步说明本发明。应该理解的是,这些实施例是本发明的阐释和举例,并不以任何形式限制本发明的范围。
实施例1
本发明的一种港口水域船舶交通风险预警方法,包括如下步骤:
步骤S1、启动***,实时检测港口水域船舶交通风险预警的工作状态,进入步骤S2;
步骤S2、判断港口水域船舶交通风险预警工作状态,若港口水域船舶交通风险预警工作异常,转入步骤S9;若港口水域船舶交通风险预警正常工作,则进入步骤S3;
步骤S3、风险成因分析信息和风险预警机制信息;
步骤S4、将采集到的风险成因分析信息和风险预警机制信息进行信息融合处理;
步骤S5、根据船舶碰撞风险测度模型,结合经风险成因分析信息和风险预警机制信息,对船舶进行实时交通风险的测试,确定港口水域船舶交通风险预警指标体系;确定港口水域船舶交通风险预警指标体系分为警兆指标和警度指标;所述的警兆指标包括人为因素指标X1、船舶因素指标X2、环境因素指标X3、管理因素指标X4,所述的警度指标包括碰撞风险Y1、触损风险Y2、搁浅风险Y3和其他交通风险Y4。
主层级联SVM分类器用于对风险类别进行分类,将港口水域风险类别分为碰撞风险、触损风险、搁浅风险和其他交通风险四个类别;其中SVM1用来区分碰撞风险与其他三类风险,如果SVM1的输出结果为+1,则表明该船舶所处风险类别为碰撞风险;如果SVM1的输出结果为-1,则该船舶所处风险类别为其他三种;SVM2用来区分触损风险与剩余两类风险,如果SVM2的输出结果为+1,则表明该船舶所处风险类别为触损风险;如果SVM2的输出结果为-1,则表明该船舶所处风险类别为剩余两种;SVM3用来区分搁浅风险与其他交通风险,如果SVM3的输出结果为+1,则表明该船舶所处风险类别为搁浅风险;如果SVM3的输出结果为-1,则该船舶所处风险类别为其他交通风险;子层级联SVM分类器是在主层级联SVM分类基础之上,分别对每类风险的风险状态做出进一步的分类,分类等级为红灯、橙灯、黄灯、蓝灯四个级别;以碰撞风险为例,构造三级SVM分类器;
其中,SVM11用来区分蓝灯与其他三类风险等级,如果SVM11的输出结果为+1,则表明该船舶所处风险状态为低度危险(蓝灯)的碰撞风险;如果SVM11的输出结果为-1,则表明该船舶所处风险状态为其他三类等级的碰撞风险;SVM12用来区分黄灯与剩余两类风险等级,如果SVM12的输出结果为+1,则表明该船舶所处风险状态为中度危险(黄灯)的碰撞风险;如果SVM12的输出结果为-1,则表明该船舶所处风险状态为剩余两类等级的碰撞风险;SVM13用来区分橙灯与红灯风险等级,如果SVM13的输出结果为+1,则表明该船舶所处风险状态为较高危险(橙灯)的碰撞风险;如果SVM13的输出结果为-1,则表明该船舶所处风险状态为高度危险(红灯)的碰撞风险。
将粗糙集和支持向量机两者结合,来实现港口水域船舶交通风险预警模型算法。
步骤S6、将上述预警指标结果进行记录,构建预警指标体系;
步骤S7、将上述预警指标体系结果在***界面上进行显示,根据不同的风险值,生成粗糙集约简指标;
步骤S8、将上述粗糙集约简指标进行精度检验;若精度检测结果不满意,转入步骤S5;若精度检测结果满意,转入步骤S9;在步骤S8中,港口水域船舶交通风险预警模型的构建;结合粗糙集RS理论算法与支持向量机(SVM)方法的各自的优点,将二者组合用于预警模型的构建。
步骤S9、预警结果。在步骤S9中,某港区水域船舶交通历史事故数据,在模型训练完成之后,对模型的预警准确率做出检验。
对于港口水域船舶交通风险来说,在真实情况下若船舶在港口水域航行时受到的各种风险因素影响,与曾经发生事故时船舶受到的风险因素相似或相同,则可认为该船舶发生相似事故的可能性较大,即风险较高。
试验例1
在反复比较有关专家的结论基础上,选取比较适用和容易监测的16个指标,预警指标及其属性如表1所示:
表1
每个预警指标做详细说明:
(1)船长在驾驶室,指船舶在港口水域航行时船长是否在驾驶室指挥驾驶船舶,尽量避免船舶事故的发生,本发明以是、否来描述这一指标。
(2)通讯与合作,是指船舶在港口水域航行时是否与港区各方保持良好沟通协调,包括与交通管理部门、与引航员、与码头管理部门、自身的相关声号和信号显示。
(3)船舶吨位,船舶的吨位与事故后果严重程度有直接的关系,据日本海事专家盐原在对海上交通事故的长期研究中发现,在相同条件下,船舶吨位越大,发生事故的概率越大。因为船舶越大,其惯性越大,操纵不灵活,受港口水域航道宽度、水深及天气因素影响较大。据相关海事统计,船舶碰撞概率随船舶吨位的平均变化可用公式表示为:β=0.0014GT+0.0009,式中,β为碰撞概率,GT为船舶总吨。此外,对某港口的海事调查中也发现,在1988年-1997年间发生的碰撞事故中,5000-10000GT的船舶碰撞事故数是1000-1500GT船舶的7倍,是3000-5000GT总吨船舶的近3倍。本发明所研究的港口水域中,事故船舶吨位主要集中在10000总吨及以下,因此按照船舶吨位大小来描述之一指标。
(4)船舶类型,对于不同的港口水域其水域内航行的船舶种类别不尽相同,并且发生交通事故的船舶事故数量和事故后果也不同,所以对航行在港口水域的某一类船舶历史事故数据的分析,能及时的识别出该类船舶可能遇到的交通风险并告知操船者采取有效的措施避免交通事故的发生。本发明以表4.1所述某港口水域内常见的六类船舶为主要研究对象。
(5)船舶尺寸,船舶的尺寸决定了船舶在航道航行时所占据的水域大小,影响船舶之间会遇时的最小会遇时间(TCPA)和距离(DCPA),并且大型船舶在狭水道航行时极易发生触碰和搁浅事故。根据事故数据统计,本发明以船舶的总长来描述这一指标。
(6)船舶速度,船舶在港口水域航行时应按照该航道规定的安全航速行驶,特别是在能见度不良和航道交叉口水域以防止交通事故的发生。安全航速是指凡是能采取适当而有效的避碰行动,并能在适合当时环境和情况的距离内把船停止的速度。一般来说,港***通管理部门对港口水域行驶的船舶都有限速的规定,例如张家港海事局对福南水道做出了限速10节的规定,但限速10节并不是安全航速,它只是对最高船速的限额。因此,船舶航行在港口航行时要通过VTS获知当时的安全航速。本发明以船舶是否使用安全航来描述这一指标。
(7)船龄,一般来说,船舶使用越久其技术状况、营运能力和经济性能越差。目前的科技水平和技术造出的船舶中,散货船的使用年限为30年左右、油轮25年左右、液化天然气船30年左右。多数船公司对使用一定年限的船舶进行一定的恢复修理,以此来延长船舶的使用年限,一般经过大修后的船舶其使用年限会延长10年左右。因此一些船舶的实际使用年数高于规定的使用年限,特别是一些渔船及小货船。本发明不考虑船舶在使用期内的维修因素,以船舶的实际使用年数与规定的使用年限比值来描述这一指标。
(8)风力,风是影响船舶航行安全的最重要的自然因素之一。大风和台风造成船舶偏航、搁浅以及造成船舶走锚等;横风可使船舶产生漂航、横倾;航行过程中风速也会影响驾驶员的视觉判断船舶碰撞危险;在风的作用下,水面所产生的浪及浪花,经常会妨碍雷达及视觉瞭望,特别是对一些小目标很难及时发现。有学者在研究相对事故数Kw与风速等级Vw的关系后指出,二者具有线性关系,可表示为:Kw=7.9Vw-11.6,Kw≥0,式中Kw为相对事故数,Vw风速等级。
(9)能见度,能见度是指在海上正常目力所能见到的最大水平距离,即在该距离上能把目标物的轮廓从天空背景上分辨出来。在港口水域,雾是影响能见度的主要因素,其他因素还有雨、雪、沙尘暴等恶劣天气。能见度不良时对船舶的航行安全和港***通效率有很大影响,其限制了船舶驾驶员的视觉观察范围,从而使驾驶员得到的船舶航行状态信息量大大减少,给操船决策带来极大的困难,因而极易发生船舶碰撞和搁浅事故。据统计,在不同的能见距离下,1000小时内船舶所发生的事故率与能见度距离成指数关系,其回归方程可用公式表示为:K=90×D-0.8,式中K为船舶事故数,D为能见度距离。本发明根据能将度距离将能见度划分为能见度低,能见度受限、能将度良好、能见度很好四个等级
(10)流或潮汐,船舶航行安全受流或潮汐的影响较大,特别是在港口水域航行的船舶。因为港区航行时,驾驶员往往会因为错估潮流的影响而发生搁浅、触礁和碰撞事故。一般来说,流对船舶交通的影响主要在两方面,一是对船舶运动和操纵性能的影响,顶流航行时,流可以增加舵效,并减少船舶对地航行速度,而顺流航行时,则使舵效变差,使操船困难,同时,侧向受流时会产生一定的风流压差,为保持船舶在计划航线上对驾驶人员操船水准要求最高;二是流对船舶交通量的影响,在涨潮时,航道内船舶交通量显著增加。特别是在狭水道水域,流加速了船的船侧和船底水流的相对速度,而易使船舶发生岸壁效应及船体下坐,使船舶发生碰撞、搁浅、触碰等事。因此,一般来说,港口水域的流速越大,船舶的航行就越困难,交通风险越大。本发明以港口水域实时的流速大小来描述这一指标。
(11)地点类型,对于在特定港口水域内航行的船舶,交通事故发生的地点并不固定,对沿海某港口近几年的船舶交通事故统计分析,船舶交通事故发生地点统计如表2所示。
表2
地点类型 | 涉事船舶数 | 统计事故数 |
港区泊位附近水域 | 154 | 127 |
港区航道水域 | 260 | 189 |
港区沿岸 | 282 | 216 |
近海 | 68 | 41 |
港区锚地 | 86 | 64 |
鸟礁区 | 17 | 13 |
渔场 | 14 | 7 |
可以看出船舶事故发生率较高的地点为港区泊位、港区航道、沿岸。本发明以表2中所示的常见船舶交通事故地点为预警对象。
(12)船舶交通流密度,交通流密度是指某一瞬时单位面积水域中的船舶数。它反应了水域中船舶的密集程度的同时,也反应了水域中船舶交通的繁忙程度和危险程度。假设船舶种类单一、船速均匀、航向相同、航迹宽度不变,即可得到交通流量Q、交通流密度ρ、交通流速度V、交通流宽度W四者的关系,表示为:Q=ρ*V*W,式中Q为交通流量,ρ为交通流密度,V为交通流速度,W为交通流宽度。在航道规定的船舶通航密度内,船舶会遇的几率随着船舶交通密度增大而增大,进而导致交通风险也越高。
(13)航道宽度,航道宽度是是一个港口水域能给船舶在航道上提供的操船空间,船舶在狭窄航道航行时,容易发生岸推、岸吸和浪损现象,从而导致船舶碰撞、触岸、搁浅等事故的发生。对于操船者来说,倾向于以船宽的数倍来表达富裕宽度和横距。我国港口通航标准规定,最小航道宽度按不同航道等级,一般约为船舶宽度的3-7倍。本发明以标准船舶宽度与所在航道最窄处宽度的比值大小来描述这一指标。
(14)航道弯曲度,船舶在航道弯曲处进行转向操作时受风、流的影响较大,同时受到操船者视程的限制和航道内可操船水域的限制等,操船困难程度较大,极易发生事故。航道弯曲度对船舶航行安全的影响主要表现在转向角的大小。本发明将转向角分为5个等级,
(15)助航设施,助航设施包括灯塔、浮标、立标等设施,其功能主要为定位导航、危险警告、确认、指示交通。助航设施的不完备或损坏对船舶航行安全将造成不可忽视的影响。该指标难以定量描述,参考相关专家的意见及相关文献,“完善”的助航设施标准为:助航标志数量充足、配置合理、标识明显。本发明以助航设施完善水平,将助航设施分为“完善”、“较完善”、“不完善”三个等级来描述。
(16)海事监管,海事部门对在港口水域航行的船舶进行交通监管和助航服务,如AIS监控、VTS服务等。海事部门对船舶交通状况的实时监管能够使操船者及时采取有效措施避免事故的发生。本发明以海事监管是否有效监管来描述这一指标。
港口水域船舶交通风险预警警度的确定
对船舶交通风险进行预警的目的就是要能准确的预报警度。警度是反映警兆指标实际变化及所处的状态。根据警兆指标确定警度的情况可以分为两类。
第一类是定量警度描述,找出反映警兆指标的数量特征单位。就本发明所研究的港口水域交通风险警兆指标来说,其数量单位就是交通风险值,由事故后果损失程度大小和事故发生的概率共同决定。因为本发明是依据船舶交通事历史故数据为样本,即事故已经发生,因此船舶交通风险值就由事故发生的可能性或来描述。
第二类是定性警度处理,把警兆指标量根据最大值和最小值之间的可能范围,划分若干个性质不同的区间,其对应不同的警度,预警警度区间如图1所示。
对于港口水域船舶交通风险来说,本发明假定,在真实情况下若船舶在港口水域航行时受到的各种风险因素影响,与曾经发生事故时船舶受到的风险因素相似或相同,则可认为该船舶发生相似事故的可能性较大,即风险较高。本发明将风险程度分为四个状态,即低危险度状态S1、中危险度状态S2、较高危险度状态S3、高危险度状态S4,分别对应船舶交通事故程度中的小事故、一般事故、大事故、重特大事故四个事故等级,交通部在《水上交通事故统计办法》中对水上交通事故制定了明确的分级标准。
同时,为了使预警控制更有针对性,本发明将可能发生的事故类别也作为预警警度的一部分。在对港口水域船舶交通风险预警指标进行实时监测的基础上,通过建立相关的预警数学模型,来计算得到预警监测指标所反应的任一船舶可能面临的交通风险类别及风险状态。
本发明借鉴气象灾害预警信号相关表示方法,若计算得出某一船舶对应的风险状态为低度危险状态,则以“蓝灯”表示;若计算得出某一船舶对应的风险状态为中度危险状态,则以“黄灯”表示;若计算得出某一船舶对应的风险状态为较高危险状态,则以“橙灯”表示;若计算得出某一船舶对应的风险状态为高度危险状态,则以“红灯”表示。用x轴表示船舶编号即在港口监测水域内航行的船舶;y轴表示风险类别即碰撞R1、触损R2、搁浅R3、其他R4四个类别;z轴表示风险状态即低危险度状态S1、中危险度状态S2、较高危险度状态S3、高危险度状态S4,可用图2表示。
港口水域船舶交通风险预警指标体系
根据上述分析筛选出的预警指标和预警警度的划分,按照指标的层次分类关系,最终构造出港口水域船舶交通风险预警指标体系,港口水域船舶交通风险预警指标体系如图3所示。
港口水域船舶交通风险预警模型算法
本发明将粗糙集和支持向量机两者结合,来实现港口水域船舶交通风险预警模型算法。港口水域船舶交通风险预警计算流程图如图4所示。
数据预处理
根据所建立的港口水域风险预警指标体系,将样本数据整理成下表所示的二维决策表形式。样本决策属性表属性集合如表3所示:
表3
决策表的条件属性集中,船长在驾驶室X11、通讯与合作过失X12、船舶类型X22、船舶速度X25、地点类型X34、助航设施X38、海事监管X41,这七个预警指标属于定性描述的指标变量,这些定性描述主要分为三类:
(1)评价语言:如优、良、中、差或I级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级等之类的评价术语。助航设施指标属于此类,其评价语言为完善、较完善和不完善三个等级。
(2)概念语言:如事故类别、事故名称等。通讯合作、船舶类型、地点类型三个指标属于此类,其概念语言描述如表4所示。
(3)布尔语言:如是与否;发生与未发生等。船长在驾驶室、船舶速度、海事监管三个指标属于此类,其布尔语言描述均为:是与否在实际的机器学习中,上述定性预警指标属性值是不能直接参与计算的,需要将这些定性指标属性值量化处理。目前常用的方法主要有:枚举量化法、模糊量化法和打分量化法。预警指标概念语言描述如表4所示:
表4
(1)枚举量化法通过人为设置分类标签来进行量化,适用于概念和布尔语言的量化处理。以事故类型为例,在高速公路建设中,易发生的事故主要有高空坠落、山体坍塌、物理撞击、触电伤亡、机械伤害、起重伤害、透水、火灾、***等,在数据库中将这些事故与数字1—11的类别标签建立一一对应的映射关系,每个符号唯一对应相应的事故名称,这样处理可以简化数据挖掘中事故统计的计算流程。
(2)模糊量化是将评价语言的定性描述分别映射到相应的置信区间,使属性值以模糊数的形式参与数据挖掘的量化分析,根据模糊数表示方式的不同,又分为两点模糊量化、三角模糊量化和梯形模糊量化三种方式,经上述三种模糊量化处理后的数据形式分别为区间模糊数、三角模糊数和梯形模糊数。以船舶交通事故的严重程度为例,对事故严重程度的描述有小事故、一般事故、大事故、重特大事故四个等级,在对事故进行量化评价时,基于以往的事故统计和专家的经验分析,将这四类程度等级分别映射到模糊区间[0,1),[1,6)、[6,10)和[10,50],根据指标的等级描述转化为相应的模糊区间值,从而完成量化过程。
(3)打分量化法依赖于专家经验和主观偏好,主要用于评价语言的量化处理,该类方法中最经典的两个例子当属层次分析法和模糊综合评判法,主要用于获取项目的指标。权重和评价值。
本发明采取枚举量化法对上述七个定性预警指标进行量化,定性预警指标量化结果如表5所示。
量化后的指标数据,由于指标属性存在量纲和数量级的差异,如船舶吨位指标和风力指标之间,样本数据的数量级有较大差异。如果将指标值直接用来样本训练,容易出现样本集的偏斜,从而导致预警模型精度较差,达不到期望的效果。因此,将各个指标样本数据值预先进行无量纲化即归一化处理,使之映射到统一的范围之内是样本训练前的必要准备。本发明采用如下公式对全部16个预警指标样本数据进行归一化处理。
新的预警指标样本数据序列:
表5
基于粗糙集的数据样本属性约简
(1)根据粗糙集理论对样本约简的要求,先要建立事故样本数据的决策属性表,包括条件属性集和决策属性集两部分。由前面相关介绍可知条件属性集即为所有的预警监测指标;决策属性集为{碰撞风险(红灯、橙灯、黄灯、蓝灯),触损风险(红灯、橙灯、黄灯、蓝灯),搁浅风险(红灯、橙灯、黄灯、蓝灯),其他交通风险(红灯、橙灯、黄灯、蓝灯)},分别对应船舶交通风险的四种类别和状态。
(2)对决策表相关样本数据进行补齐,然后对决策表进行约简,主要针对决策表的条件属性集,即消去条件属性集中的某些列。但是简化的决策表与原决策表有相同的功能,可以通过相关的约简算法来实现。常用的约简算法有:盲目删除属性约简算法、基于Pawlak属性重要度约简算法、基于差别矩阵的约简算法、基于差别函数的约简算法等。本发明采用基于Pawlak属性重要度约简算法,并通过C++编程实现决策表的约简算法。
基于级联结构支持向量机的样本数据分类
使用粗糙集理论对船舶交通事故样本数据条件属性约简后保留了预警指标体系的核心属性即决策表的核,降低了预警指标的维数,并且大大减少了分类训练计算量。根据约简后的决策属性表,来对所研究的港口水域船舶交通事故样本数据进行多级分类。
(1)核函数和相关参数的确定
根据前文支持向量机相关理论介绍可知,目前使用较多的内积核函数有三种,即多项式核函数;径向基数(RBF)核函数,也称作高斯核函数;Sigmoid核函数。选择核函数时一般首先考虑向基(RBF)函数,主要基于以下原因:
①径向基核函数将数据非线性地映射到高维特征空间,可以处理特征变量和分类变量呈非线性关系时的情况,本发明所研究的港口水域船舶交通风险类别与风险预警指标之间即为非线性关系。
②线性函数可以看作径向基函数的特殊情况,另外对于确定的参数,Sigmoid函数的表现与径向基函数相似。
③径向基函数的参数比较少,主要变化参数为2,可以简化模型选择的复杂程度;选择径向基函数作为核函数,只有两个参数需要确定:惩罚参数C和核函数的参数。惩罚参数C的范围确定在0-100之间,参数C是在寻找最优划分超平面计算时对被错分样本的一个惩罚系,C越大惩罚的力度越大,使训练集中被错分类的样本越少,但模型越复杂,推广能力反而会下降。参数的范围一般确定在0-1之间。
(2)交叉验证
交叉验证是通过自行的数据样本训练和检验来保证支持向量机分类精度的方法。其基本原理是将原始数据的训练样本分组(按照一定比例),一部分用作训练集,另一部分用作验证集,通过训练集的训练建模生成分类器,C和σ的取值为获得最高分类识别精度的分类器所对应的参数,若存在多组C和o对应于最高的验证分类准确率,则选取参数C最小的那组C和σ作为最佳参数,因为惩罚参数C过大会导致过学习状态的发生,即训练集分类准确率很高而验证集分类准确率很低,所以在能够达到最高验证分类准确率时所有成对的参数C和σ中,选择惩罚参数C较小的一组作为最佳参数。
(3)样本训练
采用“一对其余”的多类分类方法来进行样本分类训练,构造级联结构的支持向量机分类器,如图所示。级联结构分类器是将若干个相同功能的分类器,按照一定的顺序组合成一个层次分类器,以此来替代原始的整体分类器,这样可以简化模型复杂度并有效提高分类效率和精度。级联支持向量机分类训练流程如图5所示;
主层级联SVM分类器用于对风险类别进行分类,如前文所述本发明将港口水域风险类别分为碰撞风险、触损风险、搁浅风险和其他交通风险四个类别。其中SVM1用来区分碰撞风险与其他三类风险,如果SVM1的输出结果为+1,则表明该船舶所处风险类别为碰撞风险;如果SVM1的输出结果为-1,则该船舶所处风险类别为其他三种。SVM2用来区分触损风险与剩余两类风险,如果SVM2的输出结果为+1,则表明该船舶所处风险类别为触损风险;如果SVM2的输出结果为-1,则表明该船舶所处风险类别为剩余两种。SVM3用来区分搁浅风险与其他交通风险,如果SVM3的输出结果为+1,则表明该船舶所处风险类别为搁浅风险;如果SVM3的输出结果为-1,则该船舶所处风险类别为其他交通风险。子层级联SVM分类器是在主层级联SVM分类基础之上,分别对每类风险的风险状态做出进一步的分类,分类等级为红灯、橙灯、黄灯、蓝灯四个级别。以碰撞风险为例,构造三级SVM分类器。其中,SVM11用来区分蓝灯与其他三类风险等级,如果SVM11的输出结果为+1,则表明该船舶所处风险状态为低度危险(蓝灯)的碰撞风险;如果SVM11的输出结果为-1,则表明该船舶所处风险状态为其他三类等级的碰撞风险。SVM12用来区分黄灯与剩余两类风险等级,如果SVM12的输出结果为+1,则表明该船舶所处风险状态为中度危险(黄灯)的碰撞风险;如果SVM12的输出结果为-1,则表明该船舶所处风险状态为剩余两类等级的碰撞风险。SVM13用来区分橙灯与红灯风险等级,如果SVM13的输出结果为+1,则表明该船舶所处风险状态为较高危险(橙灯)的碰撞风险;如果SVM13的输出结果为-1,则表明该船舶所处风险状态为高度危险(红灯)的碰撞风险。触损风险、搁浅风险与其他交通风险的子层级联SVM构造方法与碰撞风险的子层级联SVM构造方法相同,这里不再展开叙述。
(4)建模计算软件
关于实现SVM算法的程序有很多,目前多数是通过Matlab软件调用相关SVM工具箱(如LibSVM、LS_SVM、SVMlight等),来进行支持向量机模型的构建和训练。这里采用一种SVM集成软件CMSVM来实现SVM算法。CMSVM软件中采用的是Thorsten Joachim快速SVM算法,在保留SVMlight内核的基础上,通过减少人为参与,实现了计算机自动选择最优模型的功能,提高了选择最优模型的效率。它集训练学***台,可用于分类预报和回归预报,特别适合于解决高度非线性的分类和回归等问题。CMSVM软件主界面如图6所示:
软件主要计算功能如下:
①交叉验证功能。即在总的样本数据集中,按一定比例随机抽取出一部分样本作为训练集,把剩余的样本作为检验集,并设置一定的循环步长和次数,再训练建模后记录对检验集的预报结果。
②贴近度计算功能。,即在训练样本数据集中引入的一种相似性度量函数,它刻画两个训练样本之间的相似或贴近的程度,以此来对训练数据集的品质做一分析。完全相同的两个样本的贴近度为1,区别最大的两个样本的贴近度为0,一般两个训练样本的贴近度介于0和1之间。
③两类分类功能。将样本按照一定比例人工分为训练集、检验集,通过训练集样本的学习来建立分类决策函数模型,经检验集样本检验达到所需精度之后,可以将该分类模型用于预报。
④预报应用功能。根据已建立的最优预警模型,来计算得到外部监测数据样本集的预警结果。在预报输出结果中,CMSVM软件提供了以下一些精度指标:全体样本分类
预报准确率、正样本TS评分、负样本TS评分、正样本预报成功率、正样本预报概括率、负样本预报成功率、负样本预报概括率。下面就各个指标一一做出说明。由图7所示,其中的矩形框表示全部样本,它被划分成四个子区域A、B、C、D。其中,白色椭圆区域(A+B)为实际的正类样本,阴影区域(C+D)为实际的负样本。另一个椭圆区域(A+C)为预报为正样本的区域,他的补集(B+D)为预报为负样本的区域。分类精度示意图如图7所示:
用|A|,|B|,|C|,|D|分别表示对应区域所含样本个数,则有:
|A|=实际是正样本且预报是正样本的个数
|B|=实际是正样本且预报是负样本的个数
|C|=实际是负样本且预报是正样本的个数
|D|=实际是负样本且预报是负样本的个数
这样就可以得到
全体样本分类预报准确率=(|A|+|D|)/|A|+|B|+|C|+|D|×100%
正样本TS评分=|A|/(|A|+|B|+|C|)×100%
负样本TS评分=|D|/(|B|+|C|+|D|)×100%
正样本预报成功率=|A|/(|A|+|C|)×100%
正样本预报概括率=|A|/(|A|+|B|)×100%
负样本预报成功率=|D|/(|B|+|D|)×100%
负样本预报概括率=|D|/(|C|+|D|)×100%
可以看出正、负样本的TS评分是较为严格的,它兼顾了错报和漏报两方面。
方法验证
在完成对港口水域船舶交通风险预警模型构建之后,需要对模型的精度及推广能力做出评价。RS-SVM预警模型经外部监测数据验证之后已满足预警准确度要求,我们对港口水域内某一时段监测得到的10个样本数据带入模型文件中进行计算,结果如表10所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (7)
1.一种港口水域船舶交通风险预警方法,其特征在于包括如下步骤:
步骤S1、启动***,实时检测港口水域船舶交通风险预警的工作状态,进入步骤S2;
步骤S2、判断港口水域船舶交通风险预警工作状态,若港口水域船舶交通风险预警工作异常,转入步骤S10;若港口水域船舶交通风险预警正常工作,则进入步骤S3;
步骤S3、风险成因分析信息和风险预警机制信息;
步骤S4、将采集到的风险成因分析信息和风险预警机制信息进行信息融合处理;
步骤S5、根据船舶碰撞风险测度模型,结合经风险成因分析信息和风险预警机制信息,对船舶进行实时交通风险的测试,确定港口水域船舶交通风险预警指标体系;
步骤S6、将上述预警指标结果进行记录,构建预警指标体系;
步骤S7、将上述预警指标体系结果在***界面上进行显示,根据不同的风险值,生成粗糙集约简指标;
步骤S8、用建模软件SVM算法构建SVM训练模型;
步骤S9、精度检验:若精度检测结果不满意,转入步骤S5;若精度检测结果满意,转入步骤S10;
步骤S10、预警结果。
2.根据权利要求1所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S5中,确定港口水域船舶交通风险预警指标体系分为警兆指标和警度指标;所述的警兆指标包括人为因素指标X1、船舶因素指标X2、环境因素指标X3、管理因素指标X4,所述的警度指标包括碰撞风险Y1、触损风险Y2、搁浅风险Y3和其他交通风险Y4。
3.根据权利要求2所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S5中,主层级联SVM分类器用于对风险类别进行分类,将港口水域风险类别分为碰撞风险、触损风险、搁浅风险和其他交通风险四个类别;其中SVM1用来区分碰撞风险与其他三类风险,如果SVM1的输出结果为+1,则表明该船舶所处风险类别为碰撞风险;如果SVM1的输出结果为-1,则该船舶所处风险类别为其他三种;SVM2用来区分触损风险与剩余两类风险,如果SVM2的输出结果为+1,则表明该船舶所处风险类别为触损风险;如果SVM2的输出结果为-1,则表明该船舶所处风险类别为剩余两种;SVM3用来区分搁浅风险与其他交通风险,如果SVM3的输出结果为+1,则表明该船舶所处风险类别为搁浅风险;如果SVM3的输出结果为-1,则该船舶所处风险类别为其他交通风险;子层级联SVM分类器是在主层级联SVM分类基础之上,分别对每类风险的风险状态做出进一步的分类,分类等级为红灯、橙灯、黄灯、蓝灯四个级别;以碰撞风险为例,构造三级SVM分类器;
其中,SVM11用来区分蓝灯与其他三类风险等级,如果SVM11的输出结果为+1,则表明该船舶所处风险状态为低度危险(蓝灯)的碰撞风险;如果SVM11的输出结果为-1,则表明该船舶所处风险状态为其他三类等级的碰撞风险;SVM12用来区分黄灯与剩余两类风险等级,如果SVM12的输出结果为+1,则表明该船舶所处风险状态为中度危险(黄灯)的碰撞风险;如果SVM12的输出结果为-1,则表明该船舶所处风险状态为剩余两类等级的碰撞风险;SVM13用来区分橙灯与红灯风险等级,如果SVM13的输出结果为+1,则表明该船舶所处风险状态为较高危险(橙灯)的碰撞风险;如果SVM13的输出结果为-1,则表明该船舶所处风险状态为高度危险(红灯)的碰撞风险。
4.根据权利要求1所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S5中,将粗糙集和支持向量机两者结合,来实现港口水域船舶交通风险预警模型算法。
5.根据权利要求1所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S8中,港口水域船舶交通风险预警模型的构建;结合粗糙集RS理论算法与支持向量机(SVM)方法的各自的优点,将二者组合用于预警模型的构建。
6.根据权利要求1所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S9中,某港区水域船舶交通历史事故数据,在模型训练完成之后,对模型的预警准确率做出检验。
7.根据权利要求6所述的港口水域船舶交通风险预警方法,其特征在于:在步骤S9中,对于港口水域船舶交通风险来说,在真实情况下若船舶在港口水域航行时受到的各种风险因素影响,与曾经发生事故时船舶受到的风险因素相似或相同,则可认为该船舶发生相似事故的可能性较大,即风险较高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454207.1A CN111613094A (zh) | 2020-05-26 | 2020-05-26 | 一种港口水域船舶交通风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454207.1A CN111613094A (zh) | 2020-05-26 | 2020-05-26 | 一种港口水域船舶交通风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111613094A true CN111613094A (zh) | 2020-09-01 |
Family
ID=72204832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454207.1A Withdrawn CN111613094A (zh) | 2020-05-26 | 2020-05-26 | 一种港口水域船舶交通风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111613094A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287468A (zh) * | 2020-12-29 | 2021-01-29 | 北京海兰信数据科技股份有限公司 | 一种船舶碰撞危险度判别方法及*** |
CN112465648A (zh) * | 2020-10-21 | 2021-03-09 | 湖南天设信息科技有限公司 | 一种风险数据的评估方法、装置、计算机设备及存储介质 |
CN113012472A (zh) * | 2021-03-17 | 2021-06-22 | 武汉理工大学 | 一种适用于vts***的船舶预警方法、设备及存储介质 |
CN114005303A (zh) * | 2021-09-29 | 2022-02-01 | 交通运输部天津水运工程科学研究所 | 一种桥区水域通航安全条件智能预报方法及*** |
CN114387806A (zh) * | 2022-01-17 | 2022-04-22 | 南京理工大学 | 一种基于台风条件下的城市应急交通抢修***及方法 |
CN114620199A (zh) * | 2022-03-15 | 2022-06-14 | 陕西正整数科技有限公司 | 一种自动并发船舶避碰测试方法及*** |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及*** |
CN116307737A (zh) * | 2023-05-06 | 2023-06-23 | 交通运输部水运科学研究所 | 基于港口泊位拥堵度的危险货物集装箱安全风险预测方法 |
CN117727207A (zh) * | 2024-02-18 | 2024-03-19 | 交通运输部水运科学研究所 | 一种船舶通过弯曲河道航行状态判别方法及*** |
-
2020
- 2020-05-26 CN CN202010454207.1A patent/CN111613094A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465648A (zh) * | 2020-10-21 | 2021-03-09 | 湖南天设信息科技有限公司 | 一种风险数据的评估方法、装置、计算机设备及存储介质 |
CN112287468A (zh) * | 2020-12-29 | 2021-01-29 | 北京海兰信数据科技股份有限公司 | 一种船舶碰撞危险度判别方法及*** |
CN113012472A (zh) * | 2021-03-17 | 2021-06-22 | 武汉理工大学 | 一种适用于vts***的船舶预警方法、设备及存储介质 |
CN114005303A (zh) * | 2021-09-29 | 2022-02-01 | 交通运输部天津水运工程科学研究所 | 一种桥区水域通航安全条件智能预报方法及*** |
CN114005303B (zh) * | 2021-09-29 | 2022-09-09 | 交通运输部天津水运工程科学研究所 | 一种桥区水域通航安全条件智能预报方法及*** |
CN114387806A (zh) * | 2022-01-17 | 2022-04-22 | 南京理工大学 | 一种基于台风条件下的城市应急交通抢修***及方法 |
CN114387806B (zh) * | 2022-01-17 | 2023-02-24 | 南京理工大学 | 一种基于台风条件下的城市应急交通抢修***及方法 |
CN114620199A (zh) * | 2022-03-15 | 2022-06-14 | 陕西正整数科技有限公司 | 一种自动并发船舶避碰测试方法及*** |
CN114627680A (zh) * | 2022-04-11 | 2022-06-14 | 交通运输部天津水运工程科学研究所 | 一种超大型船舶通航安全预测方法及*** |
CN116307737A (zh) * | 2023-05-06 | 2023-06-23 | 交通运输部水运科学研究所 | 基于港口泊位拥堵度的危险货物集装箱安全风险预测方法 |
CN116307737B (zh) * | 2023-05-06 | 2023-07-18 | 交通运输部水运科学研究所 | 基于港口泊位拥堵度的危险货物集装箱安全风险预测方法 |
CN117727207A (zh) * | 2024-02-18 | 2024-03-19 | 交通运输部水运科学研究所 | 一种船舶通过弯曲河道航行状态判别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111613094A (zh) | 一种港口水域船舶交通风险预警方法 | |
Zhang et al. | A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions | |
Zhang et al. | Towards a Convolutional Neural Network model for classifying regional ship collision risk levels for waterway risk analysis | |
Zhang et al. | A machine learning method for the evaluation of ship grounding risk in real operational conditions | |
Zhang et al. | A systematic approach for collision risk analysis based on AIS data | |
Silveira et al. | A multicriteria outranking approach for ship collision risk assessment | |
Li et al. | AIS data-based decision model for navigation risk in sea areas | |
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*** | |
CN104050329A (zh) | 一种检测船舶碰撞危险度的方法 | |
Shi et al. | Fuzzy logic-based modeling method for regional multi-ship collision risk assessment considering impacts of ship crossing angle and navigational environment | |
Zhang et al. | Big data–based estimation for ship safety distance distribution in port waters | |
CN112561232A (zh) | 繁忙水域船舶交通冲突风险度量方法 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN115346399B (zh) | 基于相控阵雷达、ais和lstm网络的大桥防船撞预警*** | |
CN114464014A (zh) | 基于模糊逻辑的区域船舶碰撞风险处理方法、***和介质 | |
Zhang et al. | A method of performing real-time ship conflict probability ranking in open waters based on AIS data | |
CN117647812A (zh) | 基于导航雷达的船舶行驶路线检测预警方法及*** | |
CN115983627A (zh) | 船舶航行环境风险预测方法、装置、电子设备和介质 | |
CN114490913A (zh) | 一种船舶进港状态的确定方法、确定装置和电子设备 | |
Weng et al. | Effects of ship domain shapes on ship collision risk estimates considering collision frequency and severity | |
CN117742346A (zh) | 一种船舶的实时航行状态分析与能源消耗控制方法 | |
CN113361014A (zh) | 一种船舶的智能能效管理方法 | |
Guze et al. | The area-dynamic approach to the assessment of the risks of ship collision in the restricted water | |
CN116597693A (zh) | 一种内河航运监控***及方法 | |
Wang et al. | How to maintain the safety level with the increasing capacity of the fairway: A case study of the Yangtze Estuary Deepwater Channel |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200901 |