CN114595776A - 一种船舶碰撞风险评估方法、装置以及存储介质 - Google Patents

一种船舶碰撞风险评估方法、装置以及存储介质 Download PDF

Info

Publication number
CN114595776A
CN114595776A CN202210247597.4A CN202210247597A CN114595776A CN 114595776 A CN114595776 A CN 114595776A CN 202210247597 A CN202210247597 A CN 202210247597A CN 114595776 A CN114595776 A CN 114595776A
Authority
CN
China
Prior art keywords
ship
collision
target
scene
risk
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.)
Pending
Application number
CN202210247597.4A
Other languages
English (en)
Inventor
余庆
柯冉绚
林婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jimei University
Original Assignee
Jimei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jimei University filed Critical Jimei University
Priority to CN202210247597.4A priority Critical patent/CN114595776A/zh
Publication of CN114595776A publication Critical patent/CN114595776A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明是提出了一种船舶碰撞风险评估方法以及其应用方法，用于动态地评估不同情况下的船舶碰撞风险。该框架根据船舶船长的经验，在不同条件下识别碰撞结果，评估碰撞参数，并对每个碰撞参数的重要性进行加权。使用证据推理方法对信息进行汇总，允许对碰撞结果进行实时碰撞风险评估，实现在不同碰撞情况下，对每个船舶碰撞参数进行评估，实现对船舶交通科学有效地分析和智能化管理。

Description

一种船舶碰撞风险评估方法、装置以及存储介质
技术领域
本发明涉及一种海域智能交通领域，尤其涉及一种船舶碰撞风险评估方法、装置以及存储介质。
背景技术
在繁忙的水域和复杂的航行环境中，船舶碰撞风险仍然是一个值得关注的问题。在一些特定的沿海地区，高密度的海上交通往往会增加船舶碰撞的概率，通常高于外海。作为无人驾驶船舶和智能运输***发展的支柱，已经提出了各种碰撞模型被用于实时碰撞评估和支持避让的决策。这些模型使用碰撞参数来描述相遇情况下的船舶状态，并通过数学或推理方法来量化风险.
以前的研究结果表明，一个有效的、***的实时碰撞模型是有必要的，但大多数模型有其局限性。例如，在设置风险临界值方面没有达成共识；由于固有的复杂环境、不确定性和缺乏天气状况、船舶和交通状态、人为因素等信息，模型没有涵盖偶然情况的许多特征；一些模型试图涵盖环境特征，但对模型输入缺乏敏感性，过去很少有人提出框架。因此，需要开发一个用于可靠碰撞风险评估的综合框架。该框架需要能够动态地评估不同场景下的碰撞风险，同时考虑场景特征之间的差异。
发明内容
为了克服上述现有技术的问题，发明提供一种船舶碰撞风险评估方法，包括以下步骤：
S101、获取船舶交通AIS数据，对所述船舶交通AIS数据进行降噪处理，所述船舶交通AIS数据包括船舶的位置变量、船舶速度、船舶航线、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶信息；
S102、计算本船和目标船舶之间的碰撞参数，通过AHP决策方法量化所述碰撞参数的权重，所述碰撞参数用于描述船舶动态运动特征，所述碰撞参数包括：所述本船的位置变量与所述目标船舶之间的相对距离、所述本船与所述目标船舶的相对方位、所述本船与所述目标船舶会遇的最短时间TCPA以及所述本船与所述目标船舶之间的最短距离DCPA的计算公式如下：
Figure BDA0003545461210000021
Figure BDA0003545461210000022
其中，OS、TS分别表示本船和目标船舶，d代表相对距离，vOS和vTS为分别表示本船速度和目标船舶速度，并通过本船速度和目标船舶速度计算得到相对速度vr，α和β则表示相对舷角；
S103、根据所述船舶交通AIS数据构建船舶会遇场景，其中所述船舶会遇场景包括：当所述目标船舶越过所述本船，并且所述目标船舶让位于所述本船的场景、当所述目标船舶于船舶交叉下让位给所述本船的场景、当所述目标船舶与所述本船构成对驶，并当所述目标船舶与所述本船互相避让的场景；所述船舶会遇场景中包括多个场景元素，各个所述船舶会遇场景预设有与其一一对应的评估规则，各个所述场景因素还包括多个因素状态；
S104、通过所述场景元素以及所述因素状态与所述评估规则中的场景标签进行比对，确定所述船舶会遇场景对应的评估规则，所述评估规则包括碰撞参数限值、碰撞参数权重以及风险规避距离；
S105、将所述船舶会遇场景的所述碰撞参数与所述碰撞参数限值以及所述风险规避距离比对后，与所述碰撞参数权重通过证据推理算法进行计算，得到所述会遇场景的船舶碰撞风险。
在上述方案的基础上本发明还可以作出以下改进。
进一步，所述相对距离d以及所述相对速度vr分别通过以下公式计算得到：
Figure BDA0003545461210000023
Figure BDA0003545461210000031
其中，Lon和Lat分别表示船舶的位置变量的经度坐标和纬度坐标，OS、TS分别表示本船和目标船舶，θOS和θTS分别表示两船各自的航向。
进一步，所述船舶会遇场景中包括多个场景元素，所述场景因素包括船舶身份、船舶吨位、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶避让行为。
进一步，对于采集得到的所述船舶交通AIS数据进行筛选，剔除掉不属于如S103中所述的船舶会遇场景的所述船舶交通AIS数据。
进一步，各个所述场景因素还包括多个因素状态，其中，所述船舶身份因素包括限制其操纵能力或不受操控的船只状态、从事捕捞的船只状态以及不属于上述两种船只状态的船舶；所述船舶吨位因素包括吨位小于500GT的船舶状态以及吨位大于或等于500GT的船舶状态；所述船舶所处水域因素包括港口水域状态、限制水域状态以及开放水域状态；所述天气状况因素包括一般天气状态以及恶劣天气状态；所述船舶可见度因素包括可见度大于等于2海里良好状态以及可见度少于2海里的能见度不良状态；所述船舶实时交通因素包括船舶交叉会遇、对驶会遇及追越；所述船舶避让责任因素包括让路状态以及保持航向状态。
进一步，所述S105包括：设所述本船和所述目标船舶会遇最短时间为TCPA、所述本船和所述目标船舶之间的最短距离为DCPA以及所述相对距离的碰撞参数的权重集为
Figure BDA0003545461210000032
其中，
Figure BDA0003545461210000033
分别表示所述本船和所述目标船舶会遇最短时间TCPA的碰撞参数权重、所述本船和所述目标船舶之间的最短距离DCPA的碰撞参数权重以及所述相对距离的碰撞参数的碰撞参数权重，k表示第k条规则，则所述目标船舶的碰撞风险rTS为：
Figure BDA0003545461210000034
其中i表示第i个因素状态，i∈N，Ψ代表证据推理算法；
进一步，通过证据推理算法Ψ来计算所述目标船舶的碰撞风险rTS，包括以下步骤：
S201，将所述碰撞参数
Figure BDA0003545461210000035
通过隶属度(γ1,γ2,…,γt)表示，当所述碰撞参数的权重w确定后，通过以下公式将所述碰撞参数
Figure BDA0003545461210000036
的隶属度(γ1,γ2,…,γt)转换为基本概率比重m；
m＝wγ
S202：将基本概率比重m分成确定概率比重
Figure BDA0003545461210000041
和不确定概率比重
Figure BDA0003545461210000042
即
Figure BDA0003545461210000043
其中，当
Figure BDA0003545461210000044
所述
Figure BDA0003545461210000045
和
Figure BDA0003545461210000046
计算公式如下：
Figure BDA0003545461210000047
Figure BDA0003545461210000048
Figure BDA0003545461210000049
S203：将所述
Figure BDA00035454612100000410
和
Figure BDA00035454612100000411
通过以下公式计算得到合并隶属度：
Figure BDA00035454612100000412
Figure BDA00035454612100000413
Figure BDA00035454612100000414
Figure BDA00035454612100000415
其中，m′代表未合并前的评估规则，K′代表评估规则对应的权值大小，mi代表第i条评估规则基本概率比重，
Figure BDA00035454612100000416
代表综合评估规则后所得到的基本概率比重，
Figure BDA00035454612100000417
代表不确定概率比重，
Figure BDA00035454612100000418
代表综合第i条评估规则后所得到的不确定概率比重，
Figure BDA00035454612100000419
代表确定概率比重，
Figure BDA00035454612100000420
代表综合第i条评估规则后所得到的确定概率比重，mj代表融合j条评估规则后所得到的基本概率比重，i代表第i条评估规则，j代表融合j条评估规则，N代表评估规则总条数；
S204、并将所述合并隶属度和未分配隶属度进行归一化处理后，得到船舶碰撞分析:
Figure BDA0003545461210000051
Figure BDA0003545461210000052
其中，δ和δD代表(s1,s2,…,st)归一化的隶属度和归一化的未分配的隶属度。
进一步，所述S204还包括，所述目标船舶的碰撞风险Collision RiskTS通过以下效用函数进行量化处理；
Figure BDA0003545461210000053
其中，ul是分配给因素状态的效用值sl和l∈t。所述本船的碰撞风险CollisionRiskOS为所有所述目标船舶的碰撞风险Collision RiskTS的碰撞风险总和，即CollisionRiskos＝∑Collision RiskTS。
本发明另一个目的在于提供一种船舶碰撞风险评估方法应用装置，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现上述的船舶碰撞风险评估方法。
本发明再一个目的在于提供一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如上述的船舶碰撞风险评估方法。
本发明的有益效果是：通过用了多种方法来实时评估来自多个数据源的碰撞风险，通过碰撞参数首先以描述船舶在遭遇情况下的动态运动，并构建船舶实时的会遇场景，将船长的风险认知转换为若干评估规则，通过为船舶会遇场景进行匹配相应的评估规则来对船舶航行风险进行评估，最后通过证据推理方法对每个碰撞结果的实时碰撞风险进行汇总，实现在不同碰撞情况下，对每个船舶碰撞参数进行评估，对船舶交通科学有效地分析和智能化管理。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明船舶碰撞风险评估方法构建的流程示意图；
图2为本发明实施例中船舶轨迹示意图；
图3为本发明实施例中1号目标船舶碰撞参数折线图；
图4为本发明实施例中2号目标船舶碰撞参数折线图；
图5为本发明实施例中3号目标船舶碰撞参数折线图；
图6为本发明实施例中船舶会遇场景类型饼状图；
图7为本发明实施例中船舶会遇场景与评估规则配对示意图；
图8为本发明实施例中本船穿越场景下的安全距离和行动距离示意图(左图)以及一般追越场景下的安全距离和行动距离示意图；
图9为本发明实施例中碰撞参数的权重结果示意图；
图10为本发明实施例中碰撞风险分布示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充，所举实例只用于解释本发明，对本发明的范围不构成任何限制。
如图1所示，本发明提供一种船舶碰撞风险评估方法，包括以下步骤：
S101、获取船舶交通AIS数据，对所述船舶交通AIS数据进行降噪处理，所述船舶交通AIS数据包括船舶的位置变量、船舶速度、船舶航线、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶信息；
S102、计算本船和目标船舶之间的碰撞参数，所述碰撞参数用于描述船舶动态运动特征，所述碰撞参数包括：所述本船的位置变量与所述目标船舶之间的相对距离、所述本船与所述目标船舶的相对方位、所述本船与所述目标船舶会遇的最短时间TCPA以及所述本船与所述目标船舶之间的最短距离DCPA的计算公式如下：
Figure BDA0003545461210000061
Figure BDA0003545461210000062
其中，OS、TS分别表示本船和目标船舶，d代表相对距离，,vOS和vTS为分别表示本船速度和目标船舶速度，并通过本船速度和目标船舶速度计算得到相对速度vr，α和β则表示相对舷角；
S103、根据所述船舶交通AIS数据构建船舶会遇场景，其中船舶会遇场景包括：当所述目标船舶越过所述本船，并且所述目标船舶让位于所述本船的场景、当所述目标船舶于船舶交叉下让位给所述本船的场景、当所述目标船舶与所述本船构成对驶，并当所述目标船舶与所述本船互相避让的场景等；所述船舶会遇场景中包括多个场景元素，各个所述船舶会遇场景预设有与其一一对应的评估规则，各个所述场景因素还包括多个因素状态；
S104、通过所述场景元素以及所述因素状态与所述评估规则中的场景标签进行比对，确定所述船舶会遇场景对应的评估规则，所述评估规则包括碰撞参数限值、碰撞参数权重以及风险规避距离；
S105、将所述船舶会遇场景的的所述碰撞参数与所述碰撞参数限值以及所述风险规避距离比对后，与所述碰撞参数权重通过证据推理算法进行计算，得到所述会遇场景的船舶碰撞风险。
本发明通过用了多种方法来实时评估来自多个数据源的碰撞风险，通过碰撞参数首先以描述船舶在遭遇情况下的动态运动，并构建船舶实时的会遇场景，将船长的风险认知转换为若干评估规则，通过为船舶会遇场景进行匹配相应的评估规则来对船舶航行风险进行评估，最后通过证据推理方法对每个碰撞结果的实时碰撞风险进行汇总，实现在不同碰撞情况下，对每个船舶碰撞参数进行评估，对船舶交通科学有效地分析和智能化管理。
在本实施例中具体地，采集船舶AIS数据包括船舶交通AIS数据以及船舶风险数据，对所述船舶AIS数据进行降噪处理，这一步骤的主要是为后续碰撞风险评估工作提供数据支持。船舶AIS动态数据被用来描述与海上交通流有关的风险特征，天气信息被用来描述水文气象环境的特征。此外，还需要静态的船舶信息(如船舶位置变量、船舶航线)来考虑不同类型船舶的风险限度。收集的AIS数据按照其时间空间规律进行过滤和***。因此，AIS数据的噪声消除和内插过程通过快速傅里叶变换方法进行。其中所述船舶交通AIS数据包括船舶的位置变量、船舶速度、船舶航线。以下结合实际海域交通场景进行具体说明。
本发明通过对葡萄牙大陆海岸外的海域中连接欧洲北部和地中海的繁忙商业航线进行研究，该水域中过往船只与前往和离开国家港口的不同类型的船只共享水域，如渔船、客船和油轮，从地中海到北美、从非洲到北欧、从北欧到南美的交通，形成一个复杂的航线网络。因此，有必要对水域中船舶之间的碰撞进行评估，这不仅是为了支持避让的决策，也是为了支持当地船舶交通服务管理。通过本发明中船舶碰撞风险评估方法评估葡萄牙大陆沿海水域的多船相遇的情况。选定的场景包括2015年10月1日观察到的一次多船相遇情况。获取到当天实时的天气信息为多云，也就是海域中船舶能见范围较大，其中当天海域中发生交通情况涉及四艘船：一艘抛锚船、一艘滚装货船、一艘普通货船和一艘油轮。这些船舶的详细信息如表1所示。
Figure BDA0003545461210000081
表1
其中，根据船舶AIS数据模拟构建船舶会遇场景，按照预设周期采集船舶AIS数据，采集船舶AIS数据的周期为一小时，即当天16:30至17:29之间，当天共获取240条船舶位置记录，记录的船舶动态信息的提取率为1分钟。判断当前船舶会遇场景是否属于以下场景来对于AIS数据进行过滤，保留并确定三种会遇场景情况，如图2所示。1)当(1号目标船舶)TS1越过OS，根据COLREG，应该让位与OS。2)当(2号目标船舶)TS2在一个交叉的情况下让位给本船时。3)当(3号目标船舶)TS3追越了本船，并让位给了后者。
在本实施例中具体地，计算本船和目标船舶之间的碰撞参数，所述碰撞参数用于描述船舶动态运动特征，所述碰撞参数包括：所述本船的位置变量与所述目标船舶之间的相对距离、所述本船与所述目标船舶的相对方位、所述本船与所述目标船舶会遇的最短时间TCPA以及所述本船与所述目标船舶之间的最短距离DCPA的计算公式如下：
Figure BDA0003545461210000091
Figure BDA0003545461210000092
其中，OS、TS分别表示本船和目标船舶，d代表相对距离，vOS和vTS为分别表示本船速度和目标船舶速度，并通过本船速度和目标船舶速度计算得到相对速度vr，α和β则表示相对舷角。所述相对距离d以及所述相对速度vr分别通过以下公式计算得到：
Figure BDA0003545461210000093
Figure BDA0003545461210000094
其中，Lon和Lat分别表示船舶的位置变量的经度坐标和纬度坐标，OS、TS分别表示本船和目标船舶，θOS和θTS分别表示两船各自的航向。
在本实施例中具体地，根据所述船舶风险数据提取并构建船舶会遇场景，所述船舶会遇场景中包括多个场景元素。在以往的研究建立了基于《国际海上避碰规则》
(COLREG)的碰撞模型。把会遇场景大致分为对驶会遇、交叉会遇和追越三种类型。以往研究的局限性之一是，他们以物理方式研究船舶之间的碰撞，没有考虑周围环境和船舶情况。然而，在特定情况下的经验和风险限度来评估碰撞风险，也就是在实际的海域环境航行过程中对于风险评估的标准与以往的研究是不一样的。例如，在能见度差的情况下，遇险船舶的碰撞风险要比能见度好的情况下高，船舶应在更远的距离上采取避让行动。
为了提高风险计算的准确性，本发明开发了一个场景匹配引擎来收集在不同会遇场景下的风险限度和应采取的相应措施。该场景引擎通过认知层次路径评估碰撞，并使用规则来定义不同情况下的风险标准。因此，将所述船舶会遇场景划分为多个场景因素(H1,H2,...,Hp)，其中p表示场景因素数量，所述场景因素还包括i个因素状态，则所述场景因素表示为
Figure BDA0003545461210000101
并简化为
Figure BDA0003545461210000102
Figure BDA0003545461210000103
的唯一代码，它遵循一个规则来反映船员在遭遇情况下的风险程度。每个规则包含三个重要的组成部分。1)碰撞参数(如DCPA、TCPA)的限值；2)船舶应采取行动或避免入侵的距离；3)碰撞参数的权重。限值确定一个目标船舶是否有与本船碰撞的风险，并用于划分碰撞参数的状态。其中两船之间的距离决定了碰撞结果，如果两船之间的距离大于低风险距离，则不存在碰撞风险(即rTS＝0)，如果船舶安全距离被TS侵入，那么两船之间的碰撞风险就最大(即rTS＝1)。
碰撞参数Q需要转换为每个状态的隶属度，即(γ1(s1),γ2(s2),…,γt(st))。状态集(s1,s2,…,st)是使用场景匹配引擎中给出的限值(U1,U2,…,Ut)来定义的，隶属度是使用线性相关函数计算的。例如，假设(t＝3)则用“s1＝high risk”、“s2＝medium risk”和“s3＝low risk”三种状态(t＝3)来描述DCPA，其中限值为Uhigh risk＝0.5nm,Umedium risk＝2nm，Ulow risk＝6nm和DPCA值为4.5可以离散为一组隶属度(0，"高风险"，0.375，"中等风险"和0.625，"低风险")。
将所述船舶会遇场景的风险评估框架中，通过所述场景元素与所述场景标签的比对，得到所述船舶会遇场景对应的评估规则；将所述评估规则中的所述碰撞参数以及所述碰撞参数权重通过证据推理算法计算得到船舶碰撞风险。设所述本船和所述目标船舶会遇最短时间为TCPA、所述本船和所述目标船舶之间的最短距离为DCPA以及所述相对距离的碰撞参数的权重集为
Figure BDA0003545461210000104
其中，
Figure BDA0003545461210000105
分别表示设所述本船和所述目标船舶会遇最短时间TCPA的碰撞参数权重、所述本船和所述目标船舶之间的最短距离DCPA的碰撞参数权重以及所述相对距离的碰撞参数的碰撞参数权重，k表示第k条规则，则所述目标船舶的碰撞风险rTS为：
Figure BDA0003545461210000106
i表示第i个因素状态i∈N，Ψ代表证据推理算法；
通过证据推理算法Ψ来计算所述目标船舶的碰撞风险rTS，将所述碰撞参数
Figure BDA0003545461210000107
通过隶属度(γ1,γ2,…,γt)表示，当所述参数的权重确定后，通过以下公式将所述碰撞参数
Figure BDA0003545461210000108
的隶属度(γ1,γ2,…,γt)转换为基本概率比重m，
m＝wγ (5)
其中，w为所述碰撞参数权重，将基本概率比重m分成确定概率比重
Figure BDA0003545461210000111
和不确定概率比重
Figure BDA0003545461210000112
即
Figure BDA0003545461210000113
其中，
Figure BDA0003545461210000114
Figure BDA0003545461210000115
所述
Figure BDA0003545461210000116
和
Figure BDA0003545461210000117
计算公式如下：
Figure BDA0003545461210000118
Figure BDA0003545461210000119
Figure BDA00035454612100001110
将所述
Figure BDA00035454612100001111
和
Figure BDA00035454612100001112
通过以下公式计算得到合并隶属度。
Figure BDA00035454612100001113
Figure BDA00035454612100001114
Figure BDA00035454612100001115
Figure BDA00035454612100001116
而后，将所述合并隶属度和未分配的隶属度进行归一化处理后，得到船舶碰撞分析:
Figure BDA00035454612100001117
Figure BDA00035454612100001118
其中，δ和δD代表(s1,s2,…,st)归一化的合并隶属度和归一化的未分配的隶属度；所述目标船舶的碰撞风险Collision RiskTS通过以下效用函数进行量化处理。
Figure BDA00035454612100001119
其中，ul是分配给因素状态的效用值sl和l∈t，根据用户人员的风险偏好对因素状态的效用值进行设定，通常取值介于0-9区间内。
所述本船的碰撞风险Collision RiskOS为所有所述目标船舶的碰撞风险Collision RiskTS的碰撞风险总和，即Collision Riskos＝∑Collision RiskTS。
所述场景因素包括船舶身份、船舶吨位、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶避让责任，各个所述场景因素还包括多个因素状态，所述因素状态与所述场景标签一一对应。
结合前文中葡萄牙大陆海岸外的海域具体应用示例具体说明，计算得到OS和TS之间的碰撞参数TS1、TS2和TS3的相对方位、相对距离、DCPA、TCPA、以及获取得到的速度和航线分别如图3、图4和图5所示。
其中图3为本船OS和TS1之间的参数变化。一开始，TS1的相对方位为259.6度，相对距离为3.73海里(nm)。此时，两船之间的DCPA和TCPA为3.65海里和1368秒。由于TS1号采取了几次减速和加速过程，其速度在16:57时降至9.2节，然后升至最高速度17.4节，并保持这一速度。16:50，TS1经过OS的左舷，相对距离为0.229海里，TCPA为0秒。
图4为TS2和OS在穿越情况下的参数变化。在开始时，两船之间的相对距离是4.77海里。随着两船速度的提高，两船之间的相对距离首先保持在大约4海里。在17:03，相对距离下降到0.27海里，这时，TS2从其左舷通过OS。
图5显示了OS和TS3之间追越情况的变化。两船之间的相对距离和DCPA在开始时都比较小。此外，两船的速度都很低(即TS3为6.4节，OS为6.7节)。在16:40，TS3增加速度超过OS，并在17:03超过OS，此时两船之间的距离较小，为0.11nm。
在本发明中，所述场景因素包括船舶身份、船舶吨位、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶避让责任，各个所述场景因素还包括多个因素状态，所述因素状态与所述场景标签一一对应。每个场景因素的相关因素状态及其描述如表2所示。
Figure BDA0003545461210000121
Figure BDA0003545461210000131
表2
下面对每个场景因素中的H7(避让的责任)、H2(吨位)以及与其相关的因素状态进行说明：
关于船舶碰撞的责任的界定：会遇的船舶根据避让行动的责任被分为三种状态。根据COLREGs第27条规定，所有航行的船舶都应给不受指挥或机动能力受限制的船舶让路，这些船舶被归为第一种状态。第二种状态是根据COLREGs第18条规定，从事捕捞活动的船舶应采取不同的避碰措施，给从事捕捞的船舶让路。如图6所示，在COLREG中，根据两艘相遇船舶的相对方位，明确了船舶避让的责任。图6显示了COLREG中列出的三种相遇情况(即对驶会遇、交叉和追越)。当两船在对等或接近对等的航线上相遇时(相对方位在352.5°和7.5°之间)，两船应向右舷改变航线，确保在左舷通过对方(即OS和TS1)。如果OS在其右舷有其他船舶，且相对方位在7.5°和112.5°之间，则OS被定义为让路船舶，应保持不被来往船舶挡住(即TS2)。反之，如果OS在其左舷有其他船舶(即TS4)，相对方位在247.5°和352.5°之间，则OS被定义为保持航向的船舶，应保持其航线和速度。如果OS被从112.5°和247.5°之间的方位驶来的船舶追越，则两船处于追越状态，OS应保持其航向，TS3应与OS保持一定距离。但应注意的是，如果对方是一艘机动能力受限的船舶或不受指挥的船舶，操作***必须根据COLREGs给对方让路。在上述基础上，用迎面、交叉和追越三种状态来描述相遇情况，用让路船和保持航向船两种状态来描述避让的责任。
至于吨位因素，本研究定义了两种状态，即吨位小于500GT的小型船舶和其他，因为船舶的操纵能力受到吨位的影响。在相遇的情况下，大船比小船需要更多的空间来确保安全通过。不同吨位的船舶在实际操作中可能选择不同的距离来避让。同时，港口水域、受限水域(如航道、浅水区)和开放水域是模型中水区因子的三种状态。每个水区都需要特定的标准来评估碰撞风险。此外，与环境有关的因素包括天气状况和能见度。恶劣天气(如暴风雨、大风)下的操纵难度比一般天气条件下要高得多，而能见度低的情况下则与高风险有关。
在COLREG中，根据两艘相遇船舶的相对方位，明确了船舶避让的责任。图6显示了COLREG中列出的三种相遇情况(即对驶会遇、交叉和追越)。当两船在对等或接近对等的航线上相遇时(相对方位在352.5°和7.5°之间)，两船应向右舷改变航线，确保在左舷通过对方(即OS和TS1)。如果OS在其右舷有其他船舶，且相对方位在7.5°和112.5°之间，则OS被定义为让路船舶，应保持不被来往船舶挡住(即TS2)。反之，如果OS在其左舷有其他船舶(即TS4)，相对方位在247.5°和352.5°之间，则OS被定义为保持航向的船舶，应保持其航线和速度。如果OS被从112.5°和247.5°之间的方位驶来的船舶追越，则两船处于追越状态，OS应保持其航向，TS3应与OS保持一定距离。但应注意的是，如果对方是一艘机动能力受限的船舶或不受指挥的船舶，操作***必须根据COLREGs给对方让路。在上述基础上，用迎面、交叉和追越三种状态来描述相遇情况，用让路船和保持航向船两种状态来描述避让的责任。
根据所述碰撞参数限值、所述碰撞参数权重以及所述船舶风险规避距离建立评估规则，并预设有与所述评估规则一一对应的场景标签。如图7所示由于因素状态与所述场景标签一一对应，则可以通过构建会遇场景的场景因素中的因素状态与评估规则中的场景标签进行比对，来匹配会遇场景用以评估航行风险的评估规则，如第一条规则代表一种会遇场景
Figure BDA0003545461210000141
最后一条规则
Figure BDA0003545461210000142
也代表一种会遇场景，如图7所示第一条规则代表会遇场景
Figure BDA0003545461210000143
第一个和第二个情况被表述为
Figure BDA0003545461210000144
并激活了规则352。第三种情况表述为
Figure BDA0003545461210000145
并激活了规则330。理论上，这些规则涵盖了3×2×3×2×2×3×2＝432总共可能出现的情况。按照COLREGs的要求，操作***应让位于机动能力受限或在任何时候都不在指挥之下的船舶，所以如果
Figure BDA0003545461210000146
那么
Figure BDA0003545461210000147
(见表2)。因此，引擎中的规则总数为432-72＝360条，需要在情景匹配引擎中开发，以模拟所有可能的情况。
本实施例中研究中虽然仅使用了两条规则，但是凡是通过凡是碰撞参数限值、所述碰撞参数权重以及所述船舶风险规避距离建立评估规则，并依据评估规则对于船舶航行进行评估都应落入本发明的保护范围中，其中建立规则330和352的过程描述如下。
1)行动距离和安全通过距离。在第352条规则中，两艘普通船舶之间的行动距离(即
Figure BDA0003545461210000151
)通过一个经验方程来定义船舶在良好天气条件下应该采取的行动距离。该方程给出如下：
Figure BDA0003545461210000152
同时，不同方位的安全接近距离由Hu等人(2020)使用的以下公式定义：
Figure BDA0003545461210000153
因此，用公式16计算TS的8个扇形相对方位的行动距离。行动距离的边界在图8中显示为蓝线。相对方位的8个扇区的安全通过距离也在图8中显示为红线。因此，在行动距离之外的船舶有较低的碰撞风险，在行动距离和安全通过距离之间的船舶有中等风险，在安全通过距离之内的船舶有高的碰撞风险。在第330条规则中，行动距离和安全通过距离是由具有航海经验的船舶船长定义的。为了收集这些信息，使用航海模拟器进行了一次调查。在模拟过程中，五个被邀请的船长被要求避开周围的船只，他们决定采取避撞行动的距离被记录下来(见图8b)。
其中，评估规则中碰撞参数的DCPA和TCPA限值是计算得到的结果表明，135°、180°、90°、45°和0°的相对方位从高到低的距离分别为3.01海里、2.46海里、1.71海里、1.14海里和1.0海里。基于线性回归方法建立了风险模型。研究发现，不同相对方位的DCPA限值为1.39(相对方位0°)、1.37(相对方位45°)、1.16(相对方位90°)、0.82(相对方位135°)和0.48(相对方位180°)。因此，该研究将DCPA的高风险限值定义为1.39(相对方位0°)、1.37(相对方位45°)、1.16(相对方位90°)、0.82(相对方位135°)和0.48海里(相对方位180°)。根据COLREGs的要求，安全限值为2海里。两个规则中使用的TCPA限值是300秒(高风险)、600秒(中等)和1200秒(低风险)。
船域与船舶大小、可操作性和水文条件等因素有关。本研究采用了Hansen等人(2013)提出的经验性船域，以定义所有船域入侵的最高碰撞风险的临界距离。该船域是一个椭圆，长度约为8个船长(椭圆中心前面4.5个船长，后面3.5个船长)。椭圆的宽度是两边船长的0.7倍。如表1所示，OS的长度为74米，OS的船域大小在船头为0.18海里，船尾为0.14海里，船梁为0.03海里。
在本发明中，关于碰撞参数权重的配制，在第330条和第352条评估规则的权重分配是通过分析层次过程(AHP)决策方法从专家的判断中获得的。这种方法提供了一种量化权重的方法，并通过成对的比较来估计各因素的相对大小。为了确保判断结果的可靠性，该方法定义了一致性比率(CR)来验证判断的一致性，其中，如果CR>0.1，则成对的判断是不可信的。在AHP中利用获得的判断来计算碰撞参数的权重。结果见表3。
Figure BDA0003545461210000161
表3
最后汇总评估规则中的碰撞参数以及碰撞参数权重通过证据推理算法计算得到船舶碰撞风险。计算每分钟进行一次，动态地更新碰撞风险。证据推理算法被用于聚合过程中。聚合过程应用基于证据推理的计算程序(IDS)来减少工作量(Yang和Wang，2015)，下面介绍一个计算碰撞风险的例子。
第一步，将所有碰撞参数转换为隶属度。例如，在16:49，TS1在OS的左舷，相对方位为217.9°，相对距离为0.189nm。根据规则352，利用公式16和17，计算出TS1的行动距离和安全通过距离分别为1.354nm和0.858。相对距离(1-0.189/0.858＝0.79被转换为属于高风险的程度，0.189/0.858＝0.21，中等风险，0，低风险)。同样，对TCPA的计算结果为：高风险＝1、中风险＝0、低风险＝0；对DCPA的计算结果为：高风险＝0.78、中风险＝0.22、低风险＝0。
第二步，从规则352中获得碰撞参数的权重分配。如表3所示，权重分配被设定为，并如图9所示。
第三步。隶属度和每个参数的权重分配被输入到证据推理算法中，结果显示在图10中。
第四步将碰撞风险状态的实用程序值设置为uhigh＝1,umedium＝0.5and ulow＝0。TS1在16：49时的碰撞风险由公式15计算为0.8768×1+0.1232×0.5+0×0＝0.9384。
并对其他目标船舶通过上述方法进行评估。
本发明还提供一种船舶碰撞风险评估方法应用装置，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现上述的船舶碰撞风险评估方法。作为一个可执行方案，船舶碰撞风险评估方法应用装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。***/电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述***/电子设备的组成结构仅仅是***/电子设备的示例，并不构成对***/电子设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如***/电子设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是***/电子设备的控制中心，利用各种接口和线路连接整个***/电子设备的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现***/电子设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现本发明实施例上述方法的步骤。***/电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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必针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种船舶碰撞风险评估方法，其特征在于，包括以下步骤：
S101、获取船舶交通AIS数据，对所述船舶交通AIS数据进行降噪处理，所述船舶交通AIS数据包括船舶的位置变量、船舶速度、船舶航线、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶信息；
S102、计算本船和目标船舶之间的碰撞参数，通过AHP决策方法量化所述碰撞参数的权重，所述碰撞参数用于描述船舶动态运动特征，所述碰撞参数包括：所述本船的位置变量与所述目标船舶之间的相对距离、所述本船与所述目标船舶的相对方位、所述本船与所述目标船舶会遇的最短时间TCPA以及所述本船与所述目标船舶之间的最短距离DCPA的计算公式如下：
Figure FDA0003545461200000011
Figure FDA0003545461200000012
其中，OS、TS分别表示本船和目标船舶，d代表相对距离，vOS和vTS为分别表示本船速度和目标船舶速度，并通过本船速度和目标船舶速度计算得到相对速度vr，α和β则表示相对舷角；
S103、根据所述船舶交通AIS数据构建船舶会遇场景，其中所述船舶会遇场景包括：当所述目标船舶越过所述本船，并且所述目标船舶让位于所述本船的场景、当所述目标船舶于船舶交叉下让位给所述本船的场景、当所述目标船舶与所述本船构成对驶，并当所述目标船舶与所述本船互相避让的场景；所述船舶会遇场景中包括多个场景元素，各个所述船舶会遇场景预设有与其一一对应的评估规则，各个所述场景因素还包括多个因素状态；
S104、通过所述场景元素以及所述因素状态与所述评估规则中的场景标签进行比对，确定所述船舶会遇场景对应的评估规则，所述评估规则包括碰撞参数限值、碰撞参数权重以及风险规避距离；
S105、将所述船舶会遇场景的所述碰撞参数与所述碰撞参数限值以及所述风险规避距离比对后，与所述碰撞参数权重通过证据推理算法进行计算，得到所述会遇场景的船舶碰撞风险。
2.根据权利要求1所述的船舶碰撞风险评估方法，其特征在于，所述相对距离d以及所述相对速度vr分别通过以下公式计算得到：
Figure FDA0003545461200000021
Figure FDA0003545461200000022
其中，Lon和Lat分别表示船舶的位置变量的经度坐标和纬度坐标，OS、TS分别表示本船和目标船舶，θOS和θTS分别表示两船各自的航向。
3.根据权利要求2所述的船舶碰撞风险评估方法，其特征在于，所述船舶会遇场景中包括多个场景元素，所述场景因素包括船舶身份、船舶吨位、船舶所处水域、天气状况、船舶可见度、船舶实时交通因素以及船舶避让行为。
4.根据权利要求3所述的船舶碰撞风险评估方法，其特征在于，对于采集得到的所述船舶交通AIS数据进行筛选，剔除掉不属于如S103中所述的船舶会遇场景的所述船舶交通AIS数据。
5.如权利要求4所示的船舶碰撞风险评估方法，其特征在于：各个所述场景因素还包括多个因素状态，其中，所述船舶身份因素包括限制其操纵能力或不受操控的船只状态、从事捕捞的船只状态以及不属于上述两种船只状态的船舶；所述船舶吨位因素包括吨位小于500GT的船舶状态以及吨位大于或等于500GT的船舶状态；所述船舶所处水域因素包括港口水域状态、限制水域状态以及开放水域状态；所述天气状况因素包括一般天气状态以及恶劣天气状态；所述船舶可见度因素包括可见度大于等于2海里良好状态以及可见度少于2海里的能见度不良状态；所述船舶实时交通因素包括船舶交叉会遇、对驶会遇及追越；所述船舶避让责任因素包括让路状态以及保持航向状态。
6.如权利要求5所示的船舶碰撞风险评估方法，其特征在于：所述S105包括：设所述本船和所述目标船舶会遇最短时间为TCPA、所述本船和所述目标船舶之间的最短距离为DCPA以及所述相对距离的碰撞参数的权重集为
Figure FDA0003545461200000023
其中，
Figure FDA0003545461200000024
分别表示所述本船和所述目标船舶会遇最短时间TCPA的碰撞参数权重、所述本船和所述目标船舶之间的最短距离DCPA的碰撞参数权重以及所述相对距离的碰撞参数的碰撞参数权重，k表示第k条规则，则所述目标船舶的碰撞风险rTS为：
Figure FDA0003545461200000031
其中i表示第i个因素状态，i∈N，Ψ代表证据推理算法。
7.如权利要求6所示的船舶碰撞风险评估方法，其特征在于：通过证据推理算法Ψ来计算所述目标船舶的碰撞风险rTS，包括以下步骤：
S201，将所述碰撞参数
Figure FDA0003545461200000032
通过隶属度(γ1,γ2,…,γt)表示，当所述碰撞参数的权重w确定后，通过以下公式将所述碰撞参数
Figure FDA0003545461200000033
的隶属度(γ1,γ2,…,γt)转换为基本概率比重m：
m＝wγ
S202，将基本概率比重m分成确定概率比重
Figure FDA0003545461200000034
和不确定概率比重
Figure FDA0003545461200000035
即
Figure FDA0003545461200000036
其中，
Figure FDA0003545461200000037
所述
Figure FDA0003545461200000038
和
Figure FDA0003545461200000039
计算公式如下：
Figure FDA00035454612000000310
Figure FDA00035454612000000311
Figure FDA00035454612000000312
S203，将所述
Figure FDA00035454612000000313
和
Figure FDA00035454612000000314
通过以下公式计算得到合并隶属度：
Figure FDA00035454612000000315
Figure FDA00035454612000000316
Figure FDA00035454612000000317
Figure FDA00035454612000000318
其中，m′代表未合并前的评估规则，K′代表评估规则对应的权值大小，mi代表第i条评估规则基本概率比重，
Figure FDA00035454612000000319
代表综合评估规则后所得到的基本概率比重，
Figure FDA00035454612000000320
代表融合后评价结果中存在不确定性概率比重，
Figure FDA0003545461200000041
代表综合第i条评估规则后所得到的不确定概率比重，
Figure FDA0003545461200000042
代表经过融合并考虑证据权重的确定概率比重，
Figure FDA0003545461200000043
代表综合第i条评估规则后所得到的确定概率比重，mj代表融合j条评估规则后所得到的基本概率比重，i代表第i条评估规则，j代表融合j条评估规则，N代表评估规则总条数；
S204，并将所述合并隶属度和未分配的隶属度进行归一化处理后，得到船舶碰撞分析:
Figure FDA0003545461200000044
Figure FDA0003545461200000045
其中，δ和δD代表(s1,s2,…,st)归一化的隶属度和归一化的未分配的隶属度。
8.如权利要求7所示的船舶碰撞风险评估方法，其特征在于：所述S204还包括，所述目标船舶的碰撞风险Collision RiskTS通过以下效用函数进行量化处理；
Figure FDA0003545461200000046
其中，ul是分配给因素状态的效用值sl和l∈t。所述本船的碰撞风险Collision RiskOS为所有所述目标船舶的碰撞风险Collision RiskTS的碰撞风险总和，即Collision Riskos＝∑Collision RiskTS。
9.一种船舶碰撞风险评估方法应用装置，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至8任一所述的船舶碰撞风险评估方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如权利要求1至8任一项所述的船舶碰撞风险评估方法。
CN202210247597.4A 2022-03-14 2022-03-14 一种船舶碰撞风险评估方法、装置以及存储介质 Pending CN114595776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210247597.4A CN114595776A (zh) 2022-03-14 2022-03-14 一种船舶碰撞风险评估方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210247597.4A CN114595776A (zh) 2022-03-14 2022-03-14 一种船舶碰撞风险评估方法、装置以及存储介质

Publications (1)

Publication Number Publication Date
CN114595776A true CN114595776A (zh) 2022-06-07

Family

ID=81808763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210247597.4A Pending CN114595776A (zh) 2022-03-14 2022-03-14 一种船舶碰撞风险评估方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN114595776A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273557A (zh) * 2022-07-01 2022-11-01 中远海运科技股份有限公司 一种基于ais的在航船舶碰撞风险检测及预警方法和***
CN116029554A (zh) * 2023-02-28 2023-04-28 武汉理工大学 基于受限水域船舶风险评估模型参数校正的风险评估方法
CN115273557B (zh) * 2022-07-01 2024-06-21 中远海运科技股份有限公司 一种基于ais的在航船舶碰撞风险检测及预警方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4281615A (en) * 1977-10-31 1981-08-04 Sedco, Inc. Self-propelled semi-submersible service vessel
CN111951606A (zh) * 2020-07-29 2020-11-17 武汉理工大学 一种船舶碰撞风险评估与预警方法及***
US20210094665A1 (en) * 2019-09-27 2021-04-01 Polaris Industries Inc. System and method for positioning an aquatic vessel
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4281615A (en) * 1977-10-31 1981-08-04 Sedco, Inc. Self-propelled semi-submersible service vessel
US20210094665A1 (en) * 2019-09-27 2021-04-01 Polaris Industries Inc. System and method for positioning an aquatic vessel
CN111951606A (zh) * 2020-07-29 2020-11-17 武汉理工大学 一种船舶碰撞风险评估与预警方法及***
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李义山, 基于随机森林的船舶碰撞风险预警研究, 15 February 2019 (2019-02-15), pages 26 - 49 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273557A (zh) * 2022-07-01 2022-11-01 中远海运科技股份有限公司 一种基于ais的在航船舶碰撞风险检测及预警方法和***
CN115273557B (zh) * 2022-07-01 2024-06-21 中远海运科技股份有限公司 一种基于ais的在航船舶碰撞风险检测及预警方法和***
CN116029554A (zh) * 2023-02-28 2023-04-28 武汉理工大学 基于受限水域船舶风险评估模型参数校正的风险评估方法
CN116029554B (zh) * 2023-02-28 2023-12-15 武汉理工大学 基于受限水域船舶风险评估模型参数校正的风险评估方法

Similar Documents

Publication Publication Date Title
Mallam et al. The human element in future Maritime Operations–perceived impact of autonomous shipping
Murray et al. An AIS-based deep learning framework for regional ship behavior prediction
Adland et al. The value of meteorological data in marine risk assessment
Silveira et al. A multicriteria outranking approach for ship collision risk assessment
Sahin et al. A novel process model for marine accident analysis by using generic fuzzy-AHP algorithm
Endrina et al. Risk analysis for RoPax vessels: A case of study for the Strait of Gibraltar
Yang et al. AIS-based intelligent vessel trajectory prediction using bi-LSTM
Hu et al. Collision risk assessment based on the vulnerability of marine accidents using fuzzy logic
Dua Hijacked: Piracy and economies of protection in the Western Indian Ocean
Teixeira et al. Risk of maritime traffic in coastal waters
Yu et al. Framework and application of multi-criteria ship collision risk assessment
van Westrenen et al. Improving conflicts detection in maritime traffic: Case studies on the effect of traffic complexity on ship collisions
Fiskin et al. Decision tree and logistic regression analysis to explore factors contributing to harbour tugboat accidents
Zhang et al. Safety risk analysis of unmanned ships in inland rivers based on a fuzzy Bayesian network
Zhao et al. High-fidelity data supported ship trajectory prediction via an ensemble machine learning framework
Pietrzykowski et al. The autonomous navigation system of a sea-going vessel
Kontopoulos et al. Uncovering hidden concepts from AIS data: A network abstraction of maritime traffic for anomaly detection
Wang et al. Sensitivity analysis of traffic efficiency in restricted channel influenced by the variance of ship speed
CN114595776A (zh) 一种船舶碰撞风险评估方法、装置以及存储介质
Lee et al. Seafarers’ awareness-based domain modelling in restricted areas
Fujii et al. Statistical validation of a voyage simulation model for ocean-going ships using satellite AIS data
Bolbot et al. A method to identify and rank objects and hazardous interactions affecting autonomous ships navigation
Lobo-Guerrero Lloyd's and the moral economy of insuring against piracy: towards a politicisation of marine war risks insurance
Adhita et al. Ship navigation from a Safety-II perspective: A case study of training-ship operation in coastal area
Madsen et al. Safe and efficient maneuvering of a Maritime Autonomous Surface Ship (MASS) during encounters at sea: A novel approach

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