CN114662575A - 风电水域船舶航行风险预估方法、***以及存储介质 - Google Patents

风电水域船舶航行风险预估方法、***以及存储介质 Download PDF

Info

Publication number
CN114662575A
CN114662575A CN202210229399.5A CN202210229399A CN114662575A CN 114662575 A CN114662575 A CN 114662575A CN 202210229399 A CN202210229399 A CN 202210229399A CN 114662575 A CN114662575 A CN 114662575A
Authority
CN
China
Prior art keywords
risk
ship
accident
wind power
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.)
Granted
Application number
CN202210229399.5A
Other languages
English (en)
Other versions
CN114662575B (zh
Inventor
余庆
陈金海
李栋
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 CN202210229399.5A priority Critical patent/CN114662575B/zh
Publication of CN114662575A publication Critical patent/CN114662575A/zh
Application granted granted Critical
Publication of CN114662575B publication Critical patent/CN114662575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明涉及一种风电水域船舶航行风险预估方法、***以及存储介质，通过获取船舶的历史交通AIS数据，对船舶事故风险因素进行因素相关性分析；基于贝叶斯网络构建风电水域船舶通航风险综合评价模型，并选取风电水域船舶航行场景开展高风险场景感知及风险预测研究，形成风电水域的船舶交通综合风险综合评估框架；解决复杂风电水域环境影响下船舶航行风险的多尺度风险量化建模问题，***形成面向风电水域的船舶航行风险评估框架。

Description

风电水域船舶航行风险预估方法、***以及存储介质
技术领域
本发明涉及海上交通领域，尤其是一种风电水域船舶航行风险预估方法、***及存储介质。
背景技术
随着风力能源开发技术迅猛发展，我国海上风电场建设呈现快速增长趋势，风电水域船舶航行安全问题逐渐引起了人们的关注。新建海上风电场会改变水域内原有通航环境，限制过往船舶航行行为，增加风电场水域附近船舶的航行难度和碰撞风险。开展风电水域船舶航行风险评估研究，将有助于充分了解水域风险情况，从而降低水域船舶事故发生概率。然而，目前针对风电水域船舶航行风险相关研究依然呈现碎片化状态，缺乏***性的风险影响要素辨识和影响机理研究工作，影响风电水域船舶航行风险评估的开展。
新建海上风电场将对周围水域的自然和通航环境产生显著影响，包括对瞭望产生干扰、限制船舶可航水域等，从而增加船舶航行潜在风险。由于缺乏水域内事故数据作为参考，大多研究基于人为经验开展研究，导致已有的评估结果有时与实际情况出入较大。针对以上问题，目前主要是通过构建统计模型研究水域内船舶航行风险程度。类似的研究包括Rawson对英国泰晤士河口风电场水域附近船舶交通流分析，Mujeeb等对釜山沿海平台水域船舶航行风险计算等。研究中主要使用Pedersen交通流风险量化模型进行风险分析，通过求取交通流分布上碍航物的投影范围计算潜在碰撞船舶概率，乘以致因参数来计算该交通流的航行风险。但该模型存在以下问题：首先，使用的正态分布模型难以准确刻画交通流实际分布；其次，使用的致因参数为一常量，该参数的普适性较差，不能反映不同场景下船舶碰撞概率变化情况。由于现有研究存在的局限，需要对风电水域船舶航行风险的量化模型的构建方法进行进一步研究。
发明内容
为了克服上述现有技术的问题，发明提供一种风电水域船舶航行风险预估方法，包括以下步骤：S1、获取船舶的历史交通AIS数据，对所述历史交通AIS数据进行数据预处理后，构建船舶交通流特征数据集，所述船舶交通流特征数据集包括船舶的事故风险因素，所述事故风险因素类型包括直接影响因素以及间接影响因素；所述直接影响因素包括船舶类型、船舶吨位、船舶速度、船舶最小通过距离以及船舶通过季节；所述间接影响因素包括船舶长度、船舶宽度、船舶吃水、船舶航向以及昼夜时间；
S2、对所述事故风险因素进行因素相关性分析，得到各个所述事故风险因素之间的因素关联性分析结果；
S3、基于贝叶斯网络模型构建交通流特征网络并训练，包括：利用所述事故风险因素构建贝叶斯网络模型的节点，根据所述因素关联性分析结果得到贝叶斯网络模型的有向边，所述有向边用于表示各节点间的相互耦合关系，并通过贝叶斯搜索方法计算得到所述有向边的条件概率；
S4、基于所述交通流特征网络构建风电水域船舶航行风险模型，包括：在所述交通流特征网络上增加风险概率节点、风险后果节点以及航行风险节点，所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述间接影响因素作为父节点通过所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述航行风险节点仅与所述风险概率节点以及所述风险后果节点之间形成有向边，通过构建风险语义集对所述事故风险因素进行评价分析，得到条件概率库，以完成所述风电水域船舶航行风险模型的构建；
S5、将当前的船舶交通AIS数据输入至所述风电水域船舶航行风险模型，得到船舶的风险发生概率。
在上述方案的基础上本发明还可以作出如下改进。
进一步，S1具体为，获取所述船舶的历史交通AIS数据，通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述事故风险因素，对每个所述事故风险因素进行离散化处理，对于每个所述事故风险因素分别预设有多个数值区间，并每个数值区间分别对应的离散化节点状态，判断所述事故风险因素所属的区间，根据所述事故风险因素所属的区间的离散化值将所述事故风险因素分配相应的节点状态。
进一步，所述S3中，训练所述交通流特征网络具体包括如下步骤，
获取所述船舶的历史交通AIS数据，通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述船舶交通流特征，对每个所述船舶交通流特征进行翻译清洗处理和离散化处理，构建船舶交通流特征训练数据集；
利用所述船舶交通流特征训练数据集对初始交通流特征网络进行迭代训练，并通过K-fold交叉检验方法对所述交通流特征网络进行验证，得到模型评估指数和分类精度结果来验证所述交通流特征网络的预测结果的可靠性。
进一步，所述S3中所有所述节点的状态均匀分布，利用以下公式计算所述交通流特征网络中各个所述事故风险因素不同的节点状态下出现的频率，得到所述节点之间所述有向边的条件概率：
Figure BDA0003537668590000031
其中，D代表船舶交通流特征数据集，Bk表示交通流特征网络模型结构，Nijk表示数据集中存在特定状态θijk的数据个数，Nij为节点k中所有存在状态总数，则
Figure BDA0003537668590000032
xi为网络模型所有状态节点，则特定有向边条件概率E可由上式计算求得。
进一步，所述S4中通过构建风险语义集对所述事故风险因素进行评价分析，得到条件概率库具体包括；
根据所述事故风险因素构建不同的风险事故场景，并通过所述风险语义集对所述风险事故场景进行描述；
通过专家评价***对所有所述风险事故场景下的风险概率以及风险后果进行评价；
将所有所述场景相对应的评价结果分配不同的权重值，通过置信规则库构建所述条件概率库，所述条件概率库包括所述风险概率节点、风险后果节点和航行风险节点的条件概率。
进一步，所述风险语义集包括：风险概率语义集以及风险后果语义集，其中，所述风险概率语义集合包含极低概率、低概率、平均概率、频繁和十分频繁五种状态；风险后果语义集合包括微不足道、较低、中等、严重以及灾难五个状态。
进一步，对于所述事故风险因素的信息熵进行计算，获取所有所述事故风险因素的信息熵值，所述事故风险因素的信息熵计算公式如下：
Figure BDA0003537668590000033
其中，αi为事故风险因素α的第i个状态，βj为事故风险因素β的第j个状态，b为参考底数，Entropy为该事故风险因素的信息熵；
根据所述事故风险因素的信息熵值，将所述事故风险因素相对重要度通过如下公式进行比较：
Figure BDA0003537668590000041
其中，Entropyβ，表示比较事故风险因素β的信息熵，Entropyα则表示被比较事故风险因素α的信息熵，Importance表示事故风险因素的相对重要度；
根据所述相对重要度对所有所述事故风险因素进行排列，得到关键事故风险因素。
进一步，选定风险概率节点、风险后果节点和航行风险节点为目标节点，基于所述风险事故构建的风险事故场景下，通过所述风电水域船舶航行风险模型计算所述目标节点边际概率，识别高风险场景的所述风险事故组合。
本发明另一个目的在于提供一种风电水域船舶航行风险预估装置，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风电水域船舶航行风险预估方法。
本发明再一个目的在于提供一种计算机可读存储介质，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处理器执行以实现上述的风电水域船舶航行风险预估方法。
本发明的有益效果是：通过风电水域船舶航行风险预估模型能够有效进行船舶交通流特征网络的构建和风险评估，基于置信函数的数据融合算法对模型中辨识的风险因素进行条件概率计算，进一步基于贝叶斯网络构建风电水域船舶通航风险综合评价模型，采用结构面上检验、K-fold交叉检验方法对构建风险模型的可靠性进行验证，并选取风电水域船舶航行场景开展高风险场景感知及风险预测研究，形成风电水域的船舶交通综合风险综合评估框架；解决复杂风电水域环境影响下船舶航行风险的多尺度风险量化建模问题，***形成面向风电水域的船舶航行风险评估框架。
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为本发明风电水域船舶航行风险预估方法流程图；
图2为本发明中K2算法结构伪代码截图；
图3为本发明中初始交通流特征网络结构示意图；
图4为本发明中交通流特征网络模型各节点状态分布图；
图5为本发明中交通流特征网络结构示意图；
图6为本发明中验证得到的模型AUC指数曲线图；
图7为本发明中验证得到的模型分类精度结果曲线图；
图8为本发明中风电水域船舶航行风险模型结构示意图；
图9为本发明中风电水域船舶航行风险模型各节点状态分布图；
图10为本发明结合现实示例中风电水域船舶航行风险模型各节点状态分布图；
图11为本发明结合现实示例中不同风险场景的航行风险评价结果占比示意图。
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，本发明提供风电水域船舶航行风险预估方法，包括以下步骤，
S1、获取船舶的历史交通AIS数据，对所述历史交通AIS数据进行数据预处理后，构建船舶交通流特征数据集，所述船舶交通流特征数据集包括船舶的事故风险因素，所述事故风险因素类型包括直接影响因素以及间接影响因素；所述直接影响因素包括船舶类型、船舶吨位、船舶速度、船舶最小通过距离以及船舶通过季节；所述间接影响因素包括船舶长度、船舶宽度、船舶吃水、船舶航向以及昼夜时间；
S2、对所述事故风险因素进行因素相关性分析，得到各个所述事故风险因素之间的因素关联性分析结果；
S3、基于贝叶斯网络模型构建交通流特征网络并训练，包括通过所述事故风险因素构建贝叶斯网络模型的节点，根据所述因素关联性分析结果得到贝叶斯网络模型的有向边，所述有向边用于表示各节点间的相互耦合关系，并通过贝叶斯搜索方法计算得到所述有向边的边际概率以及条件概率；
S4、基于所述交通流特征网络构建风电水域船舶航行风险模型，包括在所述交通流特征网络上增加风险概率节点、风险后果节点以及航行风险节点，所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述间接影响因素作为父节点通过所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述航行风险节点仅与所述风险概率节点以及所述风险后果节点之间形成有向边，通过构建风险语义集对所述事故风险因素进行评价分析，得到条件概率库，以完成所述风电水域船舶航行风险模型的构建；
S5、将船舶交通AIS数据输入至所述风电水域船舶航行风险模型，得到风险发生概率。
本发明通过风电水域船舶航行风险预估模型能够有效进行船舶交通流特征网络的构建和风险评估，基于置信函数的数据融合算法对模型中辨识的风险因素进行条件概率计算，进一步基于贝叶斯网络构建风电水域船舶通航风险综合评价模型，采用结构面上检验、K-fold交叉检验方法对构建风险模型的可靠性进行验证，并选取风电水域船舶航行场景开展高风险场景感知及风险预测研究，形成风电水域的船舶交通综合风险综合评估框架；解决复杂风电水域环境影响下船舶航行风险的多尺度风险量化建模问题，***形成面向风电水域的船舶航行风险评估框架。
在本实施例中具体地，贝叶斯网络模型通常是由一系列节点的集合和有向边所构成有向无环网络图。其中，节点主要用来表示风险模型中的影响因素，可根据节点所在位置分为父节点和子节点两种类型；边则用来表示因素间相互耦合关系，既可以通过有向箭头定性反映因素间影响关系，又可以通过有向边的边际概率以及条件概率来定量描述影响强弱。
因此，准确的构建网络模型和输入各节点概率是构建贝叶斯网络的主要目标。获取船舶交通流特征，对所述船舶交通流特征进行数据预处理后，构建船舶交通流特征数据集；将所述船舶交通流特征数据集中的事故风险因素进行分类，对所述事故风险因素进行因素相关性分析，得到各个所述事故风险因素之间的因素关联性分析结果，所述事故风险因素包括直接影响因素以及间接影响因素；在贝叶斯搜索算法中，具体步骤如图2所示可用如下伪代码对模型结构的训练主要基于名为“K2algorithm”(K2算法)的启发式搜索算法。该算法基于提供的船舶交通流特征样本数据，通过对船舶交通流特征数据内所有可能结构进行遍历，选择最似然模型结构来构建船舶交通流特征训练数据集的训练结果。
本发明通过K2算法对所述事故风险因素进行因素相关性分析，得到各个所述事故风险因素之间的因素关联性分析结果，在K2算法中，不同结构的在所船舶交通流特征训练数据集中的似然概率可使用公式5-1及5-2进行计算：
Figure BDA0003537668590000061
式中h为船舶交通流特征数据集D中事故风险因素可能构成结构的总数，其中Bc(c∈h)为一种可能存在于船舶交通流特征训练数据集D中的网络结构，Bc在D中的似然概率表示为P(Bc|D)。可由Bc在样本D中可能性P(Bc,D)除以所有h种结构可能性之和计算获得。对特定网络框架结构Bc的可能性数值P(Bc,D)的计算如公式5-2所示：
Figure BDA0003537668590000071
接着，该算法将对所有存在模型的似然概率进行比较，选取最似然概率模型结构作为船舶交通流特征训练数据集结果。例如在船舶交通流特征训练数据集包含两个参数X和Y，参数各自对应X～(x1,x2,x3)和Y～(y1,y2,y3)三种状态，两参数存在三种可能结构，分别为：有正向边(X→Y)、有反向边(X←Y)和无边(X，Y)：假设使用K2算法对数据集D计算后求得：P(B正向关联|D)>P(B无关联|D)>P(B反向关联|D)，则该算法推断X和Y两因素之间结构为(X→Y)。
在通过上述K2算法确定了各个风险事故因素之间影响关系后，下一步是对各节点的边际概率分布(Marginal Probability Distribution)和条件概率(ConditionalProbability Table)分布进行计算，从而定量化的描述各节点之间相互影响。在贝叶斯搜索算法中使用贝叶斯估计器(Bayes Estimator)进行各节点的概率计算。通过各个节点之间的有向边的边际概率以及条件概率来定量描述节点之间的关联影响强弱，通过假设所有节点的状态出现符合特定分布，在此基础上利用累积方式计算船舶交通流特征数据集D中节点在不同状态下的出现频率，并以此作为结果赋予该节点。在无任何经验数据前，一般假设节点状态出现频率符合均匀分布。对节点状态概率的计算可使用公式5-3：
Figure BDA0003537668590000072
假设某输入船舶交通流特征数据集D符合交通流特征网络模型结构Bk，且P(Bk,D)满足以下四条假设ξ：船舶交通流特征数据集D中所有变量Xd即所有事故风险因素均为离散变量；所有随机风险事件独立发生；船舶交通流特征数据集D中包含所有数据应完整可靠，无缺失数据；在无数据输入时，交通流特征网络模型中节点状态符合均匀分布特征。则此时包含状态θijk的某节点xi的条件概率即为E[θijk|D,Bk,ξ]。
在本实施例中具体地，获取船舶的历史交通AIS数据，通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述船舶交通流特征，对每个所述船舶交通流特征进行离散化处理。通过构建的船舶交通流特征训练数据集采用贝叶斯搜索的机器学习方法对初始交通流特征网络进行迭代训练，从而构建交通流特征网络模型，为保证模型训练和预测结果的可靠性，本发明通过多种模型检验方法对模型进行验证。本发明研究中所构建的模型将实现水域内交通流特征定性描述和定量预测，从而为进一步的建风电水域船舶航行风险模型建模提供基础。
在船舶交通AIS数据中，主要包含船舶时间、位置、MMSI编号、航速等多种参数，同时还可以使用MMSI编号进行船名库信息匹配来获得船舶对应的静态船舶交通AIS数据。通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述船舶交通流特征，从船舶交通流特征中选取如下10个特征参数分别为：船舶类别、长度、船宽、吃水、排水量、船速、航向、季节、昼夜以及船舶与风机最小间距。其中，船舶类型、长度、船宽、吃水、排水量可从现有船舶数据库中提取，航向、航速、季节和昼夜时间可由船舶交通AIS数据直接获得，船舶与风机最小间距则使用最小通过距离算法进行计算。
在通过船舶交通流特征训练数据集进行训练之前，需要对部分连续的船舶交通AIS数据进行离散化处理，对于每个所述船舶交通流特征分别预设有多个数值区间，并分别为每个数值区间分配对应的离散化值，判断所述待分类轨迹特征值所属的区间，根据所述船舶交通流特征所属的区间的离散化值将所述船舶交通流特征转化为离散化特征。根据不同船舶交通流特征的参数的自然属性或以往研究结论，本发明分别对船舶交通流特征参数的状态定义如下：
船舶类别：根据对通过风电水域的船舶类型分析，通过风电场船舶主要类型包括普通货船、油化船、特殊作业船舶及渔船四种类型。其中普通货船包括集装箱船舶、散货船舶、杂货船舶等运输一般货物船舶；油化船主要包括从事原油及成品油运输，危险液体货物运输船舶；特殊作业船舶包括沿海施工、风电运维、客渡等工作船舶；渔船则主要包括在从事渔业养殖及捕捞作业船舶。
长度：由于目前大多数风电场水域附近航路多为沿岸航路，根据对通过船舶统计结果，定义船舶长度包括小于80米、长度介于80米到120米、长度超过120米的三个区间，分别对应小型船舶长度、中型船舶长度和大型船舶长度。
船宽：和长度参数相似，针对船舶的定义范围包含四类，分别是宽度小于10米、宽度介于10米至20米、宽度介于20米至30米和宽度超过30米以上，对应超小型船舶、小型船舶、中型船舶和大型船舶。
船舶吃水：根据对水域内过往船舶类型的吨位统计，研究定义船舶吃水包括小于3米(超小型船舶)、介于3米至6米(小型船舶)、介于6米至9米(中型船舶)和超过9米以上吃水四个范围。
船舶排水量：根据风电水域过往船舶吨位分布统计，将船舶根据吨位大小依次分为超小型船舶(小于300总吨)，小型船舶(介于300总吨至3000总吨)，中型船舶(介于3000总吨至10000总吨)，大型船舶(超过10000总吨)。
航速：根据对风电水域过往船舶速度统计，约有67％船舶在通过海上风险时速度介于6到12节之间，而航速小于2节船舶基本为锚泊和漂滞船舶。因此，船舶速度分为漂滞船舶(船舶通过速度小于2节)，低速船(船舶通过速度介于2节至6节)，正常速度船舶(船舶通过速度介于6节到12节)和高速船舶(船舶速度大于12节)四个状态。
航向：在航路内航行的船舶具有明显的航向一致性特征，根据收集数据所在水域的航路走向(平海湾海上风电场南日水道)将数据中包含的船舶分为北上船舶航向(船舶航向介于305°至125°)及南下船舶(船舶航向介于125°至305°)两类。
季节：船舶通过季节分为春季(三月、四月、五月)，夏季(六月、七月、八月)，秋季(九月、十月、十一月)和冬季(十二月、一月、二月)。
昼夜时间：船舶在早上6点到下午6点通过风电水域被定义为白天通过，其余时间为夜晚通过。
最小通过间距：根据已有研究结果，船舶通过海上风电场水域时安全间距被定义为三个等级，包括极高风险距离(船舶通过距离小于0.5海里)，风险距离(船舶通过距离介于0.5海里至3.5海里)和低风险距离(船舶通过距离大于3.5海里)。船舶交通流特征离散状态定义如表1所示。
Figure BDA0003537668590000101
表1
更具体地，本发明对福建莆田沿海平海湾二期海上风电场B区作为实际研究对象，该风电场于2016年建成，于2017年正式开始营运。本发明收集该水域2017年全年AIS数据，共计17444条船舶轨迹。其中，位于南日水道的船舶交通流中包含13402条船舶轨迹。使用现有船舶数据库进行船舶静态数据匹配后，保留有效数据9590条，构建船舶交通流特征训练数据集后，设定训练参数如下：训练算法为Bayesian Search，任意节点的最大父节点连接个数不超过10个，测试验证样本数量为为5000，同时，为确保训练获得结果完全来源于客观数据，此处无任何背景知识输入，即在训练前不定义任何节点间耦合关系。根据表1中的船舶交通流特征离散状态定义，对收集数据进行翻译清洗以及离散处理后，利用船舶交通流特征训练数据集对初始交通流特征网络进行迭代训练，整个训练完成耗时总计1.047秒，训练所获得交通流特征网络如图3所示：
通过继续使用贝叶斯搜索方法对各节点的边际分布概率和条件概率进行计算，如图4所示其中：
船舶类型：普通货船占比为28％，油化船占比30％，渔船占比数量出现显著下降，仅占14％，其主要原因是由于部分渔船缺失船舶MMSI信息导致船舶信息被移出训练数据库，运维及特种作业船舶占比28％。
船舶排水量：超小型船舶占比12％，小型船舶占比44％，中型船舶占比16％，大型船舶占比28％。
船舶尺度：21％船舶长度小于80米，23％船舶长度介于80到120米，57％的船舶长度超过120米；11％船舶宽度小于10米，73％船舶宽度介于10米到20之间，12％船舶宽度介于20到30米之间，5％船舶宽度超过30米以上；3％船舶吃水小于3米，60％船舶吃水介于3米至6米之间，25％船舶吃水介于6米至9米之间，12％船舶吃水超过12米。
船舶速度：漂滞及低速船舶占比3％，低速船舶占比14％，均速船舶占比65％，高速船舶占比18％。
船舶航向：55％为北向船舶，45％为南向船舶。
最小通过距离：27％船舶在通过风电场水域时与风电场间距处于不可容忍距离(小于0.5海里)，51％船舶通过时最小间距为可容忍距离(介于0.5海里至3.5海里之间)，22％船舶处于广泛可接受范围(大于3.5海里)。
通过季节：春季通过船舶占比27％，夏季通过船舶占比9％，其主要原因是用于夏季执行禁渔期，渔船数量显著下降，秋季船舶占比26％，冬季船舶占比39％。昼夜时间：60％船舶在白天通过风电水域，40％船舶在晚上通过风电水域。
主要通过对模型结构中的因素关联性进行分析，判断各因素间耦合关系是否符合基本常识，该方法属于一种定性的模型验证方法。为开展该验证工作，研究邀请了三位风电领域专家来对模型进行了评价，三位专家的背景情况如表2所示：
Figure BDA0003537668590000111
Figure BDA0003537668590000121
表2
根据模型的结构及节点的概率分布，三位专家分别各自经验对模型的节点和边的合理性进行了评价，三位专家的评价结果如表3所示：
Figure BDA0003537668590000122
表3
根据专家反馈的意见，研究对所获得模型的结构进行了修正，从而获得修正后的模型如图5所示，在本实施例中具体地，由于在数据采集和处理过程难免存在偏差，因此在进行模型训练后，还需要对所获得的模型进行可靠性检验来确保模型预测的可靠性。本发明将依次使用模型结构面上检验(Face validation)和K-fold交叉检验两种方法对模型可靠性进行验证。研究使用K-fold交叉检验方法对模型预测的可靠性进行验证。该方法将模型预测结果与预留的测试集数据进行一一比对，根据比对结果的一致程度来分析模型的拟合效果及泛化能力。本发明以5000条船舶实测数据作为训练样本，使用K-fold交叉检验方法对构建模型进行了验证后，获得模型AUC指数和分类精度结果分别如图6及图7所示。在图6中展示了交通流特征网络进行K-fold检验的准确性结果，在该图中，交通流特征网络的AUC曲线(Area Under Curve)代表预测结果的假正例率。在检验的结果中可以发现，交通流特征网络所获得的AUC曲线下围成的面积达到0.87，根据AUC曲线准确性评价标准可以证明，交通流特征网络模型的预测的假正例率很低，模型的预测精确度达到优秀水平(0.85-0.95)。在图7则展示了交通流特征网络的校准分类检验结果，其中可以发现交通流特征网络曲线所描述的预测分类概率(Classifier Probability)与流行概率(PrevalenceProbability)在0到1区间内基本满足对角线分布，证明交通流特征网络具有较好的预测性。
在本实施例中具体地，由于海上风电水域特殊的地理环境，上述交通流特征的参数众多，对船舶航行安全影响程度也存在差异。研究根据不同风险事故因素对于船舶交通安全的影响差异将事故风险因素分为直接影响因素和间接影响因素两类。在构建风电水域船舶航行风险模型中，如图8所示船舶类型、船舶吨位、船舶速度、船舶最小通过距离和船舶通过季节节点属于直接影响因素(RIFs)；船舶长度、船舶宽度、船舶吃水、船舶航向及昼夜时间节点作为间接影响因素(SIFs)。在模型中，直接影响因素将直接连接风险概率和/或风险后果节点，其中船舶类型、船舶通过季节和最小通过距离将作为父节点影响风险概率节点，船舶类型、船舶速度和船舶排水量将作为父节点影响风险后果节点，间接影响因素则不与风险概率和后果节点相连接，仅能通过直接影响因素节点传递对风险的影响。此外，新增的风险概率和风险后果两个节点将作为父节点，最终影响航行风险节点的变化情况。
在本实施例中具体地，根据所述事故风险因素构建不同的风险事故场景，并通过所述风险语义集对所述风险事故场景进行描述；在风电水域船舶航行风险模型中包括影响风险概率的场景组合48种，后果场景64种；接着构建合适的语义集合来描述场景，其中风险概率语义集合包含极低概率(Very Low)、低概率(Low)、平均概率(Average)、频繁(Frequent)和十分频繁(Highly Frequent)五种状态；风险后果语义集合包括微不足道(Negligible)、较低(Marginal)、中等(Moderate)、严重(Critical)以及灾难(Catastrophic)五个状态，除此以外，两个节点还包括未知(Unknown)选项作为备选，基于专家评价***进行因素影响量化程度分析，对所有所述风险事故场景下的风险概率以及风险后果进行评价，选取合适语义状态并赋予不同的隶属度评价，从而对不同场景下的风险概率或后果进行评价。对64种风险场景对应的风险概率的评价结果如表4所示：
Figure BDA0003537668590000141
Figure BDA0003537668590000151
表4
对采集的数据进行融合并将其转换为条件概率表。由于专家经验的局限，在评价中难以对每种风险场景都给出十分确定的答案，因此在表4可以发现诸多评价中的风险状态隶属度之和不足1，表明专家对该场景评价的不确定影响明显；其次，根据表2可以发现，由于邀请专家的经验知识及背景存在差异，专家对不同场景的熟悉程度不同，因此所给出的评价结果的可信度也存在差异，因此需要使用证据推理方法进行数据的融合来克服评价结果的不确定问题，将所有所述场景相对应的评价结果分配不同的权重值，通过置信规则库构建所述条件概率库，所述条件概率库包括所述风险概率节点、风险后果节点和航行风险节点的条件概率。
根据邀请专家背景信息差异，对专家提供信息的可信度进行权重分配如下专家一获得权重为0.405，专家二权重为0.33，专家三权重为0.262。使用该权重进行评价数据融合后，得到风险概率分布结果如表5所示和融合后风险后果分布结果如表6所示结果。
Figure BDA0003537668590000161
表5
Figure BDA0003537668590000162
Figure BDA0003537668590000171
表6
由于存在不确定性数据，研究基于最坏案例场景(Worst-case scenario)将所有不确定性数据均分配到极频繁和灾难两个状态，再根据置信规则方法构建条件概率库。如对表5-中场景一的描述：IF船舶种类为普通货船，季节为春季，最小通过距离为不可容忍，THEN碰撞风险分布为(0％极低，12％较低，46％平均，39％频繁和4％极频繁)。类似地，将以上所有场景进行转换后即可得到节点“风险概率”、“风险后果”和“航行风险”的条件概率表，将其输入贝叶斯网络模型中即可完成风险模型的构建，如图9所示：将船舶交通AIS数据输入至所述风电水域船舶航行风险模型，得到风险发生概率，该水域的风险发生概率为(37％极低，39％低，15％平均，7％频繁，2％极频繁)，风险后果为(14％微不足道，7％较低，42％中等，12％严重，25％灾难)综合航行风险为(25％极低，23％低，29％平均，10％高，13％极高)。为获取该风险的具体量化结果，研究使用公式5-4对评估结果进行置信分布效用转换，从而实现结果的去模糊化处理：
Figure BDA0003537668590000172
其中，βk为第k个语义状态隶属度，uk为该语义状态赋予的效用值，该语义集合共有h个语义状态。研究对概率和后果两个节点的分配效用值如下：u极低＝u微不足道＝1，u低＝u较低＝3，u平均＝u中等＝5，u频繁＝u严重＝7，u极频繁＝u灾难＝9；对最终风险的效用分配为u极低＝1，u低＝9，u平均＝25，u高＝49，u极高＝81。使用公式5-4对风险概率分布进行计算可得该水域最终风险为24.91，介于低风险(u低＝9)和平均风险(u平均＝25)之间，故认为该水域航行风险处于较低风险状态。
在本实施例中具体地，本发明使用信息熵理论对构建模型中的因素重要度进行排序。信息熵可以理解为某种特定信息在数据集中的出现概率，通过对不同因素的信息熵进行计算，即可以根据因素信息熵值的高低来进行因素重要性评价，高信息熵的因素重要性高于低信息熵值的因素。对某数据集合中的包含因素α的信息熵值的计算可以使用公式5-5：
Figure BDA0003537668590000181
其中，αi为事故风险因素α的第i个状态，βj为事故风险因素β的第j个状态，b为参考底数，Entropy为该事故风险因素的信息熵；在获取各因素信息熵值后，则可使用因素重要度计算公式5-6来比较两因素的相对重要度：
Figure BDA0003537668590000182
根据以上信息熵计算方法，例如，通过选择“航行风险”作为目标节点进行其他节点的信息熵值计算，获得结果如表7所示。
Figure BDA0003537668590000183
表7
根据所述相对重要度对所有所述事故风险因素进行排列，得到关键事故风险因素，如表7所示计算结果显示目标节点“航行风险”的信息熵为0.161。对比该节点，其他影响因素中最为船舶最小通过距离(MPD)熵值最高，计算结果为0.061，相对重要性达到37.9％；其次是交通流内船舶吨位大小(T)，信息熵值为0.057，相对重要性占比达到35.4％，相对船舶最小通过距离的重要度下降2.5％；第三是船舶类型因素，信息熵值为0.04，相对重要度为24.8％。除以上三个因素外，其他因素的重要度依次排序为季节(相对重要度14.3％)，航速(相对重要度9.9％)，吃水(相对重要度8.1％)，南/北向(相对重要度6.8％)，昼夜时间(相对重要度5％)，长度及宽度(相对重要度0.6％)。所有的直接影响因素的相对重要性权重高于间接影响因素，从侧面证明了该风电水域船舶航行风险模型中风险事故因素选择的合理性。风电水域船舶航行风险模型证明船舶最小通过距离和船舶吨位对风电水域内船舶航行风险的影响程度最高。因此，在进行船舶航路设计和风电选址时，需要保证船舶航路与风电场边间保持一定安全距离，并注意区分不同吨位大小的船舶的风险差异，建议大型船舶在通过时应保证更大的安全距离。另外，可以发现船舶吃水对船舶的航行风险的影响度也较高，占比达到8.1％，表明船舶吃水因素在船舶航行中也存在一定影响，如深吃水船舶在通过水域时可能会对水域内存在的风电海底管线、水下设备等造成一定程度威胁。
在本实施例中具体地，本发明研究基于风电水域船舶航行风险模型，使用多因素敏感分析法进行风电水域内船舶航行高风险场景识别。通过假设部分风险事故因素保持不变状态下，选定风险概率节点、风险后果节点和航行风险节点为目标节点，基于其他所述风险事故构建的风险事故场景下不同因素状态组合的明感性波动范围及极限值，从而研究两种或两种以上不确定性因素的协同变化对整体风险的影响。在进行敏感性分析的过程中需要确保研究的不确定性变量之间保持相互独立，且因素处于不同状态的概率相同，通过所述风电水域船舶航行风险模型计算所述目标节点边际概率，识别高风险场景的所述风险事故组合。研究依次选择风险概率、风险后果和航行风险三个节点作为分析对象，使用Min-Max方法研究其他10个风险事故因素的组合变化得到风险场景下对目标变量的影响情况，共计包含147456种潜在场景。假设此时的航行风险事故发生概率的状态为极频繁时，该目标节点的概率分布为0.0176401，其节点风险概率最大波动范围为0.0169556到0.0187869，处于较低的水平。在所有存在场景中，前10的高风险概率场景分别依次展示，其中前三高风险概率场景分别为：运维船舶在春季以不可容忍距离(0.5海里)通过海上风电水域；吃水在3到6米的小型渔船通过海上风电水域；冬季油化船以不可容忍距离(小于0.5海里)通过海上风电水域。第一种场景的船舶风险事故发生概率最高，对应影响波动范围为0.0169至0.0183，敏感度为0.0014。同样考虑最糟糕情况下，所有事故可能造成灾难性的损失的概率大小。此时，该目标节点按照现有状态概率为0.24838，造成灾难性事故概率在0.17803到0.38907之间波动，造成灾难性事故的概率处于较高的水平。在前10的高事故后果场景中，前三的场景均为油化船舶通过海上风电水域场景，其中风险最高的航行场景为小型油船以平均速度发生事故所导致的后果，该事故所造成灾难性后果的概率波动范围从0.17803到0.38907之间，事故后果敏感度高达0.21104。研究结果表明该水域最高风险场景为300到3000总吨的油化船舶以平均速度通过海上风电水域，该场景的风险波动范围从0.0976到0.2033之间，敏感性为0.1057。由于研究对象风电场(福建平海湾海上风电场二期)所在水域位于莆田市东南部平海湾水域，附近分布有若干油化码头及船舶燃油加注锚地，该水域内油化船舶数量占比较高，且航速一般介于6到12节之间。由于此类船舶运输货物和作业性质的特殊性，这些船舶一旦在海上风电水域发生事故碰撞，搁浅等海上事故，可能造成船、机结构受损，溢油、火灾等灾难性海上事故。
下面结合具体案例场景对本发明的技术方案进行测试，案例场景收集了2017年不同季节中，福建莆田平海湾海上风电水域通过的10条船舶的AIS动态及静态信息。收集数据主要囊括风电运维船舶、普通散货船、油化船及渔船四种船舶类型。10个不同场景中包含船舶的具体类型、排水量、通过时平均速度、通过季节和通过风电水域时的最小船舶通过距离信息参见表8。
Figure BDA0003537668590000201
Figure BDA0003537668590000211
表8
在收集的十组场景中，共计包含油化船舶三条，普通货船三条，运维船舶两条，渔船两条。其中四条船舶属于超小型船舶，两条属于小型船舶，三条属于中型船舶，以及一条大型船舶；三条船舶处于漂滞状态，两条船舶以低速通过风电场区域，三条船舶以正常速度通过，两条船舶以高速通过；四条船舶在通过风电场区域时的通过距离处于不可容忍状态，四条处于可容忍状态，两条属于可接受状态。
对采集的十个场景内船舶分别进行航行风险评价。为计算各自风险情况，研究根据表1中给出的船舶离散状态定义标准将船舶的各项参数转换为对应的状态，并将各参数变量状态作为输入数据集分别导入构建好的风电水域船舶航行风险模。以分析场景五为例，对该场景的具体分析步骤如下。
场景五种描述了夏季某日，一搜排水量为18467吨的普通散货船以14节的速度通过海上风电场水域，在通过的过程中该船距离风电场边界的最近距离仅为0.24海里。对该场景进行状态转换后，可将该场景描述为(船舶类型：普通货船，排水量：大型船舶，速度：高速，季节：夏季，通过距离：不可容忍)。将以上状态作为输入变量，分别锁定网络模型的船舶类型节点为(100％，General)，船舶排水量为(100％，Large)，船舶速度为(100％，High)，季节为(100％，Summer)和最小通过距离(100％，Intolerable)，如图10所示，根据风电水域船舶航行风险模计算结果显示最终航行风险分布为(0％,very low risk，0％,low risk,22％average,41％high risk,37％verhigh risk)，对应风险效用值为55.56，该船舶在以不可容忍的通过距离通过风电水域时，被认定为高风险事件的概率为79.5％高风险，20.5％极高风险。类似的，其他九个船舶场景也以此进行了风险计算，风电水域船舶航行风险模得到的风险评估结果由表9给出。
Figure BDA0003537668590000212
Figure BDA0003537668590000221
表9
根据表9给出的对十个案例场景内船舶航行风险量化结果，所有场景的航行风险情况由高到低依次排序为场景五、场景九、场景四、场景一、场景七、场景三、场景十、场景二、场景六和场景八。其中场景一、四、五和九均处于平均风险以上水平，船舶航行风险较高。可以发现，这四个场景内船舶通过海上风电场时的最小通过距离均小于0.5海里，应采取包括转向，增大通过距离等措施来降低船舶航行风险。场景二、六、八和十内船舶的航行风险较低，可以维持现状。根据风险定义R～(P,C,L)对风险场景的评估除了考虑特定场景的风险概率P及可能导致事故后果C以外，还应当考虑不同场景在真实情况下发生的可能性L。因此本发明进一步统计了以上十种案例场景在收集数据中占比情况，结果如图11所示，图11中显示场景五不仅在所有场景中航行风险评价结果最高，该场景也最为常见，发生占比高达10％以上，存在极高的风险。除此以外，其他大部分场景的发生概率大都在1％左右，尽管存在较高风险(如场景九)，但对水域综合航行风险影响不大。由此可以得出结论，在研究的十种场景中，模型识别场景五为最高风险场景，应采取相应措施对此类船舶予以管控。
本发明还提供一种风电水域船舶航行风险预估装置，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风电水域船舶航行风险预估方法。作为一个可执行方案，风电水域船舶航行风险预估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)

1.一种风电水域船舶航行风险预估方法，其特征在于，包括以下步骤：
S1、获取船舶的历史交通AIS数据，对所述历史交通AIS数据进行数据预处理后，构建船舶交通流特征数据集，所述船舶交通流特征数据集包括船舶的事故风险因素，所述事故风险因素类型包括直接影响因素以及间接影响因素；所述直接影响因素包括船舶类型、船舶吨位、船舶速度、船舶最小通过距离以及船舶通过季节；所述间接影响因素包括船舶长度、船舶宽度、船舶吃水、船舶航向以及昼夜时间；
S2、对所述事故风险因素进行因素相关性分析，得到各个所述事故风险因素之间的因素关联性分析结果；
S3、基于贝叶斯网络模型构建交通流特征网络并训练，包括：利用所述事故风险因素构建贝叶斯网络模型的节点，根据所述因素关联性分析结果得到贝叶斯网络模型的有向边，所述有向边用于表示各节点间的相互耦合关系，并通过贝叶斯搜索方法计算得到所述有向边的条件概率；
S4、基于所述交通流特征网络构建风电水域船舶航行风险模型，包括：在所述交通流特征网络上增加风险概率节点、风险后果节点以及航行风险节点，所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述间接影响因素作为父节点通过所述直接影响因素与所述风险概率节点和/或风险后果节点之间形成有向边，所述航行风险节点仅与所述风险概率节点以及所述风险后果节点之间形成有向边，通过构建风险语义集对所述事故风险因素进行评价分析，得到条件概率库，以完成所述风电水域船舶航行风险模型的构建；
S5、将当前的船舶交通AIS数据输入至所述风电水域船舶航行风险模型，得到船舶的风险发生概率。
2.根据权利要求1所述的风电水域船舶航行风险预估方法，其特征在于：S1具体为，获取所述船舶的历史交通AIS数据，通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述事故风险因素，对每个所述事故风险因素进行离散化处理，对于每个所述事故风险因素分别预设有多个数值区间，并每个数值区间分别对应的离散化节点状态，判断所述事故风险因素所属的区间，根据所述事故风险因素所属的区间的离散化值将所述事故风险因素分配相应的节点状态。
3.根据权利要求1所述的风电水域船舶航行风险预估方法，其特征在于：所述S3中，训练所述交通流特征网络具体包括如下步骤，
获取所述船舶的历史交通AIS数据，通过高斯混合分布建模方法对船舶交通环境风险特征进行提取，得到所述船舶交通流特征，对每个所述船舶交通流特征进行翻译清洗处理和离散化处理，构建船舶交通流特征训练数据集；
利用所述船舶交通流特征训练数据集对初始交通流特征网络进行迭代训练，并通过K-fold交叉检验方法对所述交通流特征网络进行验证，得到模型评估指数和分类精度结果来验证所述交通流特征网络的预测结果的可靠性。
4.根据权利要求2所述的风电水域船舶航行风险预估方法，其特征在于：所述S3中所有所述节点的状态均匀分布，利用以下公式计算所述交通流特征网络中各个所述事故风险因素不同的节点状态下出现的频率，得到所述节点之间所述有向边的条件概率：
Figure FDA0003537668580000021
其中，D代表船舶交通流特征数据集，Bk表示交通流特征网络模型结构，Nijk表示数据集中存在特定状态θijk的数据个数，Nij为节点k中所有存在状态总数，则
Figure FDA0003537668580000022
xi为网络模型所有状态节点，则特定有向边条件概率E可由上式计算求得。
5.根据权利要求3所述的风电水域船舶航行风险预估方法，其特征在于：所述S4中通过构建风险语义集对所述事故风险因素进行评价分析，得到条件概率库具体包括；
根据所述事故风险因素构建不同的风险事故场景，并通过所述风险语义集对所述风险事故场景进行描述；
通过专家评价***对所有所述风险事故场景下的风险概率以及风险后果进行评价；
将所有所述场景相对应的评价结果分配不同的权重值，通过置信规则库构建所述条件概率库，所述条件概率库包括所述风险概率节点、风险后果节点和航行风险节点的条件概率。
6.根据权利要求5所述的风电水域船舶航行风险预估方法，其特征在于：
所述风险语义集包括：风险概率语义集以及风险后果语义集，其中，所述风险概率语义集合包含极低概率、低概率、平均概率、频繁和十分频繁五种状态；风险后果语义集合包括微不足道、较低、中等、严重以及灾难五个状态。
7.根据权利要求1所述的风电水域船舶航行风险预估方法，其特征在于：对于所述事故风险因素的信息熵进行计算，获取所有所述事故风险因素的信息熵值，所述事故风险因素的信息熵计算公式如下：
Figure FDA0003537668580000031
其中，αi为事故风险因素α的第i个状态，βj为事故风险因素β的第j个状态，b为参考底数，Entropy为该事故风险因素的信息熵；
根据所述事故风险因素的信息熵值，将所述事故风险因素相对重要度通过如下公式进行比较：
Figure FDA0003537668580000032
其中，Entropyβ，表示比较事故风险因素β的信息熵，Entropyα则表示被比较事故风险因素α的信息熵，Importance表示事故风险因素的相对重要度；
根据所述相对重要度对所有所述事故风险因素进行排列，得到关键事故风险因素。
8.根据权利要求1至7中任一项所述的风电水域船舶航行风险预估方法，其特征在于：选定风险概率节点、风险后果节点和航行风险节点为目标节点，基于所述风险事故构建的风险事故场景下，通过所述风电水域船舶航行风险模型计算所述目标节点边际概率，识别高风险场景的所述风险事故组合。
9.一种风电水域船舶航行风险预估装置，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任一所述的风电水域船舶航行风险预估方法。
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处理器执行以实现如权利要求1至8任一项所述的风电水域船舶航行风险预估方法。
CN202210229399.5A 2022-03-09 2022-03-09 风电水域船舶航行风险预估方法、***以及存储介质 Active CN114662575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210229399.5A CN114662575B (zh) 2022-03-09 2022-03-09 风电水域船舶航行风险预估方法、***以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210229399.5A CN114662575B (zh) 2022-03-09 2022-03-09 风电水域船舶航行风险预估方法、***以及存储介质

Publications (2)

Publication Number Publication Date
CN114662575A true CN114662575A (zh) 2022-06-24
CN114662575B CN114662575B (zh) 2024-06-14

Family

ID=82029678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210229399.5A Active CN114662575B (zh) 2022-03-09 2022-03-09 风电水域船舶航行风险预估方法、***以及存储介质

Country Status (1)

Country Link
CN (1) CN114662575B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659263A (zh) * 2022-10-14 2023-01-31 长江三峡通航管理局 一种基于大数据的船舶操控行为风险评估***及评估方法
CN116433023A (zh) * 2023-04-12 2023-07-14 广东海洋大学 一种海上溢油风险评估方法
CN116597693A (zh) * 2023-05-25 2023-08-15 广州航海学院 一种内河航运监控***及方法
CN116913134A (zh) * 2023-09-13 2023-10-20 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657880A (zh) * 2019-01-09 2019-04-19 中交信息技术国家工程实验室有限公司 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和***
JP2020042514A (ja) * 2018-09-10 2020-03-19 日本製鉄株式会社 船舶事故のリスク解析方法、解析装置、及びプログラム
CN112441196A (zh) * 2020-11-20 2021-03-05 武汉理工大学 船舶航行风险评估信息的处理方法、***和存储介质
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113256127A (zh) * 2021-06-01 2021-08-13 武汉理工大学 一种lng燃料动力船过闸风险的评估方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020042514A (ja) * 2018-09-10 2020-03-19 日本製鉄株式会社 船舶事故のリスク解析方法、解析装置、及びプログラム
CN109657880A (zh) * 2019-01-09 2019-04-19 中交信息技术国家工程实验室有限公司 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和***
CN112441196A (zh) * 2020-11-20 2021-03-05 武汉理工大学 船舶航行风险评估信息的处理方法、***和存储介质
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113256127A (zh) * 2021-06-01 2021-08-13 武汉理工大学 一种lng燃料动力船过闸风险的评估方法、装置及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
余静;蒋惠园;胡佳颖;: "基于贝叶斯网络的浙江沿海船舶通航风险分析", 中国航海, no. 02, 25 June 2018 (2018-06-25) *
张宝: "跨海客运渡轮班线运营安全风险预警与防控研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, 31 May 2019 (2019-05-31) *
张清河: "平潭至台湾航线高速客滚船通航风险研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 30 June 2017 (2017-06-30) *
张锋: "基于AIS信息的天津港锚地碰撞风险度研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, 31 August 2019 (2019-08-31) *
杨祥睿: "基于贝叶斯网络的船撞桥风险评估研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 30 April 2016 (2016-04-30) *
汤旭红;刘红太;蔡存强;: "贝叶斯网络在海上船舶碰撞研究中的应用", 中国航海, no. 02, 25 June 2009 (2009-06-25) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659263A (zh) * 2022-10-14 2023-01-31 长江三峡通航管理局 一种基于大数据的船舶操控行为风险评估***及评估方法
CN115659263B (zh) * 2022-10-14 2023-08-08 长江三峡通航管理局 一种基于大数据的船舶操控行为风险评估***及评估方法
CN116433023A (zh) * 2023-04-12 2023-07-14 广东海洋大学 一种海上溢油风险评估方法
CN116597693A (zh) * 2023-05-25 2023-08-15 广州航海学院 一种内河航运监控***及方法
CN116913134A (zh) * 2023-09-13 2023-10-20 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备
CN116913134B (zh) * 2023-09-13 2023-11-14 交通运输部水运科学研究所 监控海上风电场与船舶之间距离的方法、电子设备

Also Published As

Publication number Publication date
CN114662575B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
Deveci et al. A study on offshore wind farm siting criteria using a novel interval-valued fuzzy-rough based Delphi method
Dinis et al. Probabilistic approach for characterising the static risk of ships using Bayesian networks
Abdel-Basset et al. A new hybrid multi-criteria decision-making approach for location selection of sustainable offshore wind energy stations: A case study
CN109243205B (zh) 一种沿海水上交通安全风险监测与预警***及方法
CN114662575A (zh) 风电水域船舶航行风险预估方法、***以及存储介质
Yu et al. Realising advanced risk assessment of vessel traffic flows near offshore wind farms
Yu et al. Geometrical risk evaluation of the collisions between ships and offshore installations using rule-based Bayesian reasoning
Lu et al. A Bayesian Network risk model for assessing oil spill recovery effectiveness in the ice-covered Northern Baltic Sea
Xue et al. Influence of environmental factors on human-like decision-making for intelligent ship
Chang et al. Protection priority in the coastal environment using a hybrid ahp-topsis method on the Miaoli coast, Taiwan
Díaz et al. A novel multi-criteria decision-making model to evaluate floating wind farm locations
Huang et al. Risk assessment of ships maneuvering in an approaching channel based on AIS data
Li et al. Incorporation of AIS data-based machine learning into unsupervised route planning for maritime autonomous surface ships
León-Mateos et al. Adapting our sea ports to the challenges of climate change: Development and validation of a Port Resilience Index
Loughney et al. Development and application of a multiple-attribute decision-analysis methodology for site selection of floating offshore wind farms on the UK Continental Shelf
Von Storch et al. Making coastal research useful–cases from practice
Li et al. Impact analysis of external factors on human errors using the ARBN method based on small-sample ship collision records
CN113689128A (zh) 一种船舶航行安全动态研判及预警***和方法
Zhou et al. A decision framework of offshore wind power station site selection using a MULTIMOORA method under pythagorean hesitant fuzzy environment
CN113962426A (zh) 一种近海水上通航安全智能预报方法和装置
Jiang et al. Summary of the port shoreline resource evaluation based on triangular fuzzy analytic hierarchy process
Zhang et al. Density-weighted ant colony algorithm for ship trajectory reconstruction
SJ et al. Improved prediction of oil drift pattern using ensemble of ocean currents
Çınar et al. Evaluation of ship manoeuvres in port by using fuzzy Fine Kinney method
Yuan et al. Crossing behavior decision-making for inland ferry ships based on Machine Learning

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