一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统技术方案

本发明专利技术公开了一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统，该方法通过构建船舶碰撞事故预测模型，实现对船舶碰撞事故的等级预测，从数据的角度出发，通过深度挖掘事故因素之间的联系，寻找事故因素之间的规律，代替主观性过强的专家知识法，实现船舶碰撞事故贝叶斯网络的建立。从方法的角度出发，基于贝叶斯网络构建船舶碰撞事故预测模型，解决船舶碰撞事故等级的预测问题，推动海事风险理论的发展。从应用的角度出发，研究成果可为会遇船舶航行指挥与应急决策提供科学依据。

A Prediction Method and System of Ship Collision Accident Level Based on Bayesian Network

The invention discloses a prediction method and system of ship collision accident grade based on Bayesian network, which realizes the prediction of ship collision accident grade by constructing a prediction model of ship collision accident. From the point of view of data, the relationship between accident factors is deeply excavated to find the law between accident factors, instead of the expert knowledge method with too strong subjectivity. The establishment of Bayesian network for ship collision accidents is realized. From the point of view of method, the prediction model of ship collision accident is built based on Bayesian network, which can solve the prediction problem of ship collision accident grade and promote the development of maritime risk theory. From the point of view of application, the research results can provide scientific basis for navigation command and emergency decision-making of encountering ships.

【技术实现步骤摘要】
一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统
本专利技术涉及交通安全预测
，特别涉及一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统。
技术介绍
我国是世界航运大国，航运对国家具有重要的战略意义。随着海上运输业的发达，航线日益繁忙，船舶密度不断加大，船舶向大型化、专业化发展，船舶航速不断提高，通航环境更趋复杂化，导致各类海上交通事故频繁发生。在海上交通安全形势日益严峻的情形下，如何保证安全高效的海洋运输，已成为世界各国、各海事部门关注的焦点。水上交通事故统计表明，船舶碰撞事故发生率一直高居各类海难事故的前列。本专利技术中船舶碰撞是指两艘或两艘以上船舶在海上或者与海相通的可航水域发生接触造成损害的事故。船舶碰撞事故所带来的后果往往是灾难性的，严重威胁人的生命、财产安全，而且船舶溢油、危险物泄露等会严重污染海洋环境，后果不易控制。同时，海上船舶碰撞事故具有很大的随机性和不确定性。因此，各国海事领域一直非常重视船舶碰撞事故的研究。关于水上交通安全的研究多年以来都是交通领域的研究热点和重点，引起了国内外相关研究人员的高度关注，并产生了丰硕的研究成果。船舶碰撞事故的风险一般采用事故发生的可能性(概率)与事故造成的损失的乘积来衡量。总体来说，国内外学者对于船舶碰撞事故的研究主要集中在事故发生的概率以及事故发生原因的分析上，对碰撞事故损失的预测研究较少。在船舶碰撞事故概率预测、致因分析等方面，国外已经进行了大量深入的研究，模型和理论比较成熟。Friis-HansenP和SimonsenBC在总结前人所建的船舶碰撞事故致因链的基础上，进一步分析船舶碰撞事故发生的影响因素，并建立模型对事故发生概率进行推理预测。YlitaloJ提出了船舶碰撞概率评估模型标准，针对特定水域航行的船舶先后用三个模型计算船舶碰撞概率，并根据评估结果预测了该水域2006年至2015年间船舶碰撞风险的走势。SU等通过分析海峡地理特征和交通状况，结合VTS(船舶交通服务，VesselTrafficService)数据，建立了风险分析数学模型，分析了不同种类的因素对海峡造成风险的影响。相比于国外的研究，我国对于船舶碰撞事故的相关研究开展相对晚一些，但是经过众多学者、专家的共同努力，也取得丰硕的研究成果。范耀天以主航道轴线为基准将某一水域进行网格化划分，综合考虑各种因素计算每个单元格的会遇率，并基于地理分布的风险评估方法，以天津港为例建立船舶碰撞风险预测模型，把水上交通调查、构建预测模型、模型验证和未来预测有机结合起来，形成闭环式的水域通航环境风险评估新方法。杨田学确立了以概率风险评估为基础的船舶碰撞风险分析框架，建立人工神经网络的风险分析模型，对国内沿海30个港口水域的船舶碰撞风险进行分析。目前，水上交通事故后果的研究尚处于初级阶段，有待于进行深入的探究。然而，在道路交通事故后果、态势方面，国内外已经做了很多研究，常用方法包括BP神经网络、灰色关联、决策树、贝叶斯网络等结构化的多元分析技术。由于水上交通情况的特殊性和对应急管理的极高要求，船舶碰撞事故研究不能照搬陆地上交通事故的分析模式，但两者有许多相似之处。因此，在进行船舶碰撞事故后果分析和预测时可参照道路交通领域所运用的方法，但具体应用时应结合船舶碰撞事故的特点和演变机理，选择科学合理的研究方法。纵观国内外学者近年来在船舶碰撞事故方面的研究可知，研究方向主要为事故发生概率预测、致因分析等，而且研究方法逐渐成熟。然而，船舶碰撞事故造成的损失是事故风险的重要组成部分，对碰撞事故后果的预测可以为应急处置方案的制定提供决策依据，在应急处置过程中具有非常重要的作用。现阶段在事故应急管理决策中，往往对相关领导、专家的经验依赖较强，致使决策效率比较低。在道路交通领域，事故后果方面的研究较多，相关研究方法尚未较广泛地应用于水上交通领域。总的来说，海上船舶碰撞事故后果(如严重程度、伤亡情况等)研究还处于萌芽期，具有很大的研究潜力和空间，有待进一步加强和深化。
技术实现思路
本专利技术提供一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统，能够实现对船舶碰撞事故的等级预测。根据本专利技术的一个方面，提供了一种基于贝叶斯网络的船舶碰撞事故等级预测方法，包括以下步骤：获取水上交通事故调查报告，从中提取事故因素数据；将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据K2结构学习算法获得贝叶斯网络结构；根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。所述事故因素数据，包括：事故灾害后果因素：事故等级；环境因素：事故时间、风力、能见度、水面状况、气温和/或水温；船舶因素：船舶种类、船长、船宽、船龄、总吨位、装载、船员数和/或船舶所有性质。所述方法还包括：从贝叶斯网络的学习精度、贝叶斯网络模型的预测准确度层面，对构建的船舶碰撞事故后果预测模型进行有效性验证。所述获取事故因素数据后，还包括数据清洗步骤，具体如下：整理船舶碰撞事故基本信息数据，对于所述事故调查报告中存在的错误记录数据，根据证据理论判断某一数据是否准确的置信度，进而对错误的数据进行清洗；利用船舶静态数据对船舶基本静态信息进行校对和补充。所述获得贝叶斯网络结构过程中，还包括：在所述贝叶斯网络结构的学习中应用基于评分搜索的方法。所述贝叶斯网络节点，还包括如下处理过程：采用聚类的方法，将所述贝叶斯网络节点中相关性较强的特征聚成一个个簇，每个簇内的元素特征都为相似特性，把簇视为抽象节点；将特征聚类得到的每个簇，完成类内多个特征到一个抽象特征值域的映射。将未聚类的特征与抽象特征合并，产生新的数据集，作为聚类处理后的贝叶斯网络节点。还包括：在根据K2搜索算法进行贝叶斯网络结构的搜索学习前，先给定网络节点的排序；采用基于贝叶斯统计的BD评分函数进行排序。还包括：基于对变量间的相关性分析，结合专家建模经验来确定贝叶斯网络节点的排序。根据本专利技术的另一个方面，提供了一种基于贝叶斯网络的船舶碰撞事故等级预测系统，包括数据输入单元、节点处理单元、拓扑确定单元、概率分布确定单元、模型构建单元和预测单元，其中，所述数据输入单元，用于获取水上交通事故调查报告，从中获取事故因素数据；所述节点处理单元，用于将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；所述拓扑确定单元，用于基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据K2结构学习算法获得贝叶斯网络结构；所述概本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，包括以下步骤：获取水上交通事故调查报告，从中提取事故因素数据；将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据K2结构学习算法获得贝叶斯网络结构；根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。

【技术特征摘要】
1.一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，包括以下步骤：获取水上交通事故调查报告，从中提取事故因素数据；将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据K2结构学习算法获得贝叶斯网络结构；根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。2.根据权利要求1所述的一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，所述事故因素数据，包括：事故灾害后果因素：事故等级；环境因素：事故时间、风力、能见度、水面状况、气温和/或水温；船舶因素：船舶种类、船长、船宽、船龄、总吨位、装载、船员数和/或船舶所有性质。3.根据权利要求1所述的一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，所述方法还包括：从贝叶斯网络的学习精度、贝叶斯网络模型的预测准确度层面，对构建的船舶碰撞事故后果预测模型进行有效性验证。4.根据权利要求1所述的一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，所述获取事故因素数据后，还包括数据清洗步骤，具体如下：整理船舶碰撞事故基本信息数据，对于所述事故调查报告中存在的错误记录数据，根据证据理论判断某一数据是否准确的置信度，进而对错误的数据进行清洗；利用船舶静态数据对船舶基本静态信息进行校对和补充。5.根据权利要求1所述的一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，所述获得贝叶斯网络结构过程中，还包括：在所述贝叶斯网络结构的学习中应用基于评分搜索的方法。6.根据权利要求1所述的一种基于贝叶斯网络的船舶碰撞事故等级预测方法，其特征在于，所述贝叶斯网络节点，还包括如下处理过程：采用聚类的方法，将所述贝叶斯网络节点中相关性较强的特征聚成...

【专利技术属性】
技术研发人员：张云，桑凌志，段涛，耿丹阳，苏航，白雪娇，王文杰，胡鹏程，
申请(专利权)人：中交信息技术国家工程实验室有限公司，
类型：发明
国别省市：北京,11