一种基于多源异构数据融合的风险船舶检测方法技术

本发明专利技术公开了一种基于多源异构数据融合的风险船舶检测方法，包括如下步骤：第一步：模型构建，获取不同海域中船舶各自的航行所有历史数据作为构建模型的样本，第二步：简化船舶航行交通系统，第三步：全局风险识别，利用GMM对海域上的各个船舶的航行状态进行建模，第四步：预测风险，将不同时间段的全局系统碰撞风险值形成时间序列数据，第五步：数据信息融合，第六步：数据仿真，第七步：异常风险分析。本发明专利技术通过信息融合技术充分利用多源信息之间的互补性、综合性，极大的提高了船舶碰撞风险的评估的可信度，有利于实现船舶交通系统的科学决策，为实现对船舶交通系统中客观存在的主要事故风险的宏观认知和全局掌握。事故风险的宏观认知和全局掌握。事故风险的宏观认知和全局掌握。

【技术实现步骤摘要】
一种基于多源异构数据融合的风险船舶检测方法


[0001]本专利技术涉及船舶风险检测
，尤其涉及一种基于多源异构数据融合的风险船舶检测方法。

技术介绍

[0002]船舶风险评价是通过对影响船舶安全的各个因素进行系统分析、筛选,确定能够反映风险水平的关键性因素,建立风险评价指标体系,借助定性或定量的模型对各指标进行评判,获得能够反映船舶总体风险水平的风险值,并以此为船舶安全管理提供决策支持，风险评价指标体系的建立一般从人、机、环境与管理等4个要素来考虑.船舶在营运过程中,船舶、货物、船员、旅客、航道和港口、航线、船公司等影响船舶风险的指标可分别纳入船舶安全管理系统中的人、机、环境与管理4个要素之中，因此，这4个要素构成了风险分析的范畴。
[0003]在智能交通化的背景下，很多研究中提出的风险评估模型仍存在其局限性，比如基于AIS数据提出能够通过航行数据评估出相遇船舶之间碰撞的风险等级的方法，该模型在一定程度上能够合理的评估相遇船舶的碰撞风险等级，但是也存在对近安全域范围内相遇船舶风险评估不合理的现象，这一现象会导致航海人员对海上交通情况做出错误判断，而多源异构信息融合又称多传感器信息融合，并基于融合后的数据进行应用，有利于实现船舶交通系统的科学决策，为实现对船舶交通系统中客观存在的船舶碰撞、搁浅、走锚和漂航等主要事故风险的宏观认知和全局掌握，利用多源异构信息融合进行识别与风险评估显得异常重要。
[0004]为此我们提出了一种基于多源异构数据融合的风险船舶检测方法。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中存在的缺点，而提出一种基于多源异构数据融合的风险船舶检测方法。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于多源异构数据融合的风险船舶检测方法，包括如下步骤：
[0008]S1：模型构建：选定需要进行风险监测的四个不同海域，并获取不同海域中船舶各自的航行所有历史数据作为构建模型的样本，其中每个样本信息都要按规则整理为多方面的信息存放在样本信息数据库中；
[0009]S2：简化船舶航行交通系统：记系统中每个船舶为M
i
(i＝1,2,
…
,n)，其中n为船舶节点数目，则整个网络系统可为集合W＝{w1,w2,w3,
…
w
n
}，每个船舶的运动状态用一组特征量来刻画，对整个船舶交通系统内的船舶按船舶的实际漂航行速度进行聚类，根据速度阈值，将漂航速度相近的船舶归为一类，聚成一个子系统；然后依据条件对子系统内部船舶进行筛选，以确定那些需要计算碰撞危险度的船舶；
[0010]S3：全局风险识别：利用GMM对海域上的各个船舶的航行状态进行建模，得到关于
船舶航行状态的联合概率密度函数；
[0011]S4：预测风险：将不同时间段的全局系统碰撞风险值形成时间序列数据，然后应用相关时间序列的分析方法，对全局船舶系统碰撞风险进行动态分析；
[0012]S5：数据信息融合：基于所有子系统的碰撞风险值，建立多传感器数据融合系统，获取对船舶风险影响最大的因素；
[0013]S6：数据仿真：根据上述步骤所获取的风险最大因素数据进行仿真，利用Dempster规则进行组合，从而算出多种监测值融合后每个命题的融合概率赋值；
[0014]S7:异常风险分析：针对船舶航行的状态数据是否落在置信区间内来判断航行状态是否异常。
[0015]优选的，所述S1过程中每个海域信息各为一组，各组用{X1,X2,X3,
…
X
i
}表示；
[0016]其中i表示不同数据所指类型，具体来说：其中X1表示船舶的船身长度信息，根据观测数据，将不同长度船身分为四个等级，分别记：小型；中型；中大型；大型，X2表示船舶之间的相对距离信息，根据观测数据，将相对距离分为三个等级，分别记：安全；警告；危险，X3表示表示船舶之间的相对速度信息，根据观测数据将相对速度分为四个等级，分别记：低速；中低速；中速；高速。
[0017]优选的，所述S2过程中船舶的漂航理论速度有如下公式进行计算：
[0018]其中F标识风压力大小，ρ表示海水密度，θ为风舷角，C
mw
为水动力转船系数；L为船身长度；d为船舶吃水深度。
[0019]优选的，所述S3过程中需要求取GMM中每个component的95％置信区间。
[0020]优选的，所述S7过程中对于确定异常的航行状态的具体方法为：
[0021]第一步：先确定该异常属于的风险类型；
[0022]第二步：以数据到置信区间的距离规定的一种测度来表征异常的程度；
[0023]第三步：计算海域内整体异常发生的风险测度或度量。
[0024]优选的，所述S3过程中可用基于数据驱动的故障诊断方法进行GMM算法结果的有效性进行验证。
[0025]优选的，所述S4过程中用基于数据驱动的分析方法代替相关时间序列的分析方法进行系统碰撞风险进行动态分析。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]1、通过信息融合技术充分利用多源信息之间的互补性、综合性，极大的提高了船舶碰撞风险的评估的可信度，有利于实现船舶交通系统的科学决策，为实现对船舶交通系统中客观存在的主要事故风险的宏观认知和全局掌握。
[0028]2、利用Dempster规则与GMM理论进行数据融合，并通过交通系统的简化思想和信息融合技术重新提出一种船舶海上风险的定量方案，直观的刻画航行风险能力，实时对航行数据进行融合处理，并得到实时的全流程风险数据，保障了航行的运行安全。
附图说明
[0029]图1为本专利技术提出的一种基于多源异构数据融合的风险船舶检测方法的流程框
图；
[0030]图2为本专利技术中确定异常的航行状态的方法流程框图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0032]参照图1
‑
2，一种基于多源异构数据融合的风险船舶检测方法，包括如下步骤：
[0033]S1：模型构建：选定需要进行风险监测的四个不同海域，并获取不同海域中船舶各自的航行所有历史数据作为构建模型的样本，其中每个样本信息都要按规则整理为多方面的信息存放在样本信息数据库中，每个海域信息各为一组，各组用{X1,X2,X3,
…
X
i
}表示；
[0034]其中i表示不同数据所指类型，具体来说：其中X1表示船舶的船身长度信息，根据观测数据，将不同长度船身分为四个等级，分别记：小型；中型；中大型；大型，X2表示船舶之间的相对距离信息，根据观测数据，将相对距离分为三个等级，分别记：安全；警告；危险，X3表示表示船舶之间的相对速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源异构数据融合的风险船舶检测方法，其特征在于，包括如下步骤：S1：模型构建：选定需要进行风险监测的四个不同海域，并获取不同海域中船舶各自的航行所有历史数据作为构建模型的样本，其中每个样本信息都要按规则整理为多方面的信息存放在样本信息数据库中；S2：简化船舶航行交通系统：记系统中每个船舶为M
i
(i＝1,2,
…
,n)，其中n为船舶节点数目，则整个网络系统可为集合W＝{w1,w2,w3,
…
w
n
}，每个船舶的运动状态用一组特征量来刻画，对整个船舶交通系统内的船舶按船舶的实际漂航行速度进行聚类，根据速度阈值，将漂航速度相近的船舶归为一类，聚成一个子系统；然后依据条件对子系统内部船舶进行筛选，以确定那些需要计算碰撞危险度的船舶；S3：全局风险识别：利用GMM对海域上的各个船舶的航行状态进行建模，得到关于船舶航行状态的联合概率密度函数；S4：预测风险：将不同时间段的全局系统碰撞风险值形成时间序列数据，然后应用相关时间序列的分析方法，对全局船舶系统碰撞风险进行动态分析；S5：数据信息融合：基于所有子系统的碰撞风险值，建立多传感器数据融合系统，获取对船舶风险影响最大的因素；S6：数据仿真：根据上述步骤所获取的风险最大因素数据进行仿真，利用Dempster规则进行组合，从而算出多种监测值融合后每个命题的融合概率赋值；S7:异常风险分析：针对船舶航行的状态数据是否落在置信区间内来判断航行状态是否异常。2.根据权利要求1所述的一种基于多源异构数据融合的风险船舶检测方法，其特征在于，所述S1过程中每个海域信息各为一组，各组用{X1,X2,X3,<...

【专利技术属性】
技术研发人员：夏启航，毛德华，
申请(专利权)人：南京汇海交通科技有限公司，
类型：发明
国别省市：