基于多状态模糊贝叶斯网络的海上通道安全风险评估方法技术

本发明专利技术公开了基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，将贝叶斯模型和模糊集理论相结合对关键节点风险进行评估，在对历史数据统计分析的基础上，从关键节点的自然环境、通航环境、非传统安全环境、军事政治环境和法律国际环境5个方面构建了关键节点有向无环图，贝叶斯模型和模糊集理论相结合有效地处理了多状态问题；基于置信度指标的专家调查法通过引入概率区间弥补了贝叶斯模型在参数学习过程中的认知不确定性问题，能更加真实地反应关键节点实际风险情况。反应关键节点实际风险情况。反应关键节点实际风险情况。

【技术实现步骤摘要】
基于多状态模糊贝叶斯网络的海上通道安全风险评估方法


[0001]本专利技术涉及应急管理系统
，具体是指基于多状态模糊贝叶斯网络的海上通道安全风险评估方法。

技术介绍

[0002]海上通道关键节点是海上运输行为的重要载体，其安全是保证运输船舶进行高效、稳定、通畅的海上运输的重要前提。然而，海上通道关键节点各种风险影响因素的交织导致各类事故不断发生，关键节点安全遭到巨大的威胁。
[0003]贝叶斯网络(Bayesiannetwork，BN)是不确定知识表达和推理领域的理论模型之一，在风险分析、评价和可靠性分析等方面有着广泛的应用。海上通道是一个复杂的不确定系统，关键节点风险受到多种因素影响，现有技术从定量角度分析，难以获得对其的有效分析。MFBN以模糊集理论和图论为基础，能够实现混合多因素不确定问题的融合分析。所以，基于多状态模糊贝叶斯网络的海上通道安全风险评估方法成为人们亟待解决的问题。

技术实现思路

[0004]本专利技术要解决的技术问题是基于多状态模糊贝叶斯网络的海上通道安全风险评估方法。
[0005]为解决上述技术问题，本专利技术提供的技术方案为基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，包括以下步骤：
[0006]步骤一：风险影响因素识别：对海上通道历史案例进行数据统计，并进行风险源因素分析以及识别风险影响因素，对识别的风险影响因素进行因果关系分析并建立海上通道关键节点风险评价事故树模型；
[0007]步骤二：MFBN的构建：通过风险评价事故树模型的节点状态描述构建有向无环图，以及构建描述节点之间不确定的逻辑关系的多状态模糊条件概率表；
[0008]步骤三：基于MFBN的演绎推理：计算海上通道关键节点风险的概率分布，并通过敏感性分析诊断各个风险因素对关键节点安全的影响程度；
[0009]步骤四：结果分析：实时录入风险影响因素进行海上通道关键节点风险评估结果分析。
[0010]作为改进，所述步骤一中的海上通道历史案例包括通航环境、自然环境数据、非传统安全环境、军事政治环境、法律和国际环境数据。
[0011]作为改进，所述风险评价事故树模型包括底部事件、中间事件和顶部事件。
[0012]作为改进，所述步骤二中构建有向无环图步骤为：
[0013]1)将风险评价事故树模型的节点风险等级作为相对应节点状态并采用模糊数表示；
[0014]2)风险评价事故树模型中的底部事件、中间事件和顶部事件分别对应于MFBN中的根节点、中间节点和叶节点；
[0015]3)有向边的方向对应于风险评价事故树模型逻辑门的输入
‑
输出关系，即输入事件为父节点Y，输出事件为子节点T构建有向无环图。
[0016]作为改进，所述步骤二中构建描述节点之间不确定的逻辑关系的多状态模糊条件概率表的步骤为：
[0017]1)设立中立判断标准ξ和ψ以及置信度指标δ
i
，ξ采用“I，II，III，IV，V
……”
标识，标识数值越小，代表判断结果可信度小；ψ采用0
‑
1区间的模糊数进行标识，ψ值越小，代表判断结果可信度小，置信度指标δ
i
＝ξ
i
×
ψ
i
；
[0018]2)将描述变量之间因果关系的可能性P划分为发生概率区间基于多状态模糊贝叶斯网络的海上通道安全风险评估方法i，A
i
＝[k
i
,m
i
,k
i+1
]，m
i
表示平均值；
[0019]3)收集数据，建立多状态模糊条件概率表；
[0020]4)数据处理，去模糊化分析。
[0021]作为改进，所述多状态模糊条件概率表数据参数包括：父节点Y、子节点T、中立判断标准ψ以及可能性P，其中父节点Y有两个参数y1、y2。
[0022]作为改进，所述去模糊化分析包括以下步骤：
[0023]1)若第N个中立判断标准ψ对应的P(T|y1|y2)的结果为A
in
，则M个中立判断标准ψ合成的模糊可能性区间结果为：其中表示模糊可能性区间；
[0024]2)应用α加权估值方法对模糊可能性区间进行去模糊化处理的公式如下：
[0025]其中表示去模糊化之后的精确值。
[0026]作为改进，所述步骤三中计算出海上通道关键节点风险的概率分布公式为：
[0027][0028]作为改进，所述步骤三中敏感性分析采用基于信息熵的分析方法对影响海上通道安全的因素进行影响程度分析。
[0029]作为改进，信息熵是描述随机变量离散程度的统计量，当信息熵增加时，变量的不确定性也增加，其计算公式如下所示：其中是随机变量Y的信息熵，是Y的先验概率。
[0030]作为改进，互信息可以反映两个变量之间的依赖程度，从而计算风险影响因素对海上通道安全的影响程度，计算公式如下所示：其中P(x,y)表示X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数。
[0031]本专利技术与现有技术相比的优点在于：将贝叶斯模型和模糊集理论相结合对关键节
点风险进行评估，在对历史数据统计分析的基础上，从关键节点的自然环境、通航环境、非传统安全环境、军事政治环境和法律国际环境5个方面构建了关键节点有向无环图，贝叶斯模型和模糊集理论相结合有效地处理了多状态问题；基于置信度指标的专家调查法通过引入概率区间弥补了贝叶斯模型在参数学习过程中的认知不确定性问题，能更加真实地反应关键节点实际风险情况。
附图说明
[0032]图1是本专利技术基于多状态模糊贝叶斯网络的海上通道安全风险评估方法的流程图。
[0033]图2是海上通道关键节点风险事件历史案例统计结果图。
[0034]图3是FT中的逻辑门与BN中的CPT的对应关系原理图。
[0035]图4是海上通道关键节点风险事件有向无环图。
[0036]图5是模糊可能性区间图。
具体实施方式
[0037]下面结合附图对本专利技术基于多状态模糊贝叶斯网络的海上通道安全风险评估方法做进一步的详细说明。
[0038]结合附图，基于多状态模糊贝叶斯网络的海上通道安全风险评估方法的具体实施过程如下：
[0039]影响因素和DAG的识别：对海上通道历史案例进行数据统计(本实施例中统计了2015
‑
2020年中的历史案例)，统计表如图2所示，并进行风险源因素分析以及识别风险影响因素，影响海上通道关键节点风险的主要因素可以归纳为自然环境、通航环境、非传统安全环境、军事政治环境和法律国际环境五大类，根据分析结果构建海上通道关键节点安全事故树模型，有向边的方向对应于风险评价事故树模型(FT)逻辑门的输入
‑
输出关系获得DAG图，其中，FT中的逻辑门与BN中的CPT的对应关系如图3所示，转化后的DAG图如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，其特征在于，包括以下步骤：步骤一：风险影响因素识别：对海上通道历史案例进行数据统计，并进行风险源因素分析以及识别风险影响因素，对识别的风险影响因素进行因果关系分析并建立海上通道关键节点风险评价事故树模型；步骤二：MFBN的构建：通过风险评价事故树模型的节点状态描述构建有向无环图，以及构建描述节点之间不确定的逻辑关系的多状态模糊条件概率表；步骤三：基于MFBN的演绎推理：计算海上通道关键节点风险的概率分布，并通过敏感性分析诊断各个风险因素对关键节点安全的影响程度；步骤四：结果分析：实时录入风险影响因素进行海上通道关键节点风险评估结果分析。2.根据权利要求1所述的基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，其特征在于，所述步骤一中的海上通道历史案例包括通航环境、自然环境数据、非传统安全环境、军事政治环境、法律和国际环境数据。3.根据权利要求1所述的基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，其特征在于，所述风险评价事故树模型包括底部事件、中间事件和顶部事件。根据权利要求3所述的基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，其特征在于，所述步骤二中构建有向无环图步骤为：1)将风险评价事故树模型的节点风险等级作为相对应节点状态并采用模糊数表示；2)风险评价事故树模型中的底部事件、中间事件和顶部事件分别对应于MFBN中的根节点、中间节点和叶节点；3)有向边的方向对应于风险评价事故树模型逻辑门的输入
‑
输出关系，即输入事件为父节点Y，输出事件为子节点T构建有向无环图。4.根据权利要求3所述的基于多状态模糊贝叶斯网络的海上通道安全风险评估方法，其特征在于，所述步骤二中构建描述节点之间不确定的逻辑关系的多状态模糊条件概率表的步骤为：1)设立中立判断标准ξ和ψ以及置信度指标δ
i
，ξ采用“I，II，III，IV，V
……”
标识，标识数值越小，代表判断结果可信度小；ψ采用0
‑
1区间的模糊数进行标识，ψ值越小，代表判断结果可信度小，置信度指标δ
i
＝ξ
...

【专利技术属性】
技术研发人员：蒋美芝，郝英君，曹更永，
申请(专利权)人：浙江省交通运输科学研究院，
类型：发明
国别省市：