本公開(kāi)涉及交通管理技術(shù)領(lǐng)域，尤其涉及一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法及系統(tǒng)。

背景技術(shù)：

在眾多交通運(yùn)輸方式中，水路運(yùn)輸以其成本低、運(yùn)輸量大等特點(diǎn)被普遍認(rèn)可和接受，水上交通運(yùn)輸發(fā)展迅速，但是由于船舶運(yùn)輸易受自然環(huán)境影響、靈活性差等特點(diǎn)，船舶碰撞事故時(shí)有發(fā)生，造成不同程度的財(cái)產(chǎn)損失、人員傷亡和環(huán)境污染。

由于導(dǎo)致船舶碰撞事故的因素眾多：包括船舶的因素、環(huán)境因素以及人為因素等，這些致因因素由于存在不確定性而很難完全量化碰撞風(fēng)險(xiǎn)。目前通常使用定性或者半定量方法對(duì)船舶碰撞的風(fēng)險(xiǎn)進(jìn)行評(píng)估，從而根據(jù)評(píng)估結(jié)果采取相應(yīng)的船舶管理措施，防止船舶碰撞的發(fā)生，降低船舶碰撞引起的損失。然而，發(fā)明人通過(guò)研究發(fā)現(xiàn)，傳統(tǒng)風(fēng)險(xiǎn)評(píng)估方法，由于加入了大量主觀判斷，影響船舶碰撞風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性；而且，在發(fā)生船舶碰撞后，原有的風(fēng)險(xiǎn)評(píng)估方式不能定量計(jì)算碰撞后果，從而無(wú)法為制定應(yīng)急預(yù)案提供客觀依據(jù)。因此，如何定量計(jì)算船舶碰撞后果，以提高風(fēng)險(xiǎn)評(píng)估的精度，進(jìn)而根據(jù)風(fēng)險(xiǎn)評(píng)估結(jié)果，采取有效的應(yīng)急措施，降低船舶碰撞風(fēng)險(xiǎn)和事故引起的損失，是本領(lǐng)域技術(shù)人員亟需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例中提供了一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法及其系統(tǒng)，以解決現(xiàn)有技術(shù)中的風(fēng)險(xiǎn)評(píng)估精度差、無(wú)法降低船舶碰撞風(fēng)險(xiǎn)的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例公開(kāi)了如下技術(shù)方案：

根據(jù)本發(fā)明的第一方面，本發(fā)明實(shí)施例提供了一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法，該方法包括：

根據(jù)船舶碰撞歷史數(shù)據(jù)，計(jì)算歷史碰撞概率，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合；

根據(jù)所述船舶碰撞歷史數(shù)據(jù)和歷史碰撞概率，預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)；

對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分；

根據(jù)主成分分析的結(jié)果對(duì)預(yù)測(cè)的事故致因因素進(jìn)行降維計(jì)算，并將降維計(jì)算的結(jié)果作為第一神經(jīng)網(wǎng)絡(luò)的輸入，得到碰撞概率的預(yù)測(cè)值；

對(duì)船舶屬性進(jìn)行等級(jí)劃分，采用事故序列的方法尋找頻繁項(xiàng)集，通過(guò)決策樹(shù)分析，尋找置信度高的事故序列，對(duì)頻繁發(fā)生且置信度高的事故序列的所有情況進(jìn)行排列組合；

將船舶屬性作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入層，將決策樹(shù)分析得到的排列組合后的事故序列輸入到所述第二神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到對(duì)應(yīng)的碰撞后果；

根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。

可選地，所述事故致因因素包括人為因素、船舶和設(shè)備因素、環(huán)境因素和管理因素的一種或多種的組合；所述船舶工具屬性包括船舶噸位、使用時(shí)間、配員數(shù)、行駛速度、船舶類(lèi)型、船舶尺寸、碰撞夾角和碰撞位置的一種或多種的組合。

可選地，所述預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)，包括：

根據(jù)累積式自回歸移動(dòng)平均模型，對(duì)事故致因因素的發(fā)生次數(shù)進(jìn)行預(yù)測(cè)。

可選地，所述對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分，包括：

對(duì)船舶碰撞歷史數(shù)據(jù)中的所有事故致因因素采用主成分分析方法進(jìn)行簡(jiǎn)化降維；

提取貢獻(xiàn)率大于或等于貢獻(xiàn)率閾值的主成分，其中，所述貢獻(xiàn)率閾值的取值介于75％至85％之間。

可選地，根據(jù)主成分分析的結(jié)果對(duì)預(yù)測(cè)的事故致因因素進(jìn)行降維計(jì)算，并將降維計(jì)算的結(jié)果作為第一神經(jīng)網(wǎng)絡(luò)的輸入，得到碰撞概率的預(yù)測(cè)值，包括：

第一神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)包括輸入層、隱藏層和輸出層；

將提取出的主成分作為第一神經(jīng)網(wǎng)絡(luò)輸入層的參數(shù)，將碰撞概率作為輸出層的參數(shù)，根據(jù)主成分分析的結(jié)果，對(duì)預(yù)測(cè)的事故致因因素采用主成分分析法進(jìn)行降維計(jì)算，將計(jì)算得到的主成分作為第一神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型，計(jì)算得到碰撞概率的預(yù)測(cè)值。

可選地，所述碰撞后果包括受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失。

可選地，根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)之前，還包括：

對(duì)所述碰撞后果進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，用于消除量級(jí)和量綱的影響；

通過(guò)專(zhuān)家系統(tǒng)和模糊層次分析法，確定碰撞后果中受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失權(quán)重；

根據(jù)標(biāo)準(zhǔn)化和歸一化后的碰撞后果，以及受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失權(quán)重，計(jì)算得到新的碰撞后果；

根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)，包括：

將碰撞概率的預(yù)測(cè)值和所述新的碰撞后果進(jìn)行乘積運(yùn)算，得到所述船舶碰撞風(fēng)險(xiǎn)。

可選地，對(duì)所述碰撞后果進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，包括：

根據(jù)特別重大事故受傷人數(shù)下限、特別重大事故死亡人數(shù)下限和經(jīng)濟(jì)損失下限，分別對(duì)受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，消除量級(jí)和量綱的影響。

可選地，通過(guò)專(zhuān)家系統(tǒng)和模糊層次分析法，確定碰撞后果中受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的權(quán)重，包括：

采用專(zhuān)家系統(tǒng)確定受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的相對(duì)重要度，分別對(duì)其進(jìn)行模糊化，得到專(zhuān)家打分矩陣；

對(duì)專(zhuān)家打分矩陣求平均值，得到模糊因素判斷矩陣；

使用Buckley方法計(jì)算模糊權(quán)重矩陣；

去模糊化得到受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的權(quán)重。

根據(jù)本發(fā)明的第二方面，本發(fā)明實(shí)施例提供了一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估系統(tǒng)，該系統(tǒng)包括：

統(tǒng)計(jì)模塊，用于根據(jù)船舶碰撞歷史數(shù)據(jù)，計(jì)算歷史碰撞概率，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合；

預(yù)測(cè)模塊，用于根據(jù)所述船舶碰撞歷史數(shù)據(jù)和歷史碰撞概率，預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)；

主成分分析模塊，用于對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分；

概率計(jì)算模塊，用于根據(jù)主成分分析的結(jié)果對(duì)預(yù)測(cè)的事故致因因素進(jìn)行降維計(jì)算，并將降維計(jì)算的結(jié)果作為第一神經(jīng)網(wǎng)絡(luò)的輸入，得到碰撞概率的預(yù)測(cè)值；

組合模塊，用于對(duì)船舶屬性進(jìn)行等級(jí)劃分，采用事故序列的方法尋找頻繁項(xiàng)集，通過(guò)決策樹(shù)分析，尋找置信度高的事故序列，對(duì)頻繁發(fā)生且置信度高的事故序列的所有情況進(jìn)行排列組合；

后果計(jì)算模塊，用于將船舶屬性作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入層，將決策樹(shù)分析得到的排列組合后的事故序列輸入到所述第二神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到對(duì)應(yīng)的碰撞后果；

風(fēng)險(xiǎn)評(píng)估模塊，用于根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。

本公開(kāi)的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：本發(fā)明實(shí)施例提供了一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法及系統(tǒng)，根據(jù)統(tǒng)計(jì)的歷史數(shù)據(jù)，通過(guò)累積式自回歸移動(dòng)平均模型預(yù)測(cè)致因因素發(fā)生次數(shù)，對(duì)預(yù)測(cè)的致因因素采用主成分分析法進(jìn)行降維計(jì)算，將降維計(jì)算得到的主成分作為第一神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測(cè)船舶碰撞發(fā)生的概率；采用事故序列和決策樹(shù)分析找到置信度較高且頻繁發(fā)生的事故序列，對(duì)其可能的情況進(jìn)行排列組合，使用神經(jīng)網(wǎng)絡(luò)模型計(jì)算其可能導(dǎo)致的受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失，對(duì)受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，消除量級(jí)和量綱的影響；用專(zhuān)家系統(tǒng)和模糊層次分析法，賦予這三項(xiàng)指標(biāo)不同權(quán)重以量化碰撞后果最終計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。其有益效果如下：

(1)為船舶碰撞后的搜尋救助提供指導(dǎo)。

根據(jù)本申請(qǐng)對(duì)碰撞結(jié)果的分析，確定碰撞所屬的等級(jí)，指導(dǎo)制定應(yīng)急預(yù)案，從而在搜救開(kāi)始階段針對(duì)可能的情況提前準(zhǔn)備救助設(shè)備，做好救助計(jì)劃，盡可能地減小碰撞損失。

(2)可成為碰撞當(dāng)事船舶應(yīng)急反應(yīng)和事故現(xiàn)場(chǎng)處置的客觀依據(jù)。

由于在碰撞事故發(fā)生后的短時(shí)間內(nèi)，碰撞當(dāng)事船舶將無(wú)法掌握詳盡的碰撞損失情況，無(wú)法做出及時(shí)準(zhǔn)確的海事應(yīng)急處置措施，可能會(huì)導(dǎo)致人員傷亡、船舶沉沒(méi)、海洋環(huán)境遭到嚴(yán)重破壞。應(yīng)用該碰撞結(jié)果預(yù)測(cè)模型有利于在短時(shí)間內(nèi)對(duì)碰撞情況有全面客觀的認(rèn)識(shí)，結(jié)合碰撞后的應(yīng)急部署做出及時(shí)、準(zhǔn)確的應(yīng)急反應(yīng)和事故現(xiàn)場(chǎng)處置措施，采取科學(xué)、合理的自救方案，降低碰撞損失。

(3)為船舶駕引人員安全操縱船舶提供指導(dǎo)。

在對(duì)各碰撞因素和碰撞損失量化的基礎(chǔ)上，確定各碰撞要素對(duì)碰撞損失的影響程度。有利于船舶駕引人員在實(shí)際操船的過(guò)程中，根據(jù)不同碰撞要素對(duì)碰撞損失程度的不同影響，結(jié)合本船實(shí)際操縱性能，盡可能提前得考慮可能發(fā)生碰撞危險(xiǎn)，客觀的做出正確的操船決策，降低碰撞損失程度，保障海上人命、環(huán)境、財(cái)產(chǎn)的安全。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開(kāi)。

附圖說(shuō)明

此處的附圖被并入說(shuō)明書(shū)中并構(gòu)成本說(shuō)明書(shū)的一部分，示出了符合本發(fā)明的實(shí)施例，并與說(shuō)明書(shū)一起用于解釋本發(fā)明的原理。

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，對(duì)于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種船舶碰撞風(fēng)險(xiǎn)評(píng)估方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的一種神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實(shí)施例提供的一種基于后果量化的船舶碰撞風(fēng)險(xiǎn)計(jì)算方法的詳細(xì)流程示意圖；

圖4為本發(fā)明實(shí)施例提供的一種船舶碰撞風(fēng)險(xiǎn)評(píng)估系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明中的技術(shù)方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

在眾多交通運(yùn)輸方式中，水路運(yùn)輸以其成本低、運(yùn)輸量大等特點(diǎn)被普遍認(rèn)可和接受，水上交通運(yùn)輸發(fā)展迅速，但是由于船舶運(yùn)輸易受自然環(huán)境影響、靈活性差等特點(diǎn)，船舶碰撞事故時(shí)有發(fā)生，造成不同程度的財(cái)產(chǎn)損失、人員傷亡和環(huán)境污染。因此，有必要對(duì)船舶碰撞事故進(jìn)行分析研究，依據(jù)歷史經(jīng)驗(yàn)數(shù)據(jù)，定量預(yù)測(cè)船舶碰撞風(fēng)險(xiǎn)，降低船舶碰撞后果，預(yù)防類(lèi)似事故的再次發(fā)生。

參見(jiàn)圖1，為本發(fā)明實(shí)施例提供的一種船舶碰撞風(fēng)險(xiǎn)評(píng)估方法的流程示意圖，如圖1所示，該方法包括：

步驟S101：根據(jù)船舶碰撞歷史數(shù)據(jù)，計(jì)算歷史碰撞概率，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合。

通過(guò)搜集船舶碰撞的資料構(gòu)建歷史數(shù)據(jù)庫(kù)，該歷史數(shù)據(jù)庫(kù)中包括有船舶碰撞歷史數(shù)據(jù)，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合；所述事故致因因素包括人為因素、船舶和設(shè)備因素、環(huán)境因素和管理因素的一種或多種的組合；所述船舶屬性包括船舶噸位、使用時(shí)間、配員數(shù)、行駛速度、船舶類(lèi)型、船舶尺寸、碰撞夾角和碰撞位置的一種或多種的組合。對(duì)歷史數(shù)據(jù)庫(kù)以及相關(guān)文獻(xiàn)資料、事故調(diào)查報(bào)告中船舶碰撞事故的事故致因因素(人、環(huán)境、設(shè)備等因素)、船舶碰撞次數(shù)碰撞船舶各屬性(碰撞兩船的噸位、船齡、配員數(shù)、航行速度、船舶類(lèi)型、碰撞夾角、船舶尺寸、船舶碰撞時(shí)排水量和碰撞位置等因素)、船舶流量、船舶碰撞次數(shù)和概率等，按照年份，進(jìn)行統(tǒng)計(jì)歸納和分析整理，計(jì)算船舶歷史碰撞概率。經(jīng)標(biāo)準(zhǔn)化和歸一化處理后，系統(tǒng)研究碰撞要素對(duì)船舶碰撞后果的影響。

步驟S102：根據(jù)所述船舶碰撞歷史數(shù)據(jù)和歷史碰撞概率，預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)。

對(duì)每一年的事故原因等因素，用累積式自回歸移動(dòng)平均模型(英文：Autoregressive Integrated Moving Average Model，簡(jiǎn)稱(chēng)：ARIMA)預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)，具體公式如下：

E(ε_sε_t)＝0,任意s<t，

其中x_t為時(shí)間序列數(shù)據(jù)，x_t與x_t-i(i＝1,2，…p)相關(guān)；ε_t為殘差，ε_t與ε_t-j(j＝1,2，…q)相關(guān)；B為延遲算子，滿(mǎn)足Bⁿx_t-n＝x_t-n；p是自回歸階數(shù)，q是移動(dòng)平均階數(shù)，d為差分階數(shù)，為差分算子，

Φ(B)表示自回歸系數(shù)多項(xiàng)式，其表達(dá)式為：

Φ(B)＝1-φ₁B-φ₂B²-……-φ_pB^p

Θ(B)表示移動(dòng)平均系數(shù)多項(xiàng)式，其表達(dá)式為：

Θ(B)＝1-θ₁B-θ₂B²-…-θ_qB^q

ε_t表示獨(dú)立于x_t-i和ε_t-j的白噪聲序列，滿(mǎn)足條件：

ε＝θ₁ε_t-1+θ₂ε_t-2+…+θ_qε_t-q-φ₀-φ₁x_t-1-φ₂x_t-2-…-φ_px_t-p-x_t

該模型集合AMRA(p,q)模型與差分運(yùn)算兩種方法，預(yù)測(cè)精度較高，對(duì)數(shù)據(jù)本身結(jié)構(gòu)性沒(méi)有太高要求，只需從數(shù)據(jù)本身尋找規(guī)律，擬合效果較好。

步驟S103：對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分。

對(duì)所統(tǒng)計(jì)的原因進(jìn)行相關(guān)性分析，查看各因素之間的相關(guān)性，如果各因素的相關(guān)性比較大，則可以通過(guò)主成分分析對(duì)相關(guān)性較大的因素進(jìn)行合并，提取總貢獻(xiàn)率大于貢獻(xiàn)率閾值的前n個(gè)主成分以及他們包含的影響因素，其中，所述貢獻(xiàn)率閾值的取值范圍可以為75％至85％之間，優(yōu)選地，所述貢獻(xiàn)率閾值可以為85％。主成分分析的公式如下：

當(dāng)一個(gè)待解決問(wèn)題有n個(gè)樣本，且每個(gè)樣本有p個(gè)因素時(shí)，可得到如下矩陣：

式中，

對(duì)矩陣X進(jìn)行線(xiàn)性變換，得p個(gè)新生成的綜合變量F₁……F_p

F₁,F₂,……F_p分別為原變量x₁,x₂,……x_p的第1，2……p個(gè)主成分。

系數(shù)a_ij需要滿(mǎn)足3個(gè)條件，其中Var表示方差：

①F_i、F_j(i≠j；i,j＝1,2,…,p)相互無(wú)關(guān)

②Var(F₁)>Var(F₂)>…>Var(F_p)；

③

第i個(gè)主成分y_i的方差與總方差的比值表示這個(gè)主成份的貢獻(xiàn)率。

步驟S104：根據(jù)主成分分析的結(jié)果對(duì)預(yù)測(cè)的事故致因因素進(jìn)行降維計(jì)算，并將降維計(jì)算的結(jié)果作為第一神經(jīng)網(wǎng)絡(luò)的輸入，得到碰撞概率的預(yù)測(cè)值。

參見(jiàn)圖2，為本發(fā)明實(shí)施例提供的一種神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖，本發(fā)明實(shí)施例中的第一神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括輸入層、隱藏層和輸出層。當(dāng)然需要說(shuō)明的是，在后續(xù)步驟中使用的第二神經(jīng)網(wǎng)絡(luò)模型與第一神經(jīng)網(wǎng)絡(luò)模型具有相似的結(jié)構(gòu)和模型函數(shù)，在此僅以第一神經(jīng)網(wǎng)絡(luò)模型為例進(jìn)行詳細(xì)說(shuō)明，第二神經(jīng)網(wǎng)絡(luò)模型可以參見(jiàn)第一神經(jīng)網(wǎng)絡(luò)模型的描述，在此不再贅述。

第一神經(jīng)網(wǎng)絡(luò)模型包括輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。

(1)節(jié)點(diǎn)輸出模型

隱藏節(jié)點(diǎn)的輸出模型：

O_j＝f(∑W_ij×X_i-θ_j)

輸出節(jié)點(diǎn)的輸出模型：

Y_k＝f(∑T_jk×O_j-θ_k)

其中，f表示非線(xiàn)形作用函數(shù)，θ表示神經(jīng)單元閾值。

(2)作用函數(shù)模型

作用函數(shù)反映了下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度，又叫刺激函數(shù)，一般為(0，1)范圍內(nèi)連續(xù)取值的Sigmoid函數(shù)：

(3)誤差計(jì)算模型

誤差計(jì)算模型反映了神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大?。?/p>

其中，t_pi表示i節(jié)點(diǎn)的期望輸出值，O_pi表示i節(jié)點(diǎn)的計(jì)算輸出值。

(4)自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，是確定下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重矩陣Wij和修正誤差過(guò)程。神經(jīng)網(wǎng)絡(luò)有的需要設(shè)定期望值，有的只需輸入模式。在本發(fā)明實(shí)施例中，自學(xué)習(xí)模型的表達(dá)式如下：

ΔW_ij(n+1)＝η×φ_i×O_j+a×ΔW_ij(n)

其中，η表示學(xué)習(xí)因子，Фi表示輸出節(jié)點(diǎn)i的計(jì)算誤差，Oj表示輸出節(jié)點(diǎn)j的計(jì)算輸出，a表示動(dòng)量因子。

在計(jì)算過(guò)程中，將主成分分析得到的n個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入層的n個(gè)節(jié)點(diǎn)，將碰撞事故發(fā)生的概率作為輸出層的節(jié)點(diǎn)，隱藏節(jié)點(diǎn)個(gè)數(shù)k的一般經(jīng)驗(yàn)公式為：

式中，n表示輸入層節(jié)點(diǎn)數(shù)量，m表示輸出層幾點(diǎn)數(shù)量，a為常數(shù)，取值范圍為1-10。

選取前80％的樣本作為訓(xùn)練集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模訓(xùn)練，后20％的樣本作為檢驗(yàn)。隱藏層初始權(quán)值為主成分公式中的各個(gè)單因子的系數(shù)值，調(diào)整神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)精度、訓(xùn)練次數(shù)、訓(xùn)練函數(shù)和隱層數(shù)，其余參數(shù)采用系統(tǒng)默認(rèn)值。將ARIMA時(shí)間序列預(yù)測(cè)得到的影響因素輸入該模型，計(jì)算得到船舶碰撞概率的預(yù)測(cè)值。

為了保證第一神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，進(jìn)而提高碰撞概率預(yù)測(cè)的精度，本發(fā)明實(shí)施例還可以包括使用后20％樣本對(duì)第一神經(jīng)網(wǎng)絡(luò)模型校驗(yàn)、調(diào)整的步驟：

步驟S1041：根據(jù)提取到的主成分和預(yù)測(cè)得到的事故致因因素發(fā)生次數(shù)，通過(guò)第一神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到參考碰撞概率。

根據(jù)上述實(shí)施例描述的計(jì)算過(guò)程，計(jì)算得到碰撞概率的預(yù)測(cè)值。

步驟S1042：計(jì)算所述參考碰撞概率與預(yù)測(cè)得到的事故概率的差值。

通過(guò)使用步驟S102的計(jì)算方法，還可以對(duì)事故概率進(jìn)行預(yù)測(cè)，進(jìn)而通過(guò)計(jì)算參考碰撞概率與預(yù)測(cè)得到的事故概率的差值，評(píng)估該參考碰撞概率的預(yù)測(cè)精度。如果所述差值較大，則表示所使用的第一神經(jīng)網(wǎng)絡(luò)模型的精度較差，如果所述差值較小，則表示所使用的第一神經(jīng)網(wǎng)絡(luò)模型的精度較高，可以用于碰撞概率的計(jì)算。

步驟S1043：如果所述差值大于差值閾值，對(duì)第一神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)精度、訓(xùn)練次數(shù)、訓(xùn)練函數(shù)和隱層數(shù)中的一種或多種進(jìn)行調(diào)整，得到新的第一神經(jīng)網(wǎng)絡(luò)模型。

在得到新的第一神經(jīng)網(wǎng)絡(luò)模型后，重新回到步驟S1041進(jìn)行新的迭代。

步驟S1044：如果所述差值小于或等于差值閾值，將所述參考碰撞概率作為碰撞概率的預(yù)測(cè)值。

如果差值小于或等于差值閾值，則使用當(dāng)前的第一神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到的參考碰撞概率誤差在可接受的范圍內(nèi)，將由此計(jì)算得到的參考碰撞概率作為最終的碰撞概率的預(yù)測(cè)值。

步驟S105：對(duì)船舶屬性進(jìn)行等級(jí)劃分，采用事故序列的方法尋找頻繁項(xiàng)集，通過(guò)決策樹(shù)分析，尋找置信度高的事故序列，對(duì)頻繁發(fā)生且置信度高的事故序列的所有情況進(jìn)行排列組合。

根據(jù)各個(gè)船舶屬性將其分別劃分為不同等級(jí)，用數(shù)字1，2，3……表征各個(gè)屬性的實(shí)際情況，從統(tǒng)計(jì)數(shù)據(jù)中找到發(fā)生事故次數(shù)最多的船舶屬性組合，再對(duì)其進(jìn)行決策樹(shù)分析，設(shè)置決策樹(shù)層數(shù)為a層，船舶屬性共有b個(gè)，選取置信度85％以上的序列，控制這a個(gè)屬性不變，將剩下(b-a)個(gè)所有可能情況進(jìn)行排列組合，得到P種組合。

步驟S106：將船舶屬性作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入層，將決策樹(shù)分析得到的排列組合后的事故序列輸入到所述第二神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到對(duì)應(yīng)的碰撞后果。

設(shè)置一個(gè)新的神經(jīng)網(wǎng)絡(luò)模型，即第二神經(jīng)網(wǎng)絡(luò)模型，選取b個(gè)船舶屬性為輸入層，輸出層為船舶碰撞的受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失三個(gè)數(shù)值，選取船舶屬性和事故后果相關(guān)數(shù)據(jù)的前80％作為訓(xùn)練集，后20％進(jìn)行檢驗(yàn)。當(dāng)誤差在可接受范圍內(nèi)時(shí)，將步驟S105得到的P個(gè)組合輸入該模型，計(jì)算10次，得到十組不同的碰撞后果。

步驟S107：根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。

為了提高船舶碰撞風(fēng)險(xiǎn)的計(jì)算精度，在本發(fā)明實(shí)施例中對(duì)碰撞后果進(jìn)行了標(biāo)準(zhǔn)化和歸一化處理，并根據(jù)處理后的碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。參見(jiàn)圖3，為本發(fā)明實(shí)施例提供的一種基于后果量化的船舶碰撞風(fēng)險(xiǎn)計(jì)算方法的詳細(xì)流程示意圖，該方法包括：

步驟S1071：對(duì)所述碰撞后果進(jìn)行標(biāo)準(zhǔn)化和歸一化處理。

根據(jù)上述神經(jīng)網(wǎng)絡(luò)計(jì)算的結(jié)果，對(duì)其進(jìn)行標(biāo)準(zhǔn)化和歸一化處理如下：

A_i＝max A_ij

B_i＝maxB_ij

G_i＝max G_ij

其中，i表示第i次計(jì)算，j表示排列組合的第j種情況，C表示死亡人數(shù)，單位(人)，D表示財(cái)產(chǎn)損失，單位(萬(wàn)元)，H表示受傷人數(shù)，單位(人)，A、B、G分別表示無(wú)量綱化之后的死亡人數(shù)、財(cái)產(chǎn)損失和受傷人數(shù)，F(xiàn)表示事故后果，ω₁、ω₂、ω₃分別表示死亡人數(shù)、經(jīng)濟(jì)損失和受傷人數(shù)的權(quán)重，M是特別重大事故死亡人數(shù)下限，N是對(duì)應(yīng)的經(jīng)濟(jì)損失下限，Q是特別重大事故受傷人數(shù)下限。在本發(fā)明實(shí)施例中，M可以取值為30，N可以取值為10000萬(wàn)，Q可以取值為100。

步驟S1072：通過(guò)專(zhuān)家系統(tǒng)和模糊層次分析法，確定碰撞后果中受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的權(quán)重。

對(duì)于每一次得到的P組受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失，采用專(zhuān)家系統(tǒng)確定三項(xiàng)指標(biāo)的相對(duì)重要度，分別對(duì)其進(jìn)行模糊化，具體方法見(jiàn)表1，對(duì)n個(gè)專(zhuān)家打分矩陣求平均值，得到模糊因素判斷矩陣A。

專(zhuān)家系統(tǒng)模糊化指標(biāo)范圍，如表1所示：

表1：

使用Buckley方法計(jì)算模糊權(quán)重矩陣，的值是模糊比較值的幾何平均數(shù)。

表示第n個(gè)專(zhuān)家給第i個(gè)因素相對(duì)第j個(gè)的重要度打分

令

定義

則

對(duì)去模糊化，可以得到對(duì)應(yīng)的ω₁，ω₂，ω₃分別表示死亡人數(shù)、財(cái)產(chǎn)損失和受傷人數(shù)的權(quán)重。

步驟S1073：根據(jù)處理后的碰撞后果，以及受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的權(quán)重，計(jì)算得到新的碰撞后果。

根據(jù)步驟S1071處理后的碰撞后果，以及受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失的權(quán)重，計(jì)算得到新的碰撞后果，公式如下：

其中，F(xiàn)為碰撞后果，ω₁，ω₂，ω₃分別表示死亡人數(shù)、財(cái)產(chǎn)損失和受傷人數(shù)的權(quán)重，A、B、G分別表示標(biāo)準(zhǔn)化和歸一化處理后的死亡人數(shù)、財(cái)產(chǎn)損失和受傷人數(shù)。對(duì)每一組計(jì)算結(jié)果取其經(jīng)過(guò)上述處理后的后果F的最大值，然后對(duì)10次計(jì)算后果的最大值求平均值，用來(lái)表征船舶的碰撞后果。

步驟S1074：將碰撞概率的預(yù)測(cè)值和所述新的碰撞后果進(jìn)行乘積運(yùn)算，得到所述船舶碰撞風(fēng)險(xiǎn)。

將上述實(shí)施例中步驟S104計(jì)算得到的碰撞概率的預(yù)測(cè)值和步驟S1073計(jì)算得到的所述新的碰撞后果進(jìn)行乘積運(yùn)算，得到船舶碰撞風(fēng)險(xiǎn)，即船舶碰撞風(fēng)險(xiǎn)＝碰撞概率的預(yù)測(cè)值×碰撞后果，并用F-N曲線(xiàn)表示風(fēng)險(xiǎn)大小。

由上述實(shí)施例的描述可見(jiàn)，本發(fā)明實(shí)施例提供的一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法，根據(jù)船舶碰撞歷史數(shù)據(jù)，計(jì)算歷史碰撞概率，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合；根據(jù)所述船舶碰撞歷史數(shù)據(jù)和歷史碰撞概率，預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)；對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分；根據(jù)主成分分析的結(jié)果，對(duì)預(yù)測(cè)的事故致因因素采用主成分分析法進(jìn)行降維計(jì)算，將降維計(jì)算得到的主成分作為第一神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算得到碰撞概率的預(yù)測(cè)值；對(duì)船舶屬性進(jìn)行等級(jí)劃分，采用事故序列的方法尋找頻繁項(xiàng)集，通過(guò)決策樹(shù)分析，尋找置信度高的事故序列，對(duì)頻繁發(fā)生且置信度高的事故序列的所有情況進(jìn)行排列組合；將船舶屬性作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入層，將決策樹(shù)分析得到的排列組合后的事故序列輸入到所述第二神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到對(duì)應(yīng)的碰撞后果；根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。本發(fā)明通過(guò)基于數(shù)據(jù)挖掘技術(shù)對(duì)船舶碰撞風(fēng)險(xiǎn)進(jìn)行分析，并用時(shí)間序列對(duì)未來(lái)可能導(dǎo)致事故的因素進(jìn)行預(yù)測(cè)，用主成分分析對(duì)事故因素進(jìn)行降維，用神經(jīng)網(wǎng)絡(luò)對(duì)事故發(fā)生的概率進(jìn)行預(yù)測(cè)，分析不同事故序列可能導(dǎo)致的受傷人數(shù)、死亡人數(shù)和財(cái)產(chǎn)損失，并用其表征和量化后果，結(jié)合船舶碰撞概率計(jì)算船舶碰撞風(fēng)險(xiǎn)，具有很高的評(píng)估精度，從而為船舶碰撞救助和船舶操縱提供指導(dǎo)，為應(yīng)急決策和事故現(xiàn)場(chǎng)處置提供客觀依據(jù)，有效降低船舶碰撞風(fēng)險(xiǎn)。

通過(guò)以上的方法實(shí)施例的描述，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)，當(dāng)然也可以通過(guò)硬件，但很多情況下前者是更佳的實(shí)施方式。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：只讀存儲(chǔ)器(ROM)、隨機(jī)存取存儲(chǔ)器(RAM)、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。

與本發(fā)明提供的一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估方法實(shí)施例相對(duì)應(yīng)，本發(fā)明還提供了一種基于數(shù)據(jù)挖掘的船舶碰撞風(fēng)險(xiǎn)評(píng)估系統(tǒng)。

參見(jiàn)圖4，為本發(fā)明實(shí)施例提供的一種船舶碰撞風(fēng)險(xiǎn)評(píng)估系統(tǒng)的結(jié)構(gòu)示意圖，該系統(tǒng)包括：

統(tǒng)計(jì)模塊11，用于根據(jù)船舶碰撞歷史數(shù)據(jù)，計(jì)算歷史碰撞概率，其中，所述船舶碰撞歷史數(shù)據(jù)包括事故致因因素、船舶屬性、船舶流量、碰撞次數(shù)、歷史受傷人數(shù)、歷史死亡人數(shù)以及歷史財(cái)產(chǎn)損失的一種或多種的組合；

預(yù)測(cè)模塊12，用于根據(jù)所述船舶碰撞歷史數(shù)據(jù)和歷史碰撞概率，預(yù)測(cè)每一事故致因因素的發(fā)生次數(shù)；

主成分分析模塊13，用于對(duì)船舶碰撞歷史數(shù)據(jù)中的事故致因因素進(jìn)行主成分分析，并優(yōu)先提取貢獻(xiàn)率大的主成分；

概率計(jì)算模塊14，用于根據(jù)主成分分析的結(jié)果對(duì)預(yù)測(cè)的事故致因因素進(jìn)行降維計(jì)算，并將降維計(jì)算的結(jié)果作為第一神經(jīng)網(wǎng)絡(luò)的輸入，得到碰撞概率的預(yù)測(cè)值；

組合模塊15，用于對(duì)船舶屬性進(jìn)行等級(jí)劃分，采用事故序列的方法尋找頻繁項(xiàng)集，通過(guò)決策樹(shù)分析，尋找置信度高的事故序列，對(duì)頻繁發(fā)生且置信度高的事故序列的所有情況進(jìn)行排列組合；

后果計(jì)算模塊16，用于將船舶屬性作為第二神經(jīng)網(wǎng)絡(luò)模型的輸入層，將決策樹(shù)分析得到的排列組合后的事故序列輸入到所述第二神經(jīng)網(wǎng)絡(luò)模型，計(jì)算得到對(duì)應(yīng)的碰撞后果；

風(fēng)險(xiǎn)評(píng)估模塊17，用于根據(jù)碰撞概率的預(yù)測(cè)值和所述碰撞后果，計(jì)算得到船舶碰撞風(fēng)險(xiǎn)。

本發(fā)明可以在由計(jì)算機(jī)執(zhí)行的計(jì)算機(jī)可執(zhí)行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類(lèi)型的例程、程序、對(duì)象、組件、數(shù)據(jù)結(jié)構(gòu)等等。也可以在分布式計(jì)算環(huán)境中實(shí)踐本發(fā)明，在這些分布式計(jì)算環(huán)境中，由通過(guò)通信網(wǎng)絡(luò)而被連接的遠(yuǎn)程處理設(shè)備來(lái)執(zhí)行任務(wù)。在分布式計(jì)算環(huán)境中，程序模塊可以位于包括存儲(chǔ)設(shè)備在內(nèi)的本地和遠(yuǎn)程計(jì)算機(jī)存儲(chǔ)介質(zhì)中。

以上所述僅是本發(fā)明的具體實(shí)施方式，使本領(lǐng)域技術(shù)人員能夠理解或?qū)崿F(xiàn)本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。