本發(fā)明涉及智能船舶碰撞風(fēng)險(xiǎn)評估，具體涉及一種基于自連通圖神經(jīng)網(wǎng)絡(luò)的無人船碰撞風(fēng)險(xiǎn)評估方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)在海事領(lǐng)域被廣泛應(yīng)用，但將深度學(xué)習(xí)技術(shù)應(yīng)用于船舶碰撞風(fēng)險(xiǎn)評估的案例還較少。

2、船舶碰撞事故是海上運(yùn)輸中最嚴(yán)重的安全事故之一，它可能導(dǎo)致人員傷亡、財(cái)產(chǎn)損失以及對海洋環(huán)境造成嚴(yán)重破壞。因此，準(zhǔn)確評估船舶碰撞風(fēng)險(xiǎn)對于保障海上航行安全至關(guān)重要。傳統(tǒng)的船舶碰撞風(fēng)險(xiǎn)評估方法主要依賴于船舶領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識，例如使用最近會遇時(shí)間、船舶域、貝葉斯網(wǎng)絡(luò)結(jié)合專家知識庫，以及模糊邏輯等方法。這些方法在一定程度上能夠提供碰撞風(fēng)險(xiǎn)的估計(jì)，但它們通常受限于專家知識的主觀性并且可能無法量化多船間復(fù)雜的非線性關(guān)系和動態(tài)變化的航行環(huán)境，在探究避碰操作影響下的多船風(fēng)險(xiǎn)演化時(shí)遇到很多挑戰(zhàn)。

3、因此，為保障海上多船在時(shí)空演化下的航行安全，亟需設(shè)計(jì)一種能夠?qū)崟r(shí)地從知識中學(xué)習(xí)的船舶碰撞風(fēng)險(xiǎn)評估方法。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種基于自連通圖神經(jīng)網(wǎng)絡(luò)的無人船碰撞風(fēng)險(xiǎn)評估方法；本發(fā)明主要通過提取航行狀態(tài)信息，實(shí)現(xiàn)海上多船舶風(fēng)險(xiǎn)關(guān)系圖的動態(tài)構(gòu)建，并將提取到的船舶航行狀態(tài)信息向量構(gòu)成節(jié)點(diǎn)屬性矩陣和加權(quán)鄰接矩陣作為模型的輸入，利用多個(gè)圖神經(jīng)網(wǎng)絡(luò)層提取多個(gè)船舶節(jié)點(diǎn)的高維隱藏特征，使用歸一化方法量化多個(gè)船舶的潛在碰撞風(fēng)險(xiǎn)，為復(fù)雜多船場景下船舶自主安全航行提供有力的判斷支持。

2、為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

3、一種基于自連通圖神經(jīng)網(wǎng)絡(luò)的無人船碰撞風(fēng)險(xiǎn)評估方法，通過構(gòu)建海上多船舶碰撞風(fēng)險(xiǎn)模型，對船舶間的碰撞風(fēng)險(xiǎn)概率進(jìn)行估計(jì)，具體包括以下步驟：

4、步驟s1、構(gòu)建海上多船舶風(fēng)險(xiǎn)關(guān)系圖：基于多船避碰場景中各船舶的地理位置構(gòu)建船舶節(jié)點(diǎn)，，表示多船避碰場景中的船舶總量，將船舶的航行狀態(tài)信息進(jìn)行編碼后作為船舶節(jié)點(diǎn)的屬性；將船舶間風(fēng)險(xiǎn)性指數(shù)作為對應(yīng)船舶節(jié)點(diǎn)之間邊的屬性；

5、步驟s2、構(gòu)建具有個(gè)圖神經(jīng)網(wǎng)絡(luò)層的圖神經(jīng)網(wǎng)絡(luò)，對海上多船舶風(fēng)險(xiǎn)關(guān)系圖中的各船舶節(jié)點(diǎn)進(jìn)行階的鄰域船舶節(jié)點(diǎn)采樣，通過第個(gè)圖神經(jīng)網(wǎng)絡(luò)層對第階鄰域船舶節(jié)點(diǎn)采樣得到的結(jié)果，進(jìn)行航行狀態(tài)特征聚合與時(shí)空狀態(tài)嵌入更新，圖神經(jīng)網(wǎng)絡(luò)最終輸出各個(gè)船舶節(jié)點(diǎn)的一維特征向量；；

6、步驟s3、基于支持向量回歸方法和各個(gè)船舶節(jié)點(diǎn)的一維特征向量，來計(jì)算船舶間風(fēng)險(xiǎn)性指數(shù)；

7、步驟s4、使用激活函數(shù)對船舶間風(fēng)險(xiǎn)性指數(shù)進(jìn)行轉(zhuǎn)換，得到船舶間的碰撞風(fēng)險(xiǎn)概率分布。

8、進(jìn)一步地，步驟s1具體包括以下步驟：

9、s11、獲取各個(gè)船舶的航行狀態(tài)信息，第i個(gè)船舶的航行狀態(tài)信息包括地理位置、航速、航向角、當(dāng)前船舶和相鄰船舶之間的距離以及船舶類型；分別為第i個(gè)船舶的地理位置的橫坐標(biāo)和縱坐標(biāo)；

10、s12、基于多船避碰場景中各船舶的地理位置構(gòu)建船舶節(jié)點(diǎn)；對第i個(gè)船舶的航行狀態(tài)信息進(jìn)行編碼，將得到的航行狀態(tài)信息向量作為船舶節(jié)點(diǎn)的屬性，表示第i個(gè)船舶對應(yīng)的航行狀態(tài)信息向量的第d個(gè)分量，個(gè)的船舶節(jié)點(diǎn)的屬性構(gòu)成節(jié)點(diǎn)屬性矩陣；

11、s13、用于連接船舶節(jié)點(diǎn)的邊的集合記為，為中的第m個(gè)邊，船舶間風(fēng)險(xiǎn)性指數(shù)作為邊的屬性，邊屬性的集合，為中第m個(gè)邊屬性；船舶節(jié)點(diǎn)，以及連接船舶節(jié)點(diǎn)的邊，構(gòu)成所述海上多船舶風(fēng)險(xiǎn)關(guān)系圖；

12、設(shè)置加權(quán)鄰接矩陣，海上多船舶風(fēng)險(xiǎn)關(guān)系圖中的第j個(gè)船舶節(jié)點(diǎn)和第i個(gè)船舶節(jié)點(diǎn)連通時(shí)，中的元素；和不連通時(shí)，時(shí)。

13、進(jìn)一步地，步驟s2中，所述對海上多船舶風(fēng)險(xiǎn)關(guān)系圖中的各船舶節(jié)點(diǎn)進(jìn)行階的鄰域船舶節(jié)點(diǎn)采樣，通過第個(gè)圖神經(jīng)網(wǎng)絡(luò)層對第階鄰域船舶節(jié)點(diǎn)采樣得到的結(jié)果，進(jìn)行航行狀態(tài)特征聚合與時(shí)空狀態(tài)嵌入更新，圖神經(jīng)網(wǎng)絡(luò)最終輸出各個(gè)船舶節(jié)點(diǎn)的一維特征向量，具體包括以下步驟：

14、s21、對每個(gè)船舶節(jié)點(diǎn)，隨機(jī)進(jìn)行階的鄰域船舶節(jié)點(diǎn)采樣；其中；

15、s22、航行狀態(tài)特征聚合：將每個(gè)船舶節(jié)點(diǎn)的鄰域船舶節(jié)點(diǎn)的鄰域信息和特征信息集合聚合到船舶節(jié)點(diǎn)的鄰域船舶聚合特征向量上：

16、；

17、式中，表示船舶節(jié)點(diǎn)的鄰域船舶節(jié)點(diǎn)的索引集合，是海上多船舶風(fēng)險(xiǎn)關(guān)系圖對應(yīng)的加權(quán)鄰接矩陣中的元素，為船舶節(jié)點(diǎn)的鄰域船舶節(jié)點(diǎn)的索引；表示第j個(gè)鄰域船舶節(jié)點(diǎn)在第個(gè)圖神經(jīng)網(wǎng)絡(luò)層中的聚合特征向量；第j個(gè)鄰域船舶節(jié)點(diǎn)的初始聚合特征向量，為第j個(gè)船舶節(jié)點(diǎn)的屬性；是聚合器函數(shù)；

18、s23、時(shí)空狀態(tài)嵌入更新：通過船舶節(jié)點(diǎn)在第個(gè)圖神經(jīng)網(wǎng)絡(luò)層中聚合特征向量以及，對船舶節(jié)點(diǎn)在第個(gè)圖神經(jīng)網(wǎng)絡(luò)層中的聚合特征向量進(jìn)行更新：

19、；

20、其中為第個(gè)圖神經(jīng)網(wǎng)絡(luò)層的權(quán)值矩陣，為非線性激活函數(shù)，為concat函數(shù)；

21、s24、圖神經(jīng)網(wǎng)絡(luò)最終輸出各個(gè)船舶節(jié)點(diǎn)的一維特征向量，所述一維特征向量用于表示各船舶節(jié)點(diǎn)的屬性的卷積特征。

22、進(jìn)一步地，在每個(gè)圖神經(jīng)網(wǎng)絡(luò)層后增加一個(gè)殘差連接層和一個(gè)非線性函數(shù)層，殘差連接層用于幫助當(dāng)前圖神經(jīng)網(wǎng)絡(luò)層的梯度直接流向前一個(gè)圖神經(jīng)網(wǎng)絡(luò)層；所述非線性函數(shù)層用于保持圖神經(jīng)網(wǎng)絡(luò)的內(nèi)部穩(wěn)定。

23、進(jìn)一步地，步驟s3具體包括：

24、船舶間風(fēng)險(xiǎn)性指數(shù)用于預(yù)測第i個(gè)船舶和第j個(gè)船舶之間的碰撞風(fēng)險(xiǎn)，為海上多船舶風(fēng)險(xiǎn)關(guān)系圖中連接第i個(gè)船舶節(jié)點(diǎn)和第個(gè)船舶節(jié)點(diǎn)的邊的索引；為的鄰域船舶節(jié)點(diǎn)；

25、利用支持向量回歸方法計(jì)算船舶間風(fēng)險(xiǎn)性指數(shù)：將第i個(gè)船舶節(jié)點(diǎn)的一維特征向量和第j個(gè)船舶節(jié)點(diǎn)的一維特征向量進(jìn)行特征拼接，得到拼接特征向量：

26、；

27、表示特征拼接操作；

28、支持向量回歸方法的核函數(shù)選擇高斯核函數(shù)：

29、；

30、其中為支持向量回歸方法的第個(gè)支持向量，為非線性激活函數(shù)；

31、船間風(fēng)險(xiǎn)性指數(shù)預(yù)測函數(shù)為：

32、；

33、其中，是海上多船舶風(fēng)險(xiǎn)關(guān)系圖對應(yīng)的加權(quán)鄰接矩陣中的元素；是與第個(gè)支持向量相關(guān)聯(lián)的拉格朗日乘子，用于計(jì)算和之間的相似性；是海上多船舶碰撞風(fēng)險(xiǎn)模型的偏置項(xiàng)。

34、進(jìn)一步地，步驟s4具體包括：

35、在圖神經(jīng)網(wǎng)絡(luò)后增加概率層，通過激活函數(shù)對船舶間風(fēng)險(xiǎn)性指數(shù)進(jìn)行轉(zhuǎn)換，得到船舶間的碰撞風(fēng)險(xiǎn)概率分布：

36、；

37、式中，為船舶間風(fēng)險(xiǎn)性指數(shù)，為激活函數(shù)。

38、與現(xiàn)有技術(shù)相比，本發(fā)明的有益技術(shù)效果是：

39、1、本發(fā)明提供的無人船碰撞風(fēng)險(xiǎn)評估方法，使用自相通拓?fù)浣Y(jié)構(gòu)，進(jìn)行多船復(fù)雜全局會遇態(tài)勢整合，構(gòu)建海上多船舶風(fēng)險(xiǎn)關(guān)系圖結(jié)構(gòu)，使得無人船不僅能了解與其直接相鄰的船舶的狀態(tài)，還能根據(jù)鄰域船的階數(shù)來考慮更遠(yuǎn)距離的船舶對其潛在的影響。利用圖神經(jīng)網(wǎng)絡(luò)對多船舶航行狀態(tài)信息進(jìn)行提取和量化，能夠直接在圖數(shù)據(jù)中獲得相鄰船間不同碰撞風(fēng)險(xiǎn)等級的可能性概率分布，更客觀高效地為復(fù)雜多船場景下船舶自主安全航行提供有力的判斷支持。

40、2、本發(fā)明提供的無人船碰撞風(fēng)險(xiǎn)評估方法，通過構(gòu)建復(fù)雜的圖網(wǎng)絡(luò)結(jié)構(gòu)，量化船間隱層航行狀態(tài)特征，重點(diǎn)關(guān)注了鄰域船舶間的風(fēng)險(xiǎn)性和碰撞概率，符合航海實(shí)際環(huán)境船舶駕駛員的關(guān)注習(xí)慣和避碰操作順序，更有利于智能船舶和有人船舶混行的場景適配。

41、3、本發(fā)明提供的無人船碰撞風(fēng)險(xiǎn)評估方法，構(gòu)建了復(fù)雜場景下海上多船舶風(fēng)險(xiǎn)關(guān)系圖結(jié)構(gòu)，利用圖神經(jīng)網(wǎng)絡(luò)，可以分析隨著時(shí)間演化，不同位置下的多船舶避碰風(fēng)險(xiǎn)，可實(shí)現(xiàn)更快地收斂，解決了傳統(tǒng)船舶域場論中無法量化多船及其演化的問題。

42、4、復(fù)雜多船的航海避碰情景下，船舶間的避碰操作隨著時(shí)間的推移，對空間上多船不斷造成影響，這可以理解為一個(gè)解決原避碰風(fēng)險(xiǎn)的操作會引入一個(gè)新的避碰風(fēng)險(xiǎn)，本發(fā)明提供的無人船碰撞風(fēng)險(xiǎn)評估方法，通過圖神經(jīng)網(wǎng)絡(luò)對的各船舶節(jié)點(diǎn)嵌入更新，是根據(jù)船舶節(jié)點(diǎn)的鄰域船關(guān)系的變化而變化的，也就是說，即使是原選定船舶，如果突然引入的新的船舶的避碰連接關(guān)系，那么其對應(yīng)的嵌入更新也會變化，且能夠方便地進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，不需要對整個(gè)網(wǎng)絡(luò)進(jìn)行迭代。從而解決了復(fù)雜多船的航海避碰情景下多船間避碰操作帶來的多階鄰域船間影響的問題。