一种基于大数据的个体船舶碰撞风险计算方法与流程

本发明涉及船舶交通技术领域，尤其涉及一种基于大数据的个体船舶碰撞风险计算方法。

背景技术：

船舶交通通常指某一区域内船舶运动的组合与船舶行为的总体。随着世界贸易的迅速发展，像大型港口的进口航道、海峡航道和内陆水道之类的繁忙受限水域，由于交通量和船舶尺度的增长，还有航路资源的限制，船舶交通正变得越来越繁忙，导致水域内发生交通事故的风险显著加大。一旦发生事故，不但可能造成重大的人身伤亡，而且还可能造成巨大的社会、经济损失，影响国内外贸易的正常运行和国民经济的健康发展。

利用船舶交通管理(服务)系统、雷达观测或自动识别系统等手段掌握船舶航行动态，及时发现碰撞险情是减少碰撞事故的有效手段。但是，船舶交通到达随机性、操纵自主性强且交互显著，具有非线性、时变性、强耦合和不确定性等特点，很难得到确定的数学模型，因而，现有的vts仍主要以人工决策为主，面临信息量大、感知能力弱等问题，缺乏有效的风险识别手段，难以及时应对交通状况的动态变化以保障船舶航行安全，其效果和效率也难以达到监管需求，船舶碰撞风险识别已成为制约船舶交通发展的瓶颈与关键问题。

有鉴于此，本发明提供一种基于大数据的个体船舶碰撞风险计算方法，以解决上述现有技术中存在的技术问题。

技术实现要素：

基于背景技术存在的技术问题，本发明提出了一种基于大数据的个体船舶碰撞风险计算方法。

本发明提出的一种基于大数据的个体船舶碰撞风险计算方法，包括包括船舶交通演化分析、个体船舶碰撞风险计算、高碰撞风险船舶识别和船舶交通仿真；

第一步，船舶交通演化分析阶段，搜集一定时期内典型水域的ais和vts等船舶历史数据，获取船舶静态和动态交通数据，通过相异度分析定义不可用数据和异常数据，进行数据的清洗、修复、融合；

第二步，船舶交通演化分析阶段，根据数据的概率统计和聚类分析，以船舶行为特征模型和交通流统计规律模型作为蒙特卡洛仿真的输入参数，同时对水文气象、通航规则和步骤等进行抽象化处理，构建船舶交通流演化模型；

第三步，个体船舶碰撞风险计算阶段，根据船舶交通流演化模型，分析紧迫局面和紧迫危险的边界条件，定义船舶碰撞风险属性之间的距离模型，获取风险因素权重和偏置的分布，建立基于空间维度和时间维度的多维度船舶碰撞风险融合模型；

第四步，以船舶碰撞风险融合模型为基础，研究船舶航行状态和碰撞风险的特征建模与识别，对不同航行行为和碰撞风险值的船舶进行分组；

第五步，高碰撞风险船舶识别阶段，对船舶群组内及群组间的碰撞风险进行计算，识别高碰撞风险船舶群组，进而通过组内排序，对高碰撞风险船舶进行有效识别；

第六步，船舶交通仿真阶段，针对所述水域场景参数和交通流参数，构建船舶交通仿真实验平台，设置不同场景参数和交通流参数，将仿真实验结果和历史数据比对分析，优化仿真平台参数设置，应用仿真平台对船舶交通组织优化决策模型进行验证。

本发明中优选地，第一步中，所述船舶交通演化分析中提取ais船舶历史数据及vts船舶动态数据，清洗不可用数据和异常数据，从概率统计和聚类分析角度研究船舶交通静态特征和动态特征，构建船舶行为特征模型。

本发明中优选地，第二步中，所述基于蒙特卡洛思想对船舶交通流演化过程进行实验研究，从异质性、趋利性、适应性、变异性等方面入手，定性分析船舶交通流非线性和涌现性，提炼船舶交通流统计参数，构建不同通航环境下的船舶交通流特征模型，探讨船舶交通流演化特性。

本发明中优选地，第三步中，所述基于船舶交通流演化特征模型，综合考虑船舶领域、kt指数、dcpa、tcpa、colregs等，分析船舶在不同会遇局面下紧迫局面和紧迫危险的边界条件，提出船舶碰撞风险度的度量方法，构建基于速度、航向和位置聚类融合的多维度船舶碰撞风险融合模型。

本发明中优选地，第三步中，以所述单一船舶为中心计算出单一船舶碰撞风险，通过仿真实验和vts实地观测等方法分析船舶动态与船舶碰撞风险度之间的响应机理，讨论船舶改向/变速的最佳适用条件。

本发明中优选地，第四-五步中，基于所述船舶碰撞风险融合模型和可视图构建船舶交通网络，分析网络的鲁棒性、拥塞及传播等动力学行为；综合考虑共同邻居和自身因素的影响，应用链路预测方法构建船舶群组模型；分析船舶群组间的交互效应，研究以船舶群组为单元的船舶群组碰撞风险计算方法，找出高碰撞风险船舶群组。

本发明中优选地，第六步中，根据所述个体船舶碰撞风险值大小对高碰撞风险船舶群组进行组内排序，确定高碰撞风险船舶，形成大数据下的船舶碰撞风险识别机制。

本发明中优选地，基于所述船舶交通历史数据，构建船舶交通仿真实验平台，获得的碰撞风险计算、高碰撞风险船舶识别模型进行验证和修正，建立智能船舶交通决策支持平台。

本发明中优选地，所述水域场景参数包括航道、水文、气象、航行规则和交通流参数包括船舶属性、分布和动态，且通航环境包括自然环境、港口环境、交通环境、规定标准。

与现有技术相比，本发明提供了一种基于大数据的个体船舶碰撞风险计算方法，具备以下有益效果：

针对沿海、内河等水域的船舶交通碰撞风险识别智能化需求，从船舶行为特征入手，通过多维度碰撞风险分析，应用链路预测方法，识别高碰撞风险船舶，实现碰撞风险识别的有效性和合理性，以个体碰撞风险计算为目标，构建基于速度、航向和位置等聚类的船舶数据融合方法，以单船为中心计算船舶碰撞危险，以碰撞风险识别为目标，通过链路预测方法构建高碰撞风险船舶群组，对高碰撞风险船舶进行识别，能够在预测的时间和空间维度内，通过碰撞风险性指标，建立高碰撞风险船舶识别模型，形成基于大数据的船舶碰撞风险识别方法，达到船舶交通的安全和高效的目的。

附图说明

图1为本发明提出的一种基于大数据的个体船舶碰撞风险计算方法的流程示意图；

图2为本发明提出的一种基于大数据的个体船舶碰撞风险计算方法的船舶交通演化分析流程示意图；

图3为本发明提出的一种基于大数据的个体船舶碰撞风险计算方法的个体船舶碰撞风险计算流程示意图；

图4为本发明提出的一种基于大数据的个体船舶碰撞风险计算方法的高碰撞风险船舶识别流程示意图；

图5为本发明提出的一种基于大数据的个体船舶碰撞风险计算方法的船舶交通仿真流程示意图。

具体实施方式

下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。

在本专利的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利的限制。

在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。

参照图1-5，一种基于大数据的个体船舶碰撞风险计算方法，包括包括船舶交通演化分析、个体船舶碰撞风险计算、高碰撞风险船舶识别和船舶交通仿真；

第一步，船舶交通演化分析阶段，搜集一定时期内典型水域的ais和vts等船舶历史数据，获取船舶静态和动态交通数据，通过相异度分析定义不可用数据和异常数据，进行数据的清洗、修复、融合；

第二步，船舶交通演化分析阶段，根据数据的概率统计和聚类分析，以船舶行为特征模型和交通流统计规律模型作为蒙特卡洛仿真的输入参数，同时对水文气象、通航规则和步骤等进行抽象化处理，构建船舶交通流演化模型；

第三步，个体船舶碰撞风险计算阶段，根据船舶交通流演化模型，分析紧迫局面和紧迫危险的边界条件，定义船舶碰撞风险属性之间的距离模型，获取风险因素权重和偏置的分布，建立基于空间维度和时间维度的多维度船舶碰撞风险融合模型；

第四步，以船舶碰撞风险融合模型为基础，研究船舶航行状态和碰撞风险的特征建模与识别，对不同航行行为和碰撞风险值的船舶进行分组；

第五步，高碰撞风险船舶识别阶段，对船舶群组内及群组间的碰撞风险进行计算，识别高碰撞风险船舶群组，进而通过组内排序，对高碰撞风险船舶进行有效识别；

第六步，船舶交通仿真阶段，针对水域场景参数(包括航道、水文、气象、航行规则等)和交通流参数(包括船舶属性、分布和动态等)，本发明中采用visualc 等软件开发船舶交通仿真实验平台，设置不同场景参数和交通流参数，将仿真实验结果和历史数据比对分析，优化仿真平台参数设置，应用仿真平台对船舶交通组织优化决策模型进行验证。

作为本发明中再进一步的方案，在第一步中，船舶交通演化分析中提取ais船舶历史数据及vts船舶动态数据，清洗不可用数据和异常数据，从概率统计和聚类分析角度研究船舶交通静态特征和动态特征，构建船舶行为特征模型。

作为本发明中再进一步的方案，在第二步中，基于蒙特卡洛思想对船舶交通流演化过程进行实验研究，从异质性、趋利性、适应性、变异性等方面入手，定性分析船舶交通流非线性和涌现性，提炼船舶交通流统计参数，构建不同通航环境下的船舶交通流特征模型，探讨船舶交通流演化特性。

作为本发明中再进一步的方案，在第三步中，基于船舶交通流演化特征模型，综合考虑船舶领域、kt指数、dcpa、tcpa、colregs等，分析船舶在不同会遇局面下紧迫局面和紧迫危险的边界条件，提出船舶碰撞风险度的度量方法，构建基于速度、航向和位置聚类融合的多维度船舶碰撞风险融合模型。

作为本发明中再进一步的方案，在第三步中，以单一船舶为中心计算出单一船舶碰撞风险，通过仿真实验和vts实地观测等方法分析船舶动态与船舶碰撞风险度之间的响应机理，讨论船舶改向/变速的最佳适用条件。

作为本发明中再进一步的方案，在第四-五步中，基于船舶碰撞风险融合模型和可视图构建船舶交通网络，分析网络的鲁棒性、拥塞及传播等动力学行为；综合考虑共同邻居和自身因素的影响，应用链路预测方法构建船舶群组模型；分析船舶群组间的交互效应，研究以船舶群组为单元的船舶群组碰撞风险计算方法，找出高碰撞风险船舶群组。

作为本发明中再进一步的方案，在第六步中，根据个体船舶碰撞风险值大小对高碰撞风险船舶群组进行组内排序，确定高碰撞风险船舶，形成大数据下的船舶碰撞风险识别机制。

作为本发明中再进一步的方案，基于船舶交通历史数据，构建船舶交通仿真实验平台，获得的碰撞风险计算、高碰撞风险船舶识别模型进行验证和修正，建立智能船舶交通决策支持平台。

作为本发明中再进一步的方案，水域场景参数包括航道、水文、气象、航行规则和交通流参数包括船舶属性、分布和动态，且通航环境包括自然环境、港口环境、交通环境、规定标准。

本发明中，从船舶行为特征入手，通过多维度碰撞风险分析，应用链路预测方法，识别高碰撞风险船舶，实现碰撞风险识别的有效性和合理性，以个体碰撞风险计算为目标，构建基于速度、航向和位置等聚类的船舶数据融合方法，以单船为中心计算船舶碰撞危险；以碰撞风险识别为目标，通过链路预测方法构建高碰撞风险船舶群组，对高碰撞风险船舶进行有效识别。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。