一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统与流程
本发明涉及交通安全预测技术领域，特别涉及一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统。
背景技术：
我国是世界航运大国，航运对国家具有重要的战略意义。随着海上运输业的发达，航线日益繁忙，船舶密度不断加大，船舶向大型化、专业化发展，船舶航速不断提高，通航环境更趋复杂化，导致各类海上交通事故频繁发生。在海上交通安全形势日益严峻的情形下，如何保证安全高效的海洋运输，已成为世界各国、各海事部门关注的焦点。
水上交通事故统计表明，船舶碰撞事故发生率一直高居各类海难事故的前列。本发明中船舶碰撞是指两艘或两艘以上船舶在海上或者与海相通的可航水域发生接触造成损害的事故。船舶碰撞事故所带来的后果往往是灾难性的，严重威胁人的生命、财产安全，而且船舶溢油、危险物泄露等会严重污染海洋环境，后果不易控制。同时，海上船舶碰撞事故具有很大的随机性和不确定性。因此，各国海事领域一直非常重视船舶碰撞事故的研究。
关于水上交通安全的研究多年以来都是交通领域的研究热点和重点，引起了国内外相关研究人员的高度关注，并产生了丰硕的研究成果。船舶碰撞事故的风险一般采用事故发生的可能性(概率)与事故造成的损失的乘积来衡量。总体来说，国内外学者对于船舶碰撞事故的研究主要集中在事故发生的概率以及事故发生原因的分析上，对碰撞事故损失的预测研究较少。
在船舶碰撞事故概率预测、致因分析等方面，国外已经进行了大量深入的研究，模型和理论比较成熟。friis-hansenp和simonsenbc在总结前人所建的船舶碰撞事故致因链的基础上，进一步分析船舶碰撞事故发生的影响因素，并建立模型对事故发生概率进行推理预测。ylitaloj提出了船舶碰撞概率评估模型标准，针对特定水域航行的船舶先后用三个模型计算船舶碰撞概率，并根据评估结果预测了该水域2006年至2015年间船舶碰撞风险的走势。
相比于国外的研究，我国对于船舶碰撞事故的相关研究开展相对晚一些，但是经过众多学者、专家的共同努力，也取得丰硕的研究成果。范耀天以主航道轴线为基准将某一水域进行网格化划分，综合考虑各种因素计算每个单元格的会遇率，并基于地理分布的风险评估方法，以天津港为例建立船舶碰撞风险预测模型，把水上交通调查、构建预测模型、模型验证和未来预测有机结合起来，形成闭环式的水域通航环境风险评估新方法。杨田学确立了以概率风险评估为基础的船舶碰撞风险分析框架，建立人工神经网络的风险分析模型，对国内沿海30个港口水域的船舶碰撞风险进行分析。
目前，水上交通事故后果的研究尚处于初级阶段，有待于进行深入的探究。然而，在道路交通事故后果、态势方面，国内外已经做了很多研究，常用方法包括bp神经网络、灰色关联、决策树、贝叶斯网络等结构化的多元分析技术。由于水上交通情况的特殊性和对应急管理的极高要求，船舶碰撞事故研究不能照搬陆地上交通事故的分析模式，但两者有许多相似之处。因此，在进行船舶碰撞事故后果分析和预测时可参照道路交通领域所运用的方法，但具体应用时应结合船舶碰撞事故的特点和演变机理，选择科学合理的研究方法。
纵观国内外学者近年来在船舶碰撞事故方面的研究可知，研究方向主要为事故发生概率预测、致因分析等，而且研究方法逐渐成熟。然而，船舶碰撞事故造成的损失是事故风险的重要组成部分，对碰撞事故后果的预测可以为应急处置方案的制定提供决策依据，在应急处置过程中具有非常重要的作用。现阶段在事故应急管理决策中，往往对相关领导、专家的经验依赖较强，致使决策效率比较低。在道路交通领域，事故后果方面的研究较多，相关研究方法尚未较广泛地应用于水上交通领域。总的来说，海上船舶碰撞事故后果(如严重程度、伤亡情况等)研究还处于萌芽期，具有很大的研究潜力和空间，有待进一步加强和深化。
技术实现要素：
本发明提供一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统，能够实现对船舶碰撞事故的等级预测。
根据本发明的一个方面，提供了一种基于贝叶斯网络的船舶碰撞事故等级预测方法，包括以下步骤：
获取水上交通事故调查报告，从中提取事故因素数据；
将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；
基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据k2结构学习算法获得贝叶斯网络结构；
根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；
根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；
以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。
所述事故因素数据，包括：
事故灾害后果因素：事故等级；
环境因素：事故时间、风力、能见度、水面状况、气温和/或水温；
船舶因素：船舶种类、船长、船宽、船龄、总吨位、装载、船员数和/或船舶所有性质。
所述方法还包括：
从贝叶斯网络的学习精度、贝叶斯网络模型的预测准确度层面，对构建的船舶碰撞事故后果预测模型进行有效性验证。
所述获取事故因素数据后，还包括数据清洗步骤，具体如下：
整理船舶碰撞事故基本信息数据，对于所述事故调查报告中存在的错误记录数据，根据证据理论判断某一数据是否准确的置信度，进而对错误的数据进行清洗；
利用船舶静态数据对船舶基本静态信息进行校对和补充。
所述获得贝叶斯网络结构过程中，还包括：
在所述贝叶斯网络结构的学习中应用基于评分搜索的方法。
所述贝叶斯网络节点，还包括如下处理过程：
采用聚类的方法，将所述贝叶斯网络节点中相关性较强的特征聚成一个个簇，每个簇内的元素特征都为相似特性，把簇视为抽象节点；
将特征聚类得到的每个簇，完成类内多个特征到一个抽象特征值域的映射。将未聚类的特征与抽象特征合并，产生新的数据集，作为聚类处理后的贝叶斯网络节点。
还包括：
在根据k2搜索算法进行贝叶斯网络结构的搜索学习前，先给定网络节点的排序；
采用基于贝叶斯统计的bd评分函数进行排序。
还包括：
基于对变量间的相关性分析，结合专家建模经验来确定贝叶斯网络节点的排序。
根据本发明的另一个方面，提供了一种基于贝叶斯网络的船舶碰撞事故等级预测系统，包括数据输入单元、节点处理单元、拓扑确定单元、概率分布确定单元、模型构建单元和预测单元，其中，
所述数据输入单元，用于获取水上交通事故调查报告，从中获取事故因素数据；
所述节点处理单元，用于将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；
所述拓扑确定单元，用于基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据k2结构学习算法获得贝叶斯网络结构；
所述概率分布确定单元，用于根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；
所述模型构建单元，用于根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；
所述预测单元，用于以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。
数据清洗单元，用于采用聚类的方法，将所述贝叶斯网络节点中相关性较强的特征聚成一个个簇，每个簇内的元素特征都为相似特性，把簇视为抽象节点；
将特征聚类得到的每个簇，完成类内多个特征到一个抽象特征值域的映射。将未聚类的特征与抽象特征合并，产生新的数据集，作为聚类处理后的贝叶斯网络节点。
采用本发明的技术方案，通过构建船舶碰撞事故预测模型，实现对船舶碰撞事故的等级预测，从数据的角度出发，通过深度挖掘事故因素之间的联系，寻找事故因素之间的规律，代替主观性过强的专家知识法，实现船舶碰撞事故贝叶斯网络的建立。从方法的角度出发，基于贝叶斯网络构建船舶碰撞事故预测模型，解决船舶碰撞事故等级的预测问题，推动海事风险理论的发展。从应用的角度出发，研究成果可为会遇船舶航行指挥与应急决策提供科学依据。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一中基于贝叶斯网络的船舶碰撞事故等级预测方法原理流程图；
图2为本发明实施例一中基于贝叶斯网络的船舶碰撞事故等级预测技术路线示意图；
图3为本发明实施例二中基于贝叶斯网络的船舶碰撞事故等级预测系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
贝叶斯网络法是近年来发展起来的处理不确定性问题的理想且有效的工具，并且已在数据挖掘、智能决策、模式识别、医疗诊断等多个领域得到了广泛的应用。贝叶斯网络是直观表达变量间概率依赖关系的一种图形模型，由网络结构和条件概率分布两部分组成，以有向无环图表示研究对象随机变量间的结构属性，节点对应于模型中的随机变量，节点间的有向边代表变量的条件依赖关系，并产生节点间的条件概率值。贝叶斯网络能够形象表达随机变量间的因果关联关系，并进行不确定性知识推理。
近些年，贝叶斯网络在水上交通事故分析领域中也得到了应用。ren等针对海上航行安全事故中的人和组织因素，通过专家判断法在评价框架基础上建立了贝叶斯网络因果分析模型。hnninen等以芬兰湾船舶碰撞为研究对象，通过贝叶斯网络模型研究人的因素对船舶碰撞概率的影响，通过观察网络中人的因素节点状态的变化来检测因果概率的变化情况，并通过敏感性分析得出在两船会遇情况下不合理的避让操作是引发船舶碰撞最重要的原因。陈亚东等通过专家组的领域知识构建内河船舶碰撞贝叶斯网络分析模型，并结合诊断推理和因果推理，定量分析人的因素间的因果依赖关系。
这些研究表明贝叶斯网络模型拥有很高的预测精度，是一种分析事故致因因素的有效手段。但是，这些贝叶斯网络结构往往是基于专家知识建立的，结果的主观性较强。如何建立更加客观、合理的贝叶斯网络结构，从而得到更有效的结果，是贝叶斯网络在事故分析应用研究中的一个关键问题。
本发明实施例旨在实现对船舶碰撞事故等级预测方法的研究，解决海事风险研究中事故后果的预测问题，辅助海事监管人员制定会遇船舶的避碰决策，达到减少船舶碰撞事故数量、降低船舶碰撞事故灾害的目的。基于事故的历史数据，建立船舶碰撞事故贝叶斯网络。基于贝叶斯网络推理算法，构建船舶碰撞事故等级预测模型并进行验证。
图1为本发明实施例一中基于贝叶斯网络的船舶碰撞事故等级预测方法原理流程图。如图1所示，该基于贝叶斯网络的船舶碰撞事故等级预测流程包括以下步骤：
步骤101、获取水上交通事故调查报告，从中获取事故因素数据。
本发明的技术路线如图2所示。通过水上交通事故调查报告数据库系统，收集海事局事故数据。水上交通事故调查报告一般包括：船舶或浮动设施概况，所属公司情况，事故发生、搜救、损失情况，事故经过、原因分析，当事人责任认定，安全管理建议等内容。通过事故调查报告，可以得到船舶碰撞事故的基本信息。但是，由于许多事故调查报告记录不完整，部分因素的数据缺失严重，无法用于统计规律。另外，从事故报告中无法获得事故发生时驾驶员的行为和心理、生理特征，因此也不能用于研究事故中的人为因素。本发明主要选用以下事故因素进行统计分析：
事故灾害后果因素：险情级别(事故等级)。
环境因素：事故时间、风力、能见度、水面状况、气温、水温。
船舶因素：船舶种类、船长、船宽、船龄、总吨位、装载、船员数、船舶所有性质。
进一步的，整理船舶碰撞事故基本信息数据，对于报告数据库中存在的错误记录数据，利用证据理论判断某一数据是否准确的置信度，进而对错误的数据进行清洗，保证数据的精确性。并利用船舶静态数据库，对船舶基本静态信息进行校对和补充。
步骤102、将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点。
因为节点的取值应是离散值，若节点变量为连续变量或属性变量，则需对变量进行离散化处理。将事故因素的连续数据按照数据的联合分布特征进行初步的离散化处理，然后将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到最终离散化集合的结果。
进一步的，由于船舶碰撞事故要素种类众多，网络结构过于复杂。采用聚类的方法，将相关性较强的特征聚成一个个簇，每个簇内的元素特征都为相似特性，把簇视为抽象节点。将特征聚类得到的每个簇，完成类内多个特征到一个抽象特征值域的映射。将未聚类的特征与抽象特征合并，产生新的数据集。从而减少贝叶斯网络的节点，以降低建模的复杂度。
步骤103、基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据k2结构学习算法获得贝叶斯网络结构。
研究贝叶斯网络拓扑结构的确定方法。本实施例中由于数据样本信息完备，模型节点数目较多，因而在模型结构的学习中应用基于评分搜索的方法更为合适。在评分函数的选择上，选择精度和拟合效果更优的基于贝叶斯统计的bd评分函数。搜索策略选择上，选择常用高效的k2搜索算法来寻找最优的模型结构。首先，需要给定网络节点的排序。网络节点的排序反应的是节点变量之间相互依赖关系的一种度量排序。本实施例基于对变量间的相关性分析，结合专家建模经验来确定贝叶斯网络节点的排序。其次，依据相关的算法编写机器语言，借助机器工具进行网络结构的学习。借助matlab软件的贝叶斯网络工具箱，调用k2结构学习算法获得数据集的贝叶斯网络结构。
步骤104、根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络。
由于本实施例数据样本信息完备，选取贝叶斯参数学习方法来对网络的节点参数进行学习，其中节点变量的取值为参数先验分布。借助matlab软件编写相关的机器语言。将整理好的数据集导入，然后依据获得的贝叶斯网络的结构组成，输入相应先验信息如参数的先验分布，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布。将所得条件概率表赋予确定的贝叶斯网络拓扑结构，就完成了整个船舶碰撞事故的贝叶斯网络的建立。
步骤105、根据联合树推理的方法，借助matlab工具箱的联合树推理引擎，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型。
步骤106、以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。
本发明期望查询变量设置为事故等级，在给定其他变量的取值条件下，便可依据推理模型推算出事故后果的概率分布，即预测事故的后果。并从贝叶斯网络的学习精度、贝叶斯网络模型的预测准确度等层面来对构建的事故后果预测模型进行有效性验证。
贝叶斯网络是一种利用有向无环图描述变量间的关系和条件依赖程度的概率模型。构建一个完整的贝叶斯网络主要由三个方面组成：确定网络图中各节点；通过结构学习确定各节点间依赖关系，将网络节点形成一个有向无环图即确定网络拓扑结构；以及通过参数学习对节点间的依赖关联关系进行量化即确定各节点概率分布。然后，基于贝叶斯网络，通过合适的推理算法才能最终建立预测模型。因此，本发明的技术路线如图2所示。
船舶碰撞事故是一个复杂过程，若仅仅以专家知识手工建立网络结构，结果主观性太强。若单以历史数据来构建网络结构会相对死板，计算量巨大，很难得到有效的结果。因此，本发明采用专家知识与机器学习相结合的贝叶斯网络结构构建方法，在机器学习建模的过程中加入专家知识，共同来完成模型的贝叶斯网络的构建。在应用k2搜索算法进行贝叶斯网络结构的搜索学习前，需事先给定网络节点的排序。基于对变量间的相关性分析，结合专家建模经验来确定贝叶斯网络节点的排序。这一方法不仅能加快贝叶斯网络在机器学习中的效率，还能减少建模过程中发生错误的情况，从而提高模型的准确度。如图3所示，为本发明实施例提供的一种基于贝叶斯网络的船舶碰撞事故等级预测系统，其特征在于，包括数据输入单元201、节点处理单元202、拓扑确定单元203、概率分布确定单元204、模型构建单元205和预测单元206，其中，
所述数据输入单元201，用于获取水上交通事故调查报告，从中获取事故因素数据；
所述节点处理单元202，用于将所述事故因素数据按照联合分布特征进行初步离散化处理，将各影响因素与事故后果要素进行敏感度分析，合并各影响因素的部分离散化集合，得到离散化集合的结果，作为贝叶斯网络节点；
所述拓扑确定单元203，用于基于对变量间的相关性分析，结合专家建模经验确定所述贝叶斯网络节点的排序；编写机器语言，进行贝叶斯网络结构学习；根据k2结构学习算法获得贝叶斯网络结构；
所述概率分布确定单元204，用于根据所述贝叶斯网络结构，输入相应先验信息，运用贝叶斯参数学习算法，学习获得各网络节点的条件概率分布；将所得条件概率表赋予确定的贝叶斯网络拓扑结构，建立船舶碰撞事故的贝叶斯网络；
所述模型构建单元205，用于根据联合树推理的方法，根据所述船舶碰撞事故的贝叶斯网络构建出贝叶斯网络推理模型，得出船舶碰撞事故后果预测模型；
所述预测单元206，用于以船舶事故等级为查询变量，根据所述船舶碰撞事故后果预测模型推算出事故后果的概率分布。
进一步的，上述实施例还包括：
数据清洗单元207，用于采用聚类的方法，将所述贝叶斯网络节点中相关性较强的特征聚成一个个簇，每个簇内的元素特征都为相似特性，把簇视为抽象节点；
将特征聚类得到的每个簇，完成类内多个特征到一个抽象特征值域的映射。将未聚类的特征与抽象特征合并，产生新的数据集，作为聚类处理后的贝叶斯网络节点。
本发明各个实施例，通过构建船舶碰撞事故预测模型，实现对船舶碰撞事故的等级预测，从数据的角度出发，通过深度挖掘事故因素之间的联系，寻找事故因素之间的规律，代替主观性过强的专家知识法，实现船舶碰撞事故贝叶斯网络的建立。从方法的角度出发，基于贝叶斯网络构建船舶碰撞事故预测模型，解决船舶碰撞事故等级的预测问题，推动海事风险理论的发展。从应用的角度出发，研究成果可为会遇船舶航行指挥与应急决策提供科学依据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 还没有人留言评论。精彩留言会获得点赞！