[發明專利]一種基于數據挖掘的船舶碰撞風險評估方法及系統

有效

• 申請號: 201710051171.0
• 申請日: 2017-01-23
• 公開（公告）號: CN106844663B
• 公開（公告）日: 2020-01-17
• 發明（設計）人: 王彥富;孫小斐;秦桃;李彪
• 申請（專利權）人: 中國石油大學(華東)
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06Q10/06;G06Q10/04;G06Q10/08
• 代理公司: 37221 濟南圣達知識產權代理有限公司
• 代理人: 張勇

1.一種基于數據挖掘的船舶碰撞風險評估方法，其特征在于，包括以下步驟：

根據船舶碰撞歷史數據，計算歷史碰撞概率，其中，所述船舶碰撞歷史數據包括事故致因因素、船舶屬性、船舶流量、碰撞次數、歷史受傷人數和歷史死亡人數以及歷史財產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、船舶和設備因素、環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、使用時間、配員數、行駛速度、船舶類型、船舶尺寸、碰撞夾角和碰撞位置的一種或多種的組合；

根據所述船舶碰撞歷史數據和歷史碰撞概率，根據累積式自回歸移動平均模型，預測每一事故致因因素的發生次數；

對船舶碰撞歷史數據中的事故致因因素進行主成分分析，并優先提取貢獻度大的主成分；

根據主成分分析的結果對事故致因因素進行降維計算，并將降維計算的結果作為第一神經網絡的輸入，輸出碰撞概率的預測值；

對船舶屬性進行等級劃分，采用事故序列的方法尋找頻繁項集，通過決策樹分析，尋找置信度高的事故序列，對頻繁發生且置信度高的事故序列的所有情況進行排列組合；

將船舶屬性作為第二神經網絡模型的輸入層，將決策樹分析得到的排列組合后的事故序列輸入到所述第二神經網絡模型，計算得到對應的碰撞后果；

根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險；

所述碰撞后果包括受傷人數、死亡人數和財產損失；

根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險之前，還包括：

對所述碰撞后果進行標準化和歸一化處理，用于消除量級和量綱的影響；

通過專家系統和模糊層次分析方法，確定碰撞后果中受傷人數、死亡人數和財產損失的權重；

根據處理后的碰撞后果，以及受傷人數、死亡人數和財產損失的權重，計算得到新的碰撞后果；

根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險，包括：

將碰撞概率的預測值和所述新的碰撞后果進行乘積運算，得到所述船舶碰撞風險；

通過專家系統和模糊層次分析法，確定碰撞后果中受傷人數、死亡人數和財產損失的權重，包括：

采用專家系統確定受傷人數、死亡人數和財產損失的相對重要度，分別對其進行模糊化，得到專家打分矩陣；

對專家打分矩陣求平均值，得到模糊因素判斷矩陣；

使用Buckley方法計算模糊權重矩陣；

去模糊化得到受傷人數、死亡人數和財產損失的權重。

2.根據權利要求1所述的基于數據挖掘的船舶碰撞風險評估方法，其特征在于，所述對船舶碰撞歷史數據中的事故致因因素進行主成分分析，并優先提取貢獻率大的主成分，包括：

對船舶碰撞歷史數據中的所有事故致因因素采用主成分分析方法進行簡化降維；

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

3.根據權利要求1所述的基于數據挖掘的船舶碰撞風險評估方法，其特征在于，根據主成分分析的結果對預測的事故致因因素進行降維計算，并將降維計算的結果作為第一神經網絡的輸入，得到碰撞概率的預測值，包括：

第一神經網絡模型結構包括輸入層、隱藏層和輸出層；

將提取出的主成分作為第一神經網絡輸入層的參數，將碰撞概率作為輸出層的參數，根據主成分分析的結果，對預測的事故致因因素采用主成分分析法進行降維計算，將計算得到的主成分作為第一神經網絡的輸入，根據輸入輸出模型、作用函數模型、誤差計算模型和自學習模型，計算得到碰撞概率的預測值。

4.根據權利要求1所述的基于數據挖掘的船舶碰撞風險評估方法，其特征在于，對所述碰撞后果進行無量綱化，包括：

根據特別重大事故受傷人數下限、特別重大事故死亡人數下限和經濟損失下限，分別對受傷人數、死亡人數和財產損失進行標準化和歸一化處理，消除量級和量綱的影響。

5.一種基于數據挖掘的船舶碰撞風險評估系統，其特征在于，包括：

統計模塊，用于根據碰撞歷史數據，計算歷史碰撞概率，其中，所述船舶碰撞歷史數據包括事故致因因素、船舶屬性、船舶流量、碰撞次數、歷史受傷人數、歷史死亡人數以及歷史財產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、船舶和設備因素、環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、使用時間、配員數、行駛速度、船舶類型、船舶尺寸、碰撞夾角和碰撞位置的一種或多種的組合；

預測模塊，用于根據所述船舶碰撞歷史數據和歷史碰撞概率，根據累積式自回歸移動平均模型，預測每一事故致因因素的發生次數；

主成分分析模塊，用于對船舶碰撞歷史數據中的事故致因因素進行主成分分析，并優先提取貢獻度大的主成分；

概率計算模塊，用于根據主成分分析的結果對事故致因因素進行降維計算，并將降維計算的結果作為第一神經網絡的輸入，得到碰撞概率的預測值；

組合模塊，用于對船舶屬性進行等級劃分，采用事故序列的方法尋找頻繁項集，通過決策樹分析，尋找置信度高的事故序列，對頻繁發生且置信度高的事故序列的所有情況進行排列組合；

后果計算模塊，用于將船舶屬性作為第二神經網絡模型的輸入層，將決策樹分析得到的排列組合后的事故序列輸入到所述第二神經網絡模型，計算得到對應的碰撞后果；

風險評估模塊，用于根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險；

所述碰撞后果包括受傷人數、死亡人數和財產損失；

根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險之前，還包括：

對所述碰撞后果進行標準化和歸一化處理，用于消除量級和量綱的影響；

通過專家系統和模糊層次分析方法，確定碰撞后果中受傷人數、死亡人數和財產損失的權重；

根據處理后的碰撞后果，以及受傷人數、死亡人數和財產損失的權重，計算得到新的碰撞后果；

根據碰撞概率的預測值和所述碰撞后果，計算得到船舶碰撞風險，包括：

將碰撞概率的預測值和所述新的碰撞后果進行乘積運算，得到所述船舶碰撞風險；

通過專家系統和模糊層次分析法，確定碰撞后果中受傷人數、死亡人數和財產損失的權重，包括：

采用專家系統確定受傷人數、死亡人數和財產損失的相對重要度，分別對其進行模糊化，得到專家打分矩陣；

對專家打分矩陣求平均值，得到模糊因素判斷矩陣；

使用Buckley方法計算模糊權重矩陣；

去模糊化得到受傷人數、死亡人數和財產損失的權重。