[发明专利]通航风险预测方法、装置和存储介质

说明书

本发明公开了及一种通航风险预测方法、装置和存储介质，涉及海上交通技术领域。其中通航风险预测方法包括以下步骤：获取船舶航行期间的多源数据，并构建多个时序数据集；根据若干种船舶通航状态划分多个所述时序数据集；对划分后的所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；根据每一种所述船舶通航状态的时序数据集和所述混合模型参数通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；获取实时的多源数据，并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。能够结合通航时的多源数据，通过建立隐马尔科夫模型准确预测船舶的通航风险概率，减少海上交通事故的发生。

技术领域

本发明涉及海上交通技术领域，尤其涉及一种通航风险预测方法、装置和存储介质。

背景技术

水上交通运输是一个动态的、复杂的人机系统，水上交通事故是指船舶在水上因过错或意外造成的人身伤亡、财产损失或环境损害的事件。水上交通事故是由于人、机、环境、管理这些因素相互不协调产生的，事故的发生往往不可预测。随着经济社会的发展，航运行业扮演着越来越重要的地位，为经济发展作出了巨大的贡献。但是随着航运业的迅速发展，水上交通事故所造成的生命、财产的损失也越来越严重。水上交通事故事件涉及环节多，发生和演变机理复杂，风险演化过程具有高度的不确定性和连锁性，直接和次生灾害十分严重。应急决策者须在事件发生发展过程中，针对实时发生的关键情景做出合理的决策，其关键在于对船舶通航风险的预测。

发明内容

为了解决上述技术问题的至少之一，本发明提出一种通航风险预测方法、装置和存储介质，能够结合通航时的多源数据，通过建立隐马尔科夫模型准确预测船舶的通航风险概率，减少海上交通事故的发生。

第一方面，本发明实施例提供了一种通航风险预测方法，包括以下步骤：

获取船舶航行期间的多源数据，并构建多个时序数据集；

根据若干种船舶通航状态划分多个所述时序数据集；

对划分后的所述时序数据集进行分析得到每种船舶通航状态的混合模型参数；

根据每一种所述船舶通航状态的时序数据集和所述混合模型参数通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型；

获取实时的多源数据，并根据构建好的隐马尔科夫模型利用动态规划算法预测船舶航行的风险概率。

在一些实施例中，所述多源数据包括船员状态指标、船舶位置、船舶航行速度、船舶航向角、驾驶台监测数据、货物监测数据以及航区通航环境数据。

在一些实施例中，所述船舶通航状态的种类包括：碰撞状态、搁浅状态、触礁状态、触碰状态、火灾状态、溢油状态以及正常航行状态。

在一些实施例中，所述根据若干种船舶通航状态划分多个所述时序数据集中的时序划分原则为：按照固定时间间隔对所述时序数据集进行时空配准。

在一些实施例中，述对所述时序数据集进行分析得到每种船舶通航状态的混合模型参数包括以下步骤：

采用高斯混合模型根据每种所述船舶通航状态的特征分布分析所述时序数据集；

采用最大期望值算法开展训练，获得每种所述船舶通航状态的高斯混合模型参数。

在一些实施例中，所述采用每一种所述船舶通航状态的时序数据集通过非监督学习算法进行训练，获得对应所述船舶通航状态的隐马尔科夫模型包括以下步骤：

建立每一种所述船舶通航状态隐马尔科夫模型，其中隐马尔科夫模型表示为：

H＝{A,π,c_iq,μ_iq,∑iq}；