风险预测船舶遇到情况意识使用基于长期短期记忆的深度学习在实习单位的行为

文摘

遇到风险预测对船舶航行安全至关重要,特别是在拥挤的水域,船舶航行期间彼此非常接近各种遇到的情况。之前的研究在船舶碰撞的风险无法解决遇到的不确定性构成的动态过程时忽略了复杂运动的船遇到行为,这可能会严重影响风险预测性能。为了填补这一空缺,小说AIS数据驱动的方法提出了船遇到风险预测建模的实习行为模式。特别是,多维特征的实习行为从AIS中提取跟踪数据捕捉空间遇到船只之间的依赖关系。然后,风险预测的具有挑战性的任务是发现的复杂和不确定的实习行为之间的关系和未来的碰撞风险。为了解决这个问题,我们提出一个深度学习框架。代表遇到的时间动态过程,我们使用滑动窗口技术生成序列的行为特性。碰撞风险水平在未来的时间序列的类标签。然后,长期短期记忆网络,拥有强大的能力模型时间依赖和复杂的模式,扩展建立关系。我们的方法的好处是,它将风险预测的复杂问题转化为一个时间序列分类的任务,这使得碰撞风险预测可靠和容易实现。 Experiments were conducted on a set of naturalistic data from various encounter scenarios in the South Channel of the Yangtze River Estuary. The results show that the proposed data-driven approach can predict future collision risk with high accuracy and efficiency. The approach is expected to be applied for the early prediction of encountering ships and as decision support to improve navigation safety.

1。介绍

水上交通日益繁忙和航运业的迅速发展,近年来,导致风险增加个人和社会的各个方面,特别是船船碰撞事故。由于碰撞的频繁发生和严重后果,减少碰撞事故的研究从理论和实践的观点一直是导航专家和学者关心的主要话题。感知风险和预测会遇到这样的情况之间的船舶碰撞事故的预防至关重要,特别是在繁忙的交通领域,相互拥挤的船只航行相对较近(1]。

了解风险水平和采取行动来减少冲突的可能性发生在水域,无数的努力一直致力于船舶碰撞的风险分析和评估。一些关注风险调查在海事专家和碰撞的行为定性风险分析,主要通过实证研究。科恩et al。2)高度紧张的训练场景中使用由船舶模拟器生成测量心率的参与者评估碰撞风险。下巴和Debnath [3)研究了不同船舶类型的风险通过开发一项调查由新加坡港口飞行员两昼夜的条件下。然而,上述定性方法不考虑船舶导航数据,所以很难反映高度动态和连续船运动以及进化碰撞风险的趋势。

近年来,广泛应用的自动识别系统(AIS)水上交通控制和监测、AIS数据已经被证明是一个宝贵的源船舶行为监控和分析(4- - - - - -6]。AIS可以传递运动信息(如速度、课程等)之间的船只,从船到岸边,反之亦然。这使得它可以定量分析碰撞风险通过大规模的AIS数据。对峙et al。7)用AIS数据模型葡萄牙海岸附近的交通模式,在此基础上计算撞船事件发生的概率。一个相关的方法是通过基督教和康(8开发一个概率风险评估。此外,运动数据从AIS可以用来计算距离最近的点(DCPA)和最近会遇时间(TCPA),可量化的碰撞风险从时空方面,分别。安et al。9)定义的隶属度函数DCPA和TCPA基于仿真结果。防撞机动然后使用多层感知器神经网络获得。同样,黄等。10)设计了一个模糊避碰专家系统,同时DCPA和TCPA被认为。在他们的系统的帮助下,船只可以建议在正确的时间做出正确的动作,以避免碰撞。

然而,随着航海专家和一些研究发现,DCPA和TCPA并不完全反映实际的碰撞风险水平,并只使用这两个参数可能导致误判关于碰撞风险(11,12]。因此,使用多个参数建模的碰撞风险已逐渐被大多数研究者所采用。任等。13)提出了一个线性模型来评估船舶碰撞,考虑几个因素,如船舶类型,速度,和路线。对峙et al。14)估计,船只通过采样位置之间的距离,课程的数量和速度,基于不同碰撞候选人评估通过比较它与一个预定义的碰撞直径。Zhang et al。15)开发了一个船冲突排名运算符(VCRO)模型,考虑相对船的速度,课程的区别,两艘船之间的距离。然后,北部波罗的海AIS数据被用来评估风险的次死里逃生的碰撞,和结果表明,该模型对排名的遭遇来说是足够的。基于VCRO模型,Zhang et al。16)结合开放水域的密度的复杂性与多支VCRO模型来评估区域靠近弹碰撞风险。

船舶领域应该是一个可行的指标进行碰撞风险预测基于假设碰撞的风险是高当船舶领域入侵目标船。Szlapczynski [17)提出了一个新颖的方法来测量碰撞风险采用ellipse-shaped船的概念域。此外,Szlapczynski和Szlapczynska18)解决域违反问题,结合两个参数,即域违反的程度和时间,提供一个直观的评估碰撞风险。吴et al。19)也使用船舶领域违反规则研究船冲突的频率,分别考虑椭圆和圆域,一系列热点高碰撞风险Sabine-Neches水道被确定通过使用两个域类型。王(20.)提出了一种新颖的船舶领域模型称为模糊四元数船舶领域(FQSD)。域的大小是由四元数,包括远期,船尾,右舷,左舷半径。FQSD模型使用模糊边界(例如,船边界可以是线性或非线性以及薄或脂肪)评估碰撞风险,旨在提供一个合理的和可靠的评价方法。利用FQSD模型,et al。21]估计船域重叠的数量来评估碰撞风险在新加坡海峡,假设增加船域重叠表明船舶碰撞概率越高。然而,船舶领域的不确定性将严重影响预测性能。一些措施,如遇到船的长度和宽度,应该知道在计算船舶领域并不总是可用的。此外,大多数碰撞风险预测方法基于船域假设的速度和课程抽样的船目前是不变的22),不充分考虑接触过程的进化因素影响的风险。

之前的研究的主要局限在船舶碰撞的风险是,他们不能解决遇到的不确定性过程时忽略了复杂的动作构成遇到船舶的动态行为。因此,有必要将船只遇到彼此的时空行为(实习单位行为)进行风险预测更合理,因为实习行为将决定后续的风险状态在一定程度上与这艘船遇到的进化过程,但很少被认为是在先前的研究和实现。这个桥梁,我们提出一种新颖的AIS船遇到风险预测的数据驱动的方法建模的实习行为模式。总结了本研究的主要贡献如下:(我)的实习行为本质上是一个随机过程遇到任何船只的运动行为组成。这个原理后,提出了建模的实习行为,将AIS痕迹转换为一系列行为特征通过结合一组固定的参数,包括相对速度、课程的区别,以及三种方位和相对距离。这个时间序列结构、船舶遇到彼此的过程和相应的时空动态特征可以有效地。(2)正如前面讨论的,船舶碰撞往往导航器的行为密切相关。因此,实习行为之间的关系模型的新方法和碰撞风险参与准确地预测风险是必要的。应对这一挑战,我们相关的行为特征序列涉及未来风险级别指定的时间窗口。然后,他们之间的映射可以通过监督式学习的方法,建立风险预测的问题是由时间序列分类任务(23),使预测过程容易实现充分利用数据驱动建模与AIS的好处。受长期短期记忆的最近的成就(LSTM)网络文本分类等各种时间序列学习任务(24,25)和轨迹预测(26,27),我们之间的映射建模扩展他们的实习行为和碰撞风险。我们所知,我们是第一个通过LSTM网络的利用率来解决这个问题。(3)我们建议的方法,潜在的碰撞风险与不确定遇到的过程可以识别和确定处于初期阶段。因此,可以提供早期预警,这样船人员有足够的时间来应对突发事件和提前采取规避动作。此外,本研究的结果可以提供有用的支持操作员负责大型和拥挤的水域和鼓励特定场景下安全航行减少船舶碰撞的发病率。

本文的其余部分组织如下:首先,我们提供一个简要的描述风险预测的问题2。接下来,节3发展全面讨论AIS数据的提取以及构建行为特征的序列。这艘船遇到风险预测框架提出了部分4。最后,部分5致力于我们的数值结果的摘要和讨论模型的性能。

2。问题公式化

设计方法论的框架的目标是研究的关键问题(例如,船遇到风险预测)影响的实习行为。遇到船只的碰撞风险水平是由 。 分为五类根据风险级别从低到高,和类标签1,2,3,4,5代表如下:

我们表示这些风险水平如下:(我)低风险级别:风险情况开始出现,两艘船是免费的回旋余地。(2)Low-middle风险级别:船舶的情况接近彼此碰撞风险和让路船应该提前操作。(3)中等风险等级:情况不能保证安全的传递距离要是让路船完全演习。(iv)中高度风险级别:碰撞不可避免的情况要是让路船完全演习。(v)高风险水平:两艘船的情况应充分操作,以避免碰撞。

在这项研究中,碰撞风险可以定义为连续光谱的颜色,如图1。这个频谱范围从最安全的情况(碰撞的可能性接近于零)在遇到风险最高的情况(包括船舶需要采取规避措施避免碰撞)。碰撞风险指数(CRI) (28)是用来计算风险谱。在避碰方面,国际船来说是至关重要的官船遇到的风险评估以及执行一个逃避策略(29日]。

正如前面提到的,碰撞的风险可能是不确定和复杂行为的影响遇到船只。一艘船遇到本质上是一个动态的进化过程通常利用感知遇到船只的情况。遇到的演变过程是受特定动作的每个船以及成对交流船只之间的影响,因此这表明涉及的时空运动学的船只遇到的依赖和相关性。把碰撞风险预测和遇到的发展过程中,我们的目标是模型的行为特征序列之间的关系和未来的风险水平。一遇到一对,我们表示行为特性如下: 在哪里是一个 - - - - - -维变量组成的 ,在哪里代表采样点。 相对速度,当然不同,分别和两艘船之间的相对距离。 介绍了三种类型的方位角》(细节部分3)。如果时间窗口和滑步 ,然后整个跟踪可分为时间窗口。因此,一个遇到的过程由一系列行为特征可以新配方如下: 在哪里代表了观察窗的长度之前的时间 。本研究的目的是预测的风险级别船在未来的时间 ,所以我们需要匹配与和生成对样本数据集 。我们想要找到一个函数最好的模型之间的关系和 :

通过方程(5),风险预测的问题可以转化为一个时间序列分类的任务。混淆矩阵评估模型预测,旨在评估可预测性。方阵的大小代表了不同风险水平的分类。表1显示了混合矩阵和五个风险水平。如表所示1,每个混淆矩阵的对角元素代表正确的类别;例如,是低风险水平的比例,正确预测。代表 ,低风险水平的比例是错误地预测为中等风险水平。此外,错误分类错误率(MER)是用来估计模型的整体性能。MER可以通过比较预测的风险水平与实际风险水平如下: 在哪里窗户的数量。此外,10倍交叉验证方法是利用获得的最佳模式,已经验证明收益率估计,既不过于高偏差也不受过高方差(30.]。

3所示。数据准备和特征提取

在本节中,我们描述的过程,从最初的AIS跟踪数据中提取的行为特性,可有效描述导航活动和相应的时空动态。这个过程包括两个组成部分。首先,我们清理和整合的巨大数量的原始AIS数据,AIS数据将被纯化和选择成时间序列结构。然后通过时空登记,遇到船只的同步成对轨迹。接下来,我们将成对轨迹数据转换为一系列行为特征通过结合一组固定的参数。

3.1。数据准备

AIS是一个自动跟踪系统提高航行安全,避免碰撞事故通过提供各种船舶的导航信息。一般来说,这种导航信息在AIS信息大致分为动态或静态信息。动态信息包括船位置(经度和纬度),速度在地面(SOG),当然在地面(齿轮)、目的地和估计到达时间。静态信息包含船舶名称、船舶海上移动服务身份(MMSI)、船舶类型、船舶大小、当前时间和其他信息。随着AIS数据包含上述信息,它可以作为数据源理解交通情况(31日]。特别是,SOG,齿轮在遇到危险的情况下产生重大影响。许多现有的研究考虑SOG、齿轮在船舶碰撞风险评估32- - - - - -34]。然而,有一些错误在AIS数据,比如混乱的代码和数据不合理,可能导致判断失误的碰撞事故。因此,某些预处理方法是至关重要的,以确保可靠性和适用性的AIS数据更好地调查的碰撞风险。

3.1.1。数据清洗和轨迹插补

这部分旨在消除上述AIS数据中的错误。一个数学数据清洗方法。我们表示一个轨迹如下: 在哪里是轨迹采样点的数量。表示的四维向量 - - - - - -th采样点,它包含的位置信息和运动信息。与这一背景下,该方法过滤掉的离群值的统计数据分布统计信息。假设这些参数正态分布,分布可以确定样本的均值和方差计算。根据规则,可以消除数据中的异常点。以经度作为一个例子,公式(7)- (9)展示了如何消除异常值点。如果方程(10)是满意的,采样点被认为是一个异常值。需要被删除,取而代之的是空白的占位符。

因为AIS系统的广播频率和上述异常消除过程中,会有一些缺失的数据在不同的时间点。即采样点之间的时间间隔在一个轨道可能不相等。例如,点之间的时间间隔和点点之间可能不是一样的吗和点 。这部分的目的是形成一个连续时间序列以同样的频率使用插值方法。特别是不同的插值方法用于填空根据变量稀疏的轨道 。通过240年代初始窗口的长度,整个轨道可分为windows识别其稀疏。小的规模稀疏的数据(即。,the smaller the sampling frequency is).(1)如果 ,然后轨迹数据过于稀疏,甚至很难恢复丢失的信息通过插值法。在这种情况下,我们丢弃这些轨迹。(2)如果 ,然后轨迹数据稀疏的部分的时间窗口。因此,我们的窗口长度减少到120年代,保证数据的密度在短窗口。然后选择线性插值的短序列在每个窗口。(3)如果 ,这意味着数据的采样频率是相对一致的。等密度数据,埃尔米特三次插值达到更好的结果比线性插值。

该方法是用来插入不同的轨迹数据的稀疏的情况下,可获得一系列连续时间以同样的频率,频率是1 Hz。

3.1.2。成对轨迹选择

通过数据清洗和轨迹插补,好单一轨迹的数据集。预测在遇到碰撞风险情况,需要匹配的成对轨迹船对。匹配规则考虑了时间和空间的限制。具体来说,如图2,这些选择成对轨迹 在时间维度和十字路口应该接近彼此的空间维度。(1)如果 和 表示这艘船的时间间隔一个和船舶b分别,然后 。(2)如果 代表之间的相对距离两艘船,是距离阈值评估船舶之间的相遇。然后, 。

这些轨迹,可以选择上面的两个约束条件作为成对样本。此外,根据专家的经验和遇到的定义, 。

在交叉情况下,两艘船穿越涉及碰撞风险。一艘船来自的向左或向右方向其他船的船首,两艘船之间的相对方位来 。(我)正面情况:两艘船会议上倒数或近互惠的课程包括碰撞风险。一艘船看到其他领先或近未来,两艘船之间的相对方位来 。(2)超车的情况:两艘船航行在相同或几乎相同的课程包括碰撞风险。一艘船出现了另一艘船来 。

3.2。特征提取的实习行为

这部分旨在获得洞察动态接触过程通过使用一系列的行为特性。这些特性已经被合并的六个参数建立一个固定的时间窗口,包括相对速度,当然不同,相对距离和方位角》的三种类型。图中给出的坐标系统3建立了以剖析计算一组参数的建模船只遇到彼此之间的空间关系。如图3,重点表示自己的船的位置, , , ,和经度,纬度,SOG,齿轮的船。此外,点代表目标船的位置, , , ,和经度,纬度,SOG,目标船的齿轮。的相对速度表示 ,如下:

一个代表了课程之间的区别通过将自己的船和目标船和如下:

表示两艘船之间的相对距离,由合并估计包括一组参数 , ,和和地球半径来表示 ,如下:

和是真正的两艘船之间的方位,可以计算如下:

和分别表示相对方位角两艘船,定义如下:

因此,参数 被视为船遇到对的行为特征。

4所示。碰撞风险预测模型

在本节中,我们提出一个新颖的碰撞风险预测算法,它可以感知潜在风险处于初期阶段的当前行为映射到未来碰撞风险。为此,第一,当前遇到的风险水平是通过广泛使用CRI方法校准。然后深结构递归神经网络用于建立船舶当前的行为和未来之间的映射碰撞风险;风险预测的问题是由时间序列分类的任务。

4.1。碰撞风险校正

碰撞风险校正是一个用来计算过程遇到船对风险水平。应该注意的是,风险级别从标定获得只是一个基于当前形势评估。然而,本研究的目的是预测未来碰撞风险。因此,有必要建立当前行为之间的映射关系和风险水平一段时间后。是预测地平线,代表观察到的行为之间的时间间隔和预测风险。

在培训过程中,一个大组和将准备训练模型。在本节中,校准过程的风险水平将被描述。作为一个广泛应用的风险校正方式,国际用于警告引发碰撞的碰撞风险警报基于不同因素影响碰撞风险。特别是,考虑各种参数的校准过程,包括DCPA、TCPA,相对距离,和课程区别两艘船(35]。 在哪里表示船只遇到彼此之间的相对距离。和所需的最小安全距离和时间执行的规避动作;我们设置为0.5英里,10分钟,分别。此外, , ,和权重系数是根据海上能见度,船的长度和梁,水域的类型。根据(11),是一个乘数反映遇到的危险程度不同会遇到这样的情况。具体地说,关于课程所涉及的船舶之间的区别,会遇到这样的情况可以分为三个类别,每个乘数的对应值获得表2。此外,和DCPA和TCPA的放大系数,有些DCPA和TCPA的值成反比。给出了放大系数的计算公式如下:

显然,从上面的方程,中国国际广播电台是一个持续的价值。然而,连续CRI值并不直接显示船舶碰撞风险的紧迫性。换句话说,即使我们知道国际的价值,我们不能确定它所代表的危险水平。这里,我们应用不同的风险阶段船舶遇到国际划分为五个不同的风险级别:低(L)、low-middle (LM),中间(ML),中(MH)和高(H): 在哪里 , , ,和阈值需要确定分离不同的风险水平。我们可以确定他们通过分析中国国际广播电台的分布,这是计算从AIS数据遇到的船只参与。此外,它提出了国际的统计概率等于在每个遇到的阶段36]。在这个推理后,我们计算相应的所有样品通过使用方程(CRI值18)。所有CRI值排序并分为5个相等间隔根据频率。的端点我th区间阈值 。图4为每个风险水平显示了阈值选择,左边的图4说明了国际的累积概率在这些时间窗,和图的右侧4计数的数量每个接触阶段,相应的风险水平密切相关。因此,提供的五项风险阈值水平如下:(1)CRI值0.00和0.13之间的排名低风险水平。(2)CRI值0.13和0.20之间的排名low-middle风险水平。(3)CRI值0.20和0.28之间的排名中等风险水平。(4)CRI值0.28和0.45之间的排名中高度风险的水平。(5)CRI值大于0.45列为高风险水平。

上述的风险过程离散化后,风险水平在不同的时间是获得。正如前面所提到的,我们将匹配的行为序列与风险获取训练集。从机器学习的角度分类,是时间特性,是一个标签。因此,风险预测的问题转化为序列分类的问题。下一节将介绍本文使用的序列分类方法。

4.2。风险预测模型

与深度学习的快速发展、复发性神经网络(RNNs)近年来获得了巨大的成功(37)的序列分类。而一个RNN有能力充分利用历史信息的输入,很难管理造成的长期依赖快速失败的节点。作为一个高级RNNs LSTM网络解决这个问题通过修改内部RNN细胞结构。特别是LSTM包含一组内存块组成的一个或多个自相关记忆细胞和三个门,也就是说,输入,输出,和忘记盖茨。在这个结构后,内存块可以保留相关的历史信息(38]。此外,行为特征的序列被认为是一个典型的时间序列;因此,它遵循风险预测的问题可以被视为一个时间序列分类的任务。鉴于上述情况,合理预测认为LSTM网络可以提供宝贵的见解船只遇到彼此之间的碰撞风险。建模框架,了解行为特征及其关系的顺序与碰撞的风险。

在我们的实现中,我们假设行为特征的序列tth时间窗;此外,代表的风险级别配置文件 - - - - - -th时间窗计算的方程(18)。与遇到的演变过程,LSTM网络是用来学习之间的映射和 。图5显示了这种映射的建模框架;从图可以清楚地观察到5所涉及的行为特征序列的时间窗口有效相关的风险水平。因此,这艘船遇到风险预测是通过利用遇到数据集下三个遇到的情况。

5。实验结果和讨论

5.1。研究领域

南水路通道十字路口,一个重要的和繁忙的航运通道位于长江口,被选为研究区域。图6显示了电子海图的南方通道交叉水道。图6表明,大量的船只在这水道导致复杂的会遇到这样的情况。在这样一个水域密集交通流量,早期识别航行安全的危险是很重要的。在这项研究中,我们使用一个AIS数据集的1729艘船只在南方通道交叉水道07/01/2019 08/31/2019。随后,行为特征的序列是由确定的时间窗口和滑动的一步。在我们的实现中,我们设置不同的窗口长度为20、10年代;因此,有185208条记录的数据集。记录个人遇到的情况如表所示3。其中,159798条记录了培训风险预测模型,17760条记录被用来确定模型的最优参数,用于测试和剩下的记录。图7显示了风险等级分布测试数据,从而提供一个机会来推进我们的测试数据的知识。

5.2。参数在实验中

本节讨论的各种实验参数来找到最优的参数组合准确预测船遇到的风险。首先,我们比较不同预测地平线,40秒,30秒。它是合理的船舶人员有足够的时间来应对突发事件与这些预测的视野。为提高模型的准确性,采用网格搜索方法确定最优数量的隐藏层的学习速率LSTM交叉验证集。图所示8显示两个预测视野下的交叉验证结果。的情况下提前30秒,峰值的预测精度得到当隐层2和学习速率为0.1,和准确性是0.8712。提前40秒时,隐藏层的最优数量和学习速率应该3和0.00010,分别和相应的精度是0.8676。最后,LSTM单位个人隐层的数量是18,这是密切相关的6种类型的参数序列的行为特征。

5.3。实验结果

在本节中,我们评估的预测精度和鲁棒性在一个典型的场景三遇到情况(交叉、正面和超越)。特别是,数据9- - - - - -11显示一系列的地面实况对比风险水平和预测的结果在一个场景中,其中每个包含八子图。在上述过程中,地面真理和预测风险水平在这里指的是未来的风险级别对应于当前窗口。数据9(一个)- - - - - -11 (b)和9 (b)- - - - - -11 (b)显示预测的值在不同的空间分布预测视野,分别包括30秒和40秒。此外,数据9 (c)- - - - - -11 (c)现在真正的风险水平的空间分布来评估风险预测的准确性。此外,图9 (d)- - - - - -11 (d)和9 (e)- - - - - -11 (e)演示每个窗口的风险水平下两个预测的视野。它可以观察到,在水平线之上和之下的那部分才是真正的风险水平和预测的风险水平,分别。最后,学习在遇到风险的动态变化过程,我们把整个遇到过程分为五个阶段。数据9 (f)- - - - - -11 (f)和9 (g)- - - - - -11 (g)直方图显示预测风险水平下的每一个阶段的三个遇到的场景,和单个风险水平的比率是直观地呈现在图吗9 (h)- - - - - -11 (h),这是每个阶段的预测精度密切相关。以下三个典型的相遇场景进行了分析。

图9显示了预测结果的交叉情况并与实际值进行对比。如图9 (c),最初的碰撞的风险是在低风险水平,水平,并持续一段时间,直到船只参与遇到进入警戒区(区域红色虚线所示)。随后,碰撞风险逐渐上升到高风险水平,船只之一是在警告的中心地带,它开始的规避动作来实现安全的遭遇。此外,如图9(一个)和9 (b),两种模型预测的风险水平几乎是不一致的与真正的价值观开始。与遇到的演变过程,有一定的偏差。之后,所有的模型正确地预测风险,特别是当碰撞风险是在较高的风险水平。由此可见,有效的预测可以通过利用行为特征的序列。数据9 (d)- - - - - -9 (g)表明,该模型能够产生更多的优越的预测,而预测期限较短。然而,真值和预测值的变化趋势是相当一致的。如图9 (h),该模型取得了较高的预测精度。该方法能够预测碰撞风险交叉的情况下充分利用的时空行为参与遇到船只。

如图10 (c),最初的碰撞风险是在低风险水平以来,两船相距远。随着正面过程的发展,碰撞的风险逐渐增加。然而,由于船舶航行在各自的频道,他们两人需要防撞机动在这种情况下,尽管风险高水平一直保持在一段时间内。最终,碰撞的风险逐渐消失,因为两艘船通过对方(过去和清晰)。此外,风险水平的空间分布数据10 ()和10 (b)在图是一致的吗10 (c)。在这个例子中,似乎没有区别预测结果在40秒30秒的地平线和地平线。这可能是由于船舶运动状态不会改变过程中速度和方向保持,和碰撞风险的预测精度只有一个小的关系随着时间的推进。如数据所示10 (d)- - - - - -10 (g),它可以观察到,预测结果与实际的碰撞风险,从而证实了我们的方法的适用性正面的情况。特别是,准确预测高风险水平具有十分重要的意义,以避免潜在的冲突在拥挤的水域,因为危险遇到偶尔发生在这些高危区。因此,它需要额外的注意和谨慎之间在这些领域,以确保安全遇到船只。

超车的情况下,图11 (c)表明,碰撞风险一直不断地在一个较高的风险水平。这主要是因为之间的相对距离和课程两艘船很小,这使得潜在的碰撞事故更容易发生。不久,碰撞风险会逐步下降,而一艘船离开了预警区,标志着安全相遇两艘船。高的风险水平的风险分布在图11 (c)相当一致的数据吗(11日)和11 (b),这表明,风险预测模型对高风险高召回率情况。然而,对于其他风险水平,有一定的预测结果和真实值之间的偏差。最终,我们从图可以观察到11 (h)模型可以感知一个高风险从一开始,这意味着一旦形成超车的情况,有一个高风险的初级阶段。在这种情况下,船官可以额外的关注可能的碰撞风险根据预警模型。

评估模型的性能在所有测试集,总体预测精度的比较结果碰撞风险的两个预测视野如表所示4和5。从总体样本,这个模型可以预测准确的风险在不同的视野。识别风险的能力情况下可以有效地警告潜在碰撞的船舶人员,可以提供一个导航决策的基础。此外,用不同的视野,模型更准确的预测在不久的将来可能发生的碰撞风险比预测更远。在实际应用程序中,这个模型需要平衡预测精度和地平线长度之间的权衡。

6。结论

AIS数据驱动的方法导出了碰撞风险预测在船遇到的情况下通过学习实习单位的行为。认为实习行为之间的关系的方法和未来的碰撞风险,这有助于预测潜在的碰撞风险提前各种会遇到这样的情况。为了说明方法,实习行为从AIS痕迹变成一系列的行为特征通过结合一组固定的参数。然后,我们相关的行为特征序列参与一个指定的时间窗口风险水平在未来的时间;然后,通过一个RNN建立了它们之间的映射。此外,我们测试的方法在遇到情况下在南方通道交叉水道各种预测的视野。预测结果表明,该方法合理有效的能力,风险预测提前与船遇到的情况是一致的。特别是,该模型有一个杰出的识别风险的能力通过潜在的碰撞风险时的实习行为在一个较高的水平。这项研究提供了一个有价值的洞察碰撞风险预测的实习行为,和预计的方法应用到一个新的碰撞预警系统的实现。

数据可用性

已经确认这些数据声明中,作者并没有进一步修改。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金批准号。51679182和51679182下,绿色智能内陆船创新项目和基础研究基金下的中央大学授予2020 - yb - 035。

引用

1. y, y, l .黄y, p . Chen和j .备忘录”定量分析COLREG规则和航海技术的自主避碰在大海,”海洋工程卷,140年,第291 - 281页,2017年。视图:出版商的网站|谷歌学术搜索
2. 科恩,W.-P。边缘主义者,m·a . Neerincx”造型环境和认知因素来预测性能在紧张的训练场景军舰模拟器上,“认知、技术和工作,17卷,不。4、503 - 519年,2015页。视图:出版商的网站|谷歌学术搜索
3. h . c .下巴和a . k . Debnath建模感知碰撞风险在水港导航”安全科学卷,47号10日,1410 - 1416年,2009页。视图:出版商的网站|谷歌学术搜索
4. g·帕、m . Vespe和k·布莱恩,“船模式从AIS数据知识发现:一个框架,用于异常检测和路由预测,“熵,15卷,不。12日,第2245 - 2218页,2013年。视图:出版商的网站|谷歌学术搜索
5. a . Dobrkovic m . e . Iacob, j . van Hillegersberg“使用非监督机器学习海上航点发现从流媒体AIS数据”学报》第15届国际会议上技术和数据驱动业务知识ACM,格拉茨,奥地利,2015年10月。视图:谷歌学术搜索
6. 傅z, l . Ponnambalam x,和w·张,”海上交通概率预测基于船只的航道和运动行为模式,”IEEE智能交通系统,18卷,不。11日,第3134 - 3122页,2017年。视图:出版商的网站|谷歌学术搜索
7. p问题,特谢拉,c·古埃德·苏亚雷斯和t·桑托斯评估船舶碰撞使用AIS数据评估方法泰勒和弗朗西斯集团,伦敦,英国,2015年。
8. r .基督教和h . g .康“概率风险评估在海上乏燃料运输(第二部分:船舶碰撞概率),“可靠性工程和系统安全卷,164年,第149 - 136页,2017年。视图:出版商的网站|谷歌学术搜索
9. j·h·安、k . p . Rhee和y . j .你“船舶的避碰研究利用神经网络和模糊逻辑,“应用海洋研究37卷,第173 - 162页,2012年。视图:出版商的网站|谷歌学术搜索
10. c . n .黄j·m·杨,c . y .蒋介石“模糊避碰专家系统的设计实现H-autopilot,”海洋科学和技术杂志》上卷。9日,25-37,2001页。视图:谷歌学术搜索
11. j . m .备忘录,c . v . d。德,和h . Ligteringen“避碰研究在繁忙的水道通过AIS数据,”海洋工程,37卷,不。5 - 6,483 - 490年,2010页。视图:出版商的网站|谷歌学术搜索
12. w·张,f . Goerlandt j . Montewka, p . Kujala”附近的方法检测可能船从AIS数据碰撞,小姐”海洋工程卷。107年,60 - 69、2015页。视图:出版商的网站|谷歌学术搜索
13. y任,j .备忘录、问:燕和f·张,“船舶碰撞研究评估动态风险,”诉讼的第一个交通信息与安全国际会议(icti)武汉,页2751 - 2757年,中国,2012年4月。视图:谷歌学术搜索
14. p . a . m .对峙,a . p .特谢拉和c·g·苏亚雷斯”利用AIS数据描述海上交通模式和船舶碰撞风险葡萄牙海岸,”期刊导航,卷66,不。6,879 - 898年,2013页。视图:出版商的网站|谷歌学术搜索
15. w·张,f . Goerlandt, p . Kujala, y,“一个先进的检测方法可能附近船从AIS数据碰撞,小姐”海洋工程卷,124年,第156 - 141页,2016年。视图:出版商的网站|谷歌学术搜索
16. w·张,x, y, f, y, y王,“对一个模型的区域开放水域船次死里逃生的碰撞风险评估基于AIS数据,”期刊导航,卷72,不。6,1449 - 1468年,2019页。视图:出版商的网站|谷歌学术搜索
17. r . Szlapczynski”,一个统一的衡量碰撞风险来自船的概念域,“期刊导航卷,59号3、477 - 490年,2006页。视图:出版商的网站|谷歌学术搜索
18. r . Szlapczynski和j . Szlapczynska”域的撞船事件的分析参数,风险”海洋工程卷。126年,47-56,2016页。视图:出版商的网站|谷歌学术搜索
19. 吴x, a·l·梅塔v . a . Zaloom b . n .克雷格,”德克萨斯州东南部分析水路交通航道基于AIS数据,”海洋工程卷,121年,第209 - 196页,2016年。视图:出版商的网站|谷歌学术搜索
20. n .王”,一个智能空间碰撞风险基于四元数的船舶领域,“期刊导航,卷63,不。4、733 - 749年,2010页。视图:出版商的网站|谷歌学术搜索
21. 瞿x、问:孟和l . Suyi“新加坡海峡的船舶碰撞风险评估”事故分析和预防,43卷,不。6,2030 - 2036年,2011页。视图:出版商的网站|谷歌学术搜索
22. e .图g, l . Rachmawati e . Rajabally g . b .黄,“利用AIS数据智能海上导航:一个全面的调查数据方法,”IEEE智能交通系统,19卷,第1582 - 1559页,2017年。视图:谷歌学术搜索
23. a·g·a·Susto Cenedese, m . Terzi,“时间序列分类方法:回顾电力系统数据和应用程序,”大数据在电力系统中的应用爱思唯尔,页179 - 220年,阿姆斯特丹,荷兰,2018年。视图:谷歌学术搜索
24. a .坟墓”与复发性神经网络生成序列”,https://arxiv.org/abs/1308.0850。视图:谷歌学术搜索
25. a .坟墓和n . Jaitly”端到端与复发性神经网络语音识别,”机器学习的国际会议,第1772 - 1764页,北京,中国,2014年6月。视图:谷歌学术搜索
26. z Shi, m .徐问:潘,b .燕和h张“LSTM-based飞行轨迹预测,”《2018年国际神经网络(IJCNN)联合会议,IEEE,里约热内卢,巴西,2018年7月。视图:出版商的网站|谷歌学术搜索
27. l .太阳,z, s m .梅利亚m . Hanheide和t .从此之后,“3自由度行人轨迹预测从长期自主移动机器人部署数据”学报2018年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”IEEE,布里斯班,澳大利亚,2018年5月。视图:出版商的网站|谷歌学术搜索
28. l .帮派y, y太阳,l .周和m .张,“估计船舶碰撞风险指数基于支持向量机,”机械工程的发展,8卷,2016年。视图:出版商的网站|谷歌学术搜索
29. J.-B。严,D.-S。金,D.-J。公园,“建模感知碰撞风险在船遇到的情况下,“海洋工程卷,166年,第75 - 64页,2018年。视图:出版商的网站|谷歌学术搜索
30. t . Hastie r . Tibshirani和j·弗里德曼,统计学习的元素:数据挖掘、推理和预测施普林格科学与商业媒体,柏林,德国,2009年。
31. z, f·杨,李z, k . Liu和n .熊”挖掘通道从IoT-based大水深信息自动识别系统数据安全的航道导航”IEEE访问》第六卷,第75608 - 75598页,2018年。视图:出版商的网站|谷歌学术搜索
32. t·麦克达夫,“船舶碰撞的概率,海洋产业,9卷,1974年。视图:谷歌学术搜索
33. c . d . Chen戴、x Wan和j .备忘录”AIS-based嵌入式系统研究了船舶避碰,”《2015国际交通信息与安全会议(icti)IEEE,页512 - 517年,武汉,中国,2015年6月。视图:出版商的网站|谷歌学术搜索
34. f .金子,”船舶概率安全评估方法。”海洋科学和技术杂志》上,7卷,不。1,硕士论文,2002页。视图:出版商的网站|谷歌学术搜索
35. y Koldenhof、c·范德达克和c . Glansdorp”风险意识;一个模型计算船舶动态的风险,”《十三国际科技会议上海上交通工程,页112 - 119,马尔默,瑞典,2009年10月。视图:谷歌学术搜索
36. h . Yixiong y, h .梨纹et al .,“去年的研究转向点/ CRI依据MMG和船舶领域,“武汉科技大学学报:交通科学与工程,38卷,第1091 - 1088页,2014年。视图:谷歌学术搜索
37. worral Zyner,美国,和e . Nebot“复发性神经网络解决方案预测驾驶员意图没信号灯在交叉路口,“IEEE机器人与自动化信件,3卷,不。3、1759 - 1764年,2018页。视图:出版商的网站|谷歌学术搜索
38. j .赵y高,z呗,h . Wang和美国,“交通速度预测下临时堵塞:基于LSTM方法和北斗导航卫星系统的数据,”IEEE智能交通系统杂志,11卷,不。2、70 - 81年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020杰马等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。