实时交通流条件下船舶航道航行风险预警模型

-精选财经经济类资料- -最新财经经济资料-感谢阅读- 1 实时交通流条件下船舶航道航行风 险预警模型 摘要：为提高航道内实时交通事 故预警精度，基于长江下游两个水道内 发生的交通事故数据和船舶检测器数据， 运用随机森林（Random Forest，RF ） 模型对事故发生前 20-40min 内的航道 状态初始数据进行重要变量筛选，根据 筛选出的 4 个最重要的变量结合高斯混 合模型和最大期望算法构建新的事故预 警贝叶斯网络（Bayesian Network，BN）模型，实例检验表明： 新的 BN 模型优于直接利用初始数据建 立的模型，事故预警正确率达到 81.29%； 可转移性测试中新的 BN 模型的事故预 警正确率虽有所降低，但整体预警正确 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 2 率和事故预警正确率仍高于利用初始数 据建立的模型；新的 BN 模型用于实时 船舶交通流航行风险预警是有效的. 中国论文网 /4/view-12760078.htm 关键词：航道；航行风险；预警； 随机森林模型；贝叶斯网络 中图分类号：U698 文献标志码：A 0 引言 航道内偶尔发生的船舶交通事故 不仅造成人员伤亡和财产重大损失，同 时溢油、漏油等还给环境治理带来难以 估计的经济损失，事故产生的主要原因 分为人、船、航道和环境等 4 个方面， 在这 4 个方面的综合作用下，航道内的 实时交通流不断发生变化.国内外关于船 舶交通流的研究较多，其中：吴中等根 据流体力学原理和船舶制动距离公式建 立 Anylogic 仿真模型，并分析水流对交 通流的影响以及交通流的基本特征；冯 宏祥等基于支持向量机理论，建立短期 的船舶交通量预测模型；金兴斌等通过 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 3 对均值处理过的数据进行拟合得到交通 流与船速的关系；杨星等根据内河船舶 相互影响的特性，基于航道作为通航服 务的资源，构建通航服务资源的内河交 通流模型，国内外的研究多集中在如何 构建交通流模型上，针对交通流与事故 风险的关系研究较少. 近年来，对实时交通流运行风险 预警的研究成为热点，研究方法是利用 有事故发生或无事故发生时的有关数据 和相应的检测器数据建立预警模型，以 判断发生交通事故的风险，代表性成果 有：OH 等运用非参数贝叶斯统计方法 对高速公路车辆实时运行风险进行预警； PANDE 运用逻辑回归和分类树二元分 类方法建立高速公路实时交通事故预警 模型，并对模型的可转移性进行测试； ZHENG 等一引基于日本的高速公路事 故数据构建实时的贝叶斯网络 （Bayesian Network，BN ）事故预警模 型；在对模型建立前的重要参数筛选研 究方面，CALVO 首先运用随机多项分 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 4 对数模型筛选重要参数，然后对事故风 险进行预警分类，分类结果好于未进行 重要参数识别的预警分类， 综上所述，目前对实时交通流运 行风险预警的研究集中在道路方面，研 究内容主要是预警模型的构建及选取， 其中 BN 模型预警效果最好，但却忽视 了在众多影响运行安全的因素中筛选重 要参数的研究.运用较多参数构建模型不 仅使计算复杂，而且易导致过拟合情况. 关于航道内实时船舶交通流航行风险预 警方面的研究成果较少，且航道内船舶 交通流航行风险由很多因素变量及其组 合组成，因此在构建预警模型时，有必 要先进行关键参数的重要度识别， 本文选择两处航道形态和环境参 数相近的水道，先运用随机森林 （Random Forest，RF）模型对影响航 道安全的重要参数进行筛选，运用筛选 后的变量构建模型，然后利用改进的 BN 模型对航道内实时船舶交通流风险 进行预警，并采用长江下游航道船舶检 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 5 测器（或 VTS）和海事局通航处信息中 心的事故数据，测试所建模型的可转移 性，以便将其用于其他航道内. 1 问题的描述 本文采用的航道内船舶交通流状 态由基本的状态数据（交通流密度、船 舶速度和航道占有率）及其组合的计算 结果表示，状态数据采集于交通事故发 生地点附近的船舶检测器.根据贾丰源等， 利用交通事故发生前 20-40min 内距离 事故发生地最近的两个船舶检测器（上、 下游各一个）的事故数据建立的 BN 模 型预警效果最好. 为比较真实地反映交通事故发生 时航道内的交通状况，每起事故的相关 信息只提取事故发生地附近的 4 个船舶 检测器（事故发生地上、下游各 2 个船 舶检测器）或 VTS 的数据.按照从上游 到下游的顺序分别为 4 个船舶检测器命 名为 N1，N2，N3 和 N4，具体分布见 图 1. 根据 4 个船舶检测器或 VTS 的 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 6 初始数据，可分别计算出距离事故发生 地最近的 2 个船舶检测器测得的交通流 密度、船舶速度和航道占有率的差值及 上下游的平均值.因此，模型的输入包括 3 部分变量：初始数据、各种变量的差 值和平均值.所有变量列于表 1.表 1 中： 数字 1-4 与船舶检测器 N1-N4 一一对应； Q（1） ，V（I）和 O（I ）分别表示船舶 检测器 N1 检测到的在事故发生前 20- 40min 内的交通流密度、船舶平均速度 及航道平均占有率；Q（13）表示船 舶检测器 N1 与 N3 的交通流密度差； Q（13）表示船舶检测器 N1 与 N2 的交 通流密度平均值；其他变量命名与上述 类似. 2 预警模型 2.1 RF 模型 由于用于模型构建的可选变量众 多（30 个） ，考虑到模型计算的复杂性 和模型过拟合的问题，在建模前需对可 选变量进行筛选，以便识别出对航道内 船舶交通流安全影响较大的变量，并以 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 7 这些变量作为模型的输入变量.RF 模型 是由 Breiman 在 2001 年提出的一种统 计学习方法，它是由很多分类回归树 （Classification And Regression Tree， CART）模型集成的组合分类模型，在 处理变量多重共线性和高维度数据方面 表现突出，能够很好地度量多达几千个 解释变量的作用，是最好的算法之一。 RF 模型的计算步骤如下. 步骤 1 从初始训练样本集 H=（xi，Yi）（i=1，2，n）中 采用自助法抽出 s 个样本组成一个新样 本集，记作 Hs 用 Hs 建立一个 CART. 步骤 2 在所建的 CART 的每个节点处 从全部变量 M 中随机地挑选出 m 个变 量（mM）进行 CART 节点分割. 步骤 3 重复以上两步骤 s 次，构 建一个 RF 模型， 步骤 4 计算每次生成的 CART 的袋外数据（Out-Of-Bag，OOB） HOOB，HOOB=H-Hs. 步骤 5 运用 CART 对 HOOB 进 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 8 行预警分类，并合计分类正确次数. 步骤 6 对每个自变量 i，先改变 HOOB 中的自变量值 xi，然后运用 xi 和 CART 对 HOOB 进行预警分类，并 合计分类正确次数， 步骤 7 根据步骤 5 和 6 合计分类 正确次数，计算 HOOB 中的 xi 改变后 分类正确率的下降值（误差）. 步骤 8 计算全部 s 个 CART 中 HOOB 中的 xi 改变后分类正确率的下 降值（误差） ，得到 xi 的重要度，误差 越大说明该变量越重要. 2.2 BN 模型构建 重要变量筛选出来后，根据所选 变量构建航道内实时船舶交通流航行风 险预警模型.由于航道内船舶航行安全具 有不确定性，而 BN 在不确定知识表达 和推理领域优势明显，近年来在交通事 故预警、流量预测等方面表现良好，同 时又由于航道内船舶交通状况的信息采 集可能存在缺失情况，而基于高斯混合 模型（Gaussian Mixture -精选财经经济类资料- -最新财经经济资料-感谢阅读- 9 Model，GMM）的最大期望 （Expectation Maximization，EM）算法 能够有效应对研究数据的缺失，因此本 文采用该算法来构建 BN 模型，对航道 内实时船舶航行风险进行预警，有关 BN 模型的构建方法详见张树奎等，这 里不再叙述， 研究表明，使用 MATLAB 实现 BN 分类器的构建是一种较好的方法.利 用基于 GMM 的 EM 算法学习和训练分 类器的结构和参数.构建分 3 步完成. 步骤 1 数据输入，将船舶交通流 数据、船舶交通事故数据及非事故数据 输入到 BN，并随机确定训练样本和测 试样本，两者数据比例为 1：1，用以保 证模型检验的可靠性， 步骤 2 分类器训练.利用训练样 本数据和 EM 算法训练并构建分类器， 步骤 3 分类器的应用，将已经构 建好的分类器的推断引擎和测试数据输 入到分类器，其输出就是测试样本属于 各类别的后验概率（见图 2）.为提高分 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 10 类结果的准确率，具体分类时可以根据 实际观察确定一个合适的安全阈值，如 果某后验概率大于安全阈值，则认为其 对应的测试样本是交通事故数据，反之， 则认为是非交通事故数据. 3 算例研究 3.1 数据获取 考虑到数据采集的可靠性和便利 性，选择长江南京河段的草鞋峡水道和 镇扬河段的丹徒水道作为研究航道，草 鞋峡水道采集的数据用于模型构建及预 警，而丹徒水道采集的数据用于模型的 可转移性测试，两个水道内平均约每 2km 放置一船舶检测器. 根据 PANDE 的研究成果，船舶 交通事故数据与非事故数据比例约为 1：10，既能够满足建模所需的数据量， 又能够基本反映航道内交通状态（交通 事故实际发生与否）.因此，在不同的船 舶交通条件下，随机采集草鞋峡水道和 丹徒水道 2013 年间非事故数据 750 余 起，其中草鞋峡水道 600 起条，丹徒水 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 11 道 150 起.船舶交通事故数据从 VTS 和 海事局通航处信息中心获取，由于每起 船舶交通事故的信息需要与相应的时间 和地点的船舶检测器信息一一对应起来， 所以获取大量的船舶交通事故数据非常 困难.经过对船舶检测器检测的数据和船 舶交通事故的质量控制和筛选后，目前 采用 2013 年 3 月到 10 月期间发生在草 鞋峡水道和丹徒水道中的 72 起船舶交 通事故数据，其中草鞋峡水道内 58 起， 丹徒水道内 14 起，每起事故的数据均 包含事故发生的时间、地点、事故类型 以及当时的天气状况等，具体事故类型 及事故数量见表 2. 3.2 模型检验 采用总体数据分类正确率、事故 数据分类正确率及非事故数据分类正确 率等 3 个评价标准来检验 BN 模型的有 效性，其中：事故数据分类正确率等于 分类正确的事故数据与总事故数据的比 值；非事故数据分类正确率等于分类正 确的非事故数据与总的非事故数据的比 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 12 值.由于事故发生的危害性较大，评价标 准优先考虑事故数据分类正确率. 为得到较优的分类模型，对每组 数据均测试 12 次，并求出每组数据分 类结果的平均值，根据平均值判断模型 的优劣. 3.3 模型结果 3.3.1 RF 模型计算 通过计算机编程，运用 MATLAB 实现 RF 模型的计算步骤.将 30 个变量输入到已经编好的 RF 计算程 序中，各变量的重要度计算结果见图 3. 图 3 中，纵坐标表示某变量改变后分类 正确率的下降值，此值表示该变量的重 要度. 前期研究结果表明，采用船舶交 通事故发生前 20-40min 内距离事故发 生地最近的 2 个船舶检测器测得的数据 所构建的 BN 模型预警效果最优.该模型 共选取 6 个变量.因此，本文选取的变量 应少于 6 个，以证明重要参数识别的作 用，经过对比分析，并综合考虑模型预 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 13 警正确率的要求，最终选取 V（34） ， 0（12） ，V（2）和 0（2）等 4 个重要 度最高的变量作为输入变量.这 4 个变量 分别表示交通故事故发生前 20-40min 内下游的船舶平均速度、上游的航道平 均占有率、船舶检测器 N2 所测船舶速 度和航道占有率. 3.3.2 BN 模型结果 基于草鞋峡水道内发生的 58 起 交通事故和 600 起非交通事故的相关数 据，对事故发生前 20-40min 内的航道 内船舶交通流状态数据经过重要变量筛 选后采用 BN 模型进行分类，并将分类 结果与前期研究结果比较，具体见表 3. 由表 3 可知，虽然前期研究中采 用事故发生地前后 2 个船舶检测器在事 故发生前 20-40min 内的检测数据所建 的 BN 模型在非事故数据分类正确率和 总体数据分类正确率两方面预警值较高， 同时在事故数据分类正确率方面也较好， 但是运用经过 RF 筛选后所选取的 4 个 重要变量构建的 BN 模型在同样条件下 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 14 预警效果更好，表现在不仅非事故数据 分类正确率和总体数据分类正确率有小 幅度提高，而且事故数据分类正确率更 是高达 81.29%.通过比较，说明经过 RF 筛选重要变量后所建立的 BN 模型不仅 复杂度降低，而且其预警效果更优， 3.3.3 BN 模型的可转移性测试 为比较筛选重要变量后建立的模 型与前期研究中只利用初始数据建立的 模型的通用性，对两种模型进行可转移 性测试，利用基于草鞋峡水道内的交通 数据建立的 BN 模型测试丹徒水道内的 交通数据，基于丹徒水道内的 14 起事 故数据和 150 起非事故数据，得到两种 模型的可转移性测