分析多层次多目标重点避让优选模型的航道船舶碰撞危险度分析

(安徽交通职业技术学院航海系，安徽 合肥 230001)

0 引 言

船舶碰撞事故是水上交通事故中发生最为频繁、造成损失最严重的事故类型之一[1]。随着多层次多目标重点避让优选模型在不断的更新和发展，将其在航道船舶碰撞危险度分析中的应用，提高了航道船舶碰撞危险度分析的准确率[2-3]。以往根据数据精度的评估方法进行分析而且提出了航道船舶碰撞危险度分析，但是这个工作不能够根据多层次多目标重点避让优选模型数据开展，位置发现是主要的分析数据方法，需要根据多航道船舶的数据进行分析和探讨[4-5]。

本研究在多层次多目标重点避让优选模型下进行航道船舶碰撞危险度分析。通过选择与航道船舶航行风险密切相关的影响因子，结合驾驶员航行经验数据，利用多层次多目标重点避让优选模型得到各影响因子对航道船舶碰撞危险度的贡献度。此方法有利于提高分析的准确性和召回率，并且此方法具有较好的运行效率和扩展性。

1 航道船舶碰撞危险度分析

航道船舶碰撞危险度分析的主要思路为根据多层次多目标重点避让优选模型中航道船舶不相关的数据确保状态生成以及状态过滤，才能避免噪声影响以及交通海域拥堵所导致的影响，此方法可以提高多层次多目标重点避让优选模型的可靠性。

主要是使用Reduce编程框架进行设计，通常使用Reduce任务就可以实现，因为航道船舶的停留时间和情况联系很密切，为了获得分析数据，需要给航道船舶设定一定时间范围begin,end，这种框架Reduce的函数程序如下，

算法1：reduce函数

reducekey,values ‖key为航道船舶多层次多目标重点避让优选模型号,ualues为航道船舶的所有夜间连接记录。1. regionList=null;2. values记录要通过时间开展记录和排序工作,然后对给定范围内的交通物理对象进行分析;3.每个航道船舶和交通海域之间要进行联系,这样才能调用新的模块,即状态序列;4.要开展对深层的状态模块进行调用,这样才能获得正确的调用效果;5.要做好交通物理对象数量的处理工作,这样才能对相关的状态根据区域进行分组.;6.要充分地分析各个区域,如果区域g的状态数高于阀值freq那么这个区域就处于重要的位置;7.要对regionList调用相关的分析模块,找到航道船舶的重要位置以及有效时间。

航道船舶碰撞危险度分析法对于出现碰撞的区域进行搜索找到重要的区域位置，由于航道船舶的位置出现了多个，所以航道船舶的位置也会出现改变，航道船舶碰撞危险度分析法需要找到航道船舶的重要位置和航道船舶的位置变化状况，利用分析方法MLMTKAO进行的分析可以找到航道船舶碰撞的位置以及有效时间。

分析时间因素对航道船舶所处状态的影响可用以下模型：

(1)

(2)

同时，当航道船舶处于“归属”状态时，交通海域更靠近居住地，则“在家”的可能性越高，相应的工作也相同。因此，多层次多目标重点避让优选模型描述位置和状态的关系可用以下公式表达：

(3)

当前航道船舶的位置意味着航道船舶处于“ 工作“ 状态并且表示航道船舶的状态。确定航道船舶在某个时间点的状态可用以下公式表达：

(

4)

在lx≥1时，证明航道船舶在该时间点处于“在家”状态；否则，航道船舶处于“工作”状态。

2 实验与结果分析

获得的数据来源主要是上海海事局提供的交通数据，这个数据源有3211342个航道船舶，包括了2014年8月15日到2015年3月11日的期间多层次多目标重点避让优选模型上网的交通海域记录数据以及位置信息，数据空间的总量为1.6TB，驾驶员在拨打电话以及收发短信的时候都会出现访问日志，而且随机的对98搜航道船舶的数据进行了算法的准确性分析。

图1 不同网格粒度下的时间性能

图2 不同半径下的时间性能

算法的准确度评价主要是使用准确率(Precision)、召回率(Recall)进行分析，精度使用平均误差(mean_error)，如果算法获得的与正在行驶的航道船舶距离小于2000米，可以了解得知交通海域的分布密度不平衡，而且信号会出现拥堵的情况，两千米的值是比较合理的，认为获得了一个重要的信息位置，而找到的重要位置个数是P，实际的重要位置个试试为R，找到正确的位置个数是Q，于是有Precision=Q/P，Recall=Q/R，F1-measure=2×PRP+R。假设实际重要位置为l，算法找出的位置为f，则

(5)

其中，ed一般是l与f两个位置之间的欧式距离。

表1对MLMTKAO优化之后的性能进行了分析，以往算法网格长度以及交通海域的半径为500米，从图中了解到两种算法在进行修正之后性能得到的，这主要是因为工作地和航道船舶行驶的位置进行了更正，这表明找出的重要位置P数量在不断的缩小而且找到的正确位置数量(Q)也在增加，实际的位置数量不会发生改变，准确率和召回率也在不断提升，最后会导致F1不断增加，由于航道船舶的位置在相邻的住宅中得到了修改，所以位置一般

可以反映出实际状况，而且误差也在不断下降。

表1 优化措施的影响

表2 算法性能比较

表2列举的两种算法以及其他算法在数据中的准确情况，数据挖掘算法(Data mining algorithm，DMA)和研究的网络并行算法主要使用的相同的编程，不能够通过海事局获得的交通海域覆盖范围，而且交通海域的覆盖范围一般在500米，通过表1,2知道MLMTKAO与TIS两种算法在修正之后得到的实验结果一般比DMA与数据定位算法(Data location algorithm，DLA)要高，蜂窝网络算法(Cellular network algorithm，CNA)和文中说到的算法性能差距不大，而且精度也不会超过本研究说到的算法，DLA的算法性能不好，主要是因为算法需要进行航道船舶交通海域危险度分析操作，深刻地影响航道船舶的重要位置。DMA的效果很好，但是主要体现的重要的问题和现实情况，许多航道船舶在多层次多目标重点避让优选模型频繁使用的地区就是在这些剧，一般获得了比较高的算法精度。

为了更好的测量网格尺寸对MLMTKAO时间性能的重要作用，因为许多数据开展了不同的计算机性能测试，获得了结果如图1。根据图表知道，如果网格数据太小那么算法的使用时间就会延长，而且MLMTKAO的线性加速性也更好，都认为在不同交通海域的覆盖会有不同的算法时间性。根据图2可知半径越小那么效率就会增强，这和MLMTKAO获得的结果是不一样的，一般交通海域的覆盖面积增加，那么交通海域航道船舶碰撞危险度也会增加，导致了分析的输入数量也不断的增加，也会增加运行算法运行的时间，而MLMTKAO的网格边长增加的话网格的数量也会不断减少，运行的时间也会不断的缩短。

3 结 论

提出将多层次多目标重点避让优选模型用于航道船舶碰撞危险度分析，通过航道船舶的活动记录找到重要的区域然后进行分析，已获得的结果对航道船舶的重要位置进行分析，比较当前的工作来说，研究中多层次多目标重点避让优选模型所表现出的兼容性显示出该模型在研究船舶碰撞危险度领域良好的应用前景。

参考文献:

[1] Szlapczynski, R., & Szlapczynska, J. An analysis of domain-based Ship Collision risk parameters. Ocean Engineering, 2016,126:47-56.

[2] Dong, Y., & Dan, M. F. Probabilistic Ship Collision risk and Sustainability assessment considering risk attitudes. Structural Safety, 2015,53:75-84.

[3] Do, K. D. Synchronization motion tracking control of Multiple Underactuated Ships with Collision Avoidance. IEEE Transactions on Industrial Electronics, 2016,63(5):2976-2989.

[4] J. B?ocki, Dworzecka, M., Beck, F., & Feldmeier, H. Collective Degrees of freedom and one-body Dissipation in heavy ion Collisions ☆. Physics Letters B, 2016,99(1):13-16.

[5] Blankertz, R., Gathen, J. V. Z., & Ziegler, K. Compositions and Collisions at degree p 2 p 2 mathcontainer loading Mathjax. Journal of Symbolic Computation, 2013,59(6):113-145.