航道內實時船舶交通流航行風險主動評估

張樹奎，肖英杰，蘇文明

(1. 江蘇海事職業技術學院 航海學院，江蘇 南京 211170；2. 上海海事大學 商船學院，上海 201306)

航道內實時船舶交通流航行風險主動評估

張樹奎1，2，肖英杰2，蘇文明1

(1. 江蘇海事職業技術學院 航海學院，江蘇 南京 211170；2. 上海海事大學 商船學院，上海 201306)

為主動評估航道內實時交通流航行風險，并對交通事故狀態做出預警，利用高斯混合模型和最大期望算法構建了貝葉斯網絡?；陂L江草鞋峽水道內船舶檢測器數據和交通事故數據，學習和訓練貝葉斯網絡的結構和參數，構建了貝葉斯網絡分配器。分別對8組船舶交通流數據建立貝葉斯網絡分類模型，結果表明：采用交通事故發生前20～40 min內、且距離事故地點最近的2個船舶檢測器的數據構建的模型分類效果最優，正確率為78.13%。最后通過與BP神經網絡和K近鄰兩種估計算法比較，證明了BN模型預測效果更優，是一種較好的實時交通流航行風險評估方法。

交通工程；航道；交通事故；貝葉斯網絡；風險；主動評估

0 引 言

水路運輸作為一種最經濟、最環保的運輸方式，在綜合運輸體系中起到了非常重要的作用，港口航道是水路運輸的主骨架，作用不可替代。據統計，僅江蘇沿江港口2010年船舶貨運量就達到9.4億t，貨物吞吐量是密西西比河的2倍，萊茵河的3倍，已連續多年居世界內河貨運量首位。另一方面，航道內偶爾發生的船舶交通事故不僅造成人員傷亡和財產重大損失；同時，由于發生溢油、漏油等重大惡性事故，環境治理帶來的經濟損失難以估計。

國內外關于船舶交通事故的研究多基于歷史數據的回歸統計分析[1]，關注點在于事故發生后的判斷，而對事故發生前的航道內船舶交通狀態(船舶流量、船舶速度和航道占有率)和事故發生的相互關系研究較少。研究表明，船舶交通運行狀態與船舶事故風險存在著關聯關系[2]，特別是短期內的船舶交通流量變化對交通事故的發生影響較大。因此，針對實時交通流量航行風險的評估成為近年來研究熱點[3]，但成果較少，研究重點多集中在利用不同的數學建模方法來分析和預測航道內船舶交通事故的風險[4-5]。由于在數據采集的時間、地點及規模方面各不相同，且缺少同樣數據環境下的對比分析，研究結果有待進一步驗證。

筆者利用船舶交通事故數據和相對應的船舶交通量檢測器數據(或VTS監測數據)建立預測模型，用以預測航道內發生船舶交通事故的風險并判斷可能發生事故的交通條件。交通條件分為兩種：可能發生事故的交通條件和不會發生事故的交通條件。預測模型的輸入是交通事故發生前的航道內船舶交通狀況數據，預測模型的輸出是發生交通事故的風險，根據輸出結果判斷是否可能發生事故。通過事前主動預測，一方面可以通過VTS或巡邏船對有關船舶駕駛員進行預警，消除事故隱患，另一方面，對于航道管理部門優化救助方案等也具有重要的參考價值。

貝葉斯網絡在不確定知識表達和推理領域優勢明顯，是最有效的理論模型之一，廣泛應用于工程領域。近年來，該模型在交通事故分析、流量預測等方面表現出很好的效果[6-7]。筆者利用船舶交通量檢測器事故檢測數據和VTS事故監測數據以及事故營救后整理的數據，分析了航道內船舶航行狀態與事故潛在風險的關系。通過運用貝葉斯網絡模型對航道內實時船舶交通流航行風險進行預估，并與BP神經網絡和K近鄰兩種模型算法的結果進行了比較分析。

1 研究數據

筆者主要研究航道內船舶交通狀態(主要包括船舶交通流密度、船舶平均速度及航道平均占有率等)對交通事故風險的影響?？紤]到數據采集的可靠性和便利性，選擇長江南京河段的草鞋峽水道作為研究航道，草鞋峽水道全長11.7 km，平均約每2 km放置一個船舶檢測器。

船舶交通事故數據由VTS監控系統和海事局通航處信息中心獲取。由于每起船舶交通事故的信息需要與對應的時間和地點的船舶檢測信息一一對應起來，因此獲取大量的船舶交通事故數據非常困難。經過對船舶檢測器檢測數據和船舶交通事故的質量控制和篩選后，目前采用2013年3月—10月間草鞋峽水道中發生的58起船舶交通事故數據，每起事故的數據均包含事故發生的時間、地點、事故類型以及當時的天氣狀況等信息。

船舶交通流運行數據來源于船舶檢測器和VTS監控中心，數據每20 min采集一次，運行數據主要包括船舶交通流密度、短期內交通流密度的變化、船舶平均速度、速度變化率以及航道平均的時間占有率等。為了比較真實地反映交通事故發生時航道內的交通狀況，每起事故的相關信息只提取于事故發生地附近的4個船舶檢測器或VTS監控系統，船舶檢測器的分布如圖1。4個船舶檢測器根據需要分為2種組合，一種組合包括所有4個船舶檢測器(上游2、上游1、下游1、下游2)，另一種組合僅包括離事故發生地點最近的2個船舶檢測器(上游1、下游1)。

圖1 交通事故地點船舶檢測器分布Fig.1 Arrangement of ship detectors at traffic accident site

事故發生的前后時間分為5段，分別用1，2，3，4，5表示。劃分方法如下：時間段1表示事故發生后0～20 min；2表示事故發生前0～20 min，3表示事故發生前20～40 min；4表示事故發生前40～60 min；5表示事故發生前60～80 min。由于時間段1是事故發生后的時間，所以不能作為事故風險預估，只可作為事故檢測。另外，交管中心也需要一段時間來判斷事故將要發生并采取應對措施，所以，時間段2中的檢測數據建立的評價模型只具有參考價值，只有采用時間段3，4，5中的相關檢測數據建立的評估模型對主動安全預估才有實際意義。由于每起交通事故都對應4個船舶檢測器分別在4個時間段內檢測的數據，通過2種組合的船舶檢測器分別與4個時間段的組合，得到8組輸入數據，利用這8組數據分別進行建模，得到8個不同的模型，以ModelX-Y命名這些模型，X表示船舶檢測器數量，Y表示時間段。

因為對航道內船舶交通狀態進行分類為有可能會發生交通事故和可能不會發生交通事故兩種結果，因此，在收集發生交通事故條件下的航道檢測數據時，也要收集未發生交通事故情況下的航道檢測數據。根據A．Pande等[8]的研究成果，事故數據與非事故數據比例在1∶10附近時，既能夠滿足建模所需的數據量，又能夠基本反映交通事故實際發生與否的航道內交通狀態比例，所以，在不同的船舶交通條件下，隨機采集了未發生事故數據600余條。

2 貝葉斯網絡

貝葉斯網絡主要由兩部分組成：一個有向無環圖與一個條件概率表。有向無環圖表示一系列隨機變量的聯合概率分布，圖中每個節點代表一個隨機變量，有向邊代表變量間的條件依賴，其強弱由條件概率表體現；條件概率表中的值與有向無環圖中的節點一一對應。貝葉斯網絡能夠分析大的變量之間的相互關系，并根據貝葉斯定理的學習與統計推斷功能，實現數據的預測、分類、因果分析等采掘任務。

貝葉斯網絡的構建包括3個方面：利用變量和變量取值范圍描述所研究的領域；利用圖形的方式表達結構學習以及學習變量之間的依賴關系；用條件概率分布表表示參數變量之間的分布函數。經過上述3個過程的多次迭代、反復進行，最終建成一個貝葉斯網絡。

基于高斯混合模型(Gaussian Mixture Model，GMM)的最大期望(Expectation Maximization，EM)算法的優點是能夠有效應對研究數據的缺失[9]。由于航道內船舶交通狀況的信息采集可能存在缺失情況，因此筆者采用該算法來構建貝葉斯網絡，GMM用于描述輸入變量，EM算法用于參數學習。

2.1 高斯混合模型及最大期望算法

GMM采用多個高斯函數線性組合表示數據概率密度函數，在有效樣本充分條件下，GMM能模擬和任意逼近任何形狀的分布[10]。GMM由多個子高斯分布組成，子高斯分布幾何特征由其均值μi和協方差矩陣Ui決定。令M維矢量X={X1，X2，…，XM}來表示一組船舶交通量數據的不同變量，數據的概率分布由N個子高斯概率密度函數的線性組合近似模擬，其表達式為

(1)

對于H={Xi，μi，Ui}，有

(2)

為使GMM性能與樣本數據達到最佳擬合，需要對GMM進行訓練學習，以便獲得參數η。研究表明，參數估計的較好方法是最大似然估計，X={X1,X2,…,XM}對η的似然估計為

(3)

采用最大似然估計，目的是發現一組新參數η*，使其滿足p(X|η*)≥p(X|η)。通過EM算法可以求得η*。為得到η*，需引入輔助函數：

(4)

(5)

表示每個子高斯分布的后驗概率。在求解η*過程中，如果滿足條件G(η,η*)≥G(η,η)，則有p(X|η*)≥p(X|η)，最后求得估計參數如下：

(6)

(7)

(8)

參數學習過程分兩步：利用目前參數和網絡結構計算各子高斯分布的期望后驗概率；基于第一步的期望值，計算新的最大參數分布η*，用新的參數代替原有參數，重復上述步驟，直到所估計的參數達到局部最優。

2.2 貝葉斯網絡分類器的構建

研究表明：使用MATLAB實現貝葉斯網絡分類器的構建是一種較好的方法[11]，構建分3步完成。

第一步：數據輸入。將船舶交通流數據、交通事故數據及非事故數據輸入到貝葉斯網絡，并隨機確定訓練樣本和測試樣本，兩者數據比例為1∶1，用以保證模型檢驗的可靠性。

第二步：分類器訓練。利用訓練樣本數據和EM算法訓練并構建分類器。

第三步：分類器的應用。將已經構建好的分類器的推斷引擎和測試數據輸入到分類器，其輸出就是測試樣本屬于各類別的后驗概率。為提高分類結果的準確率，具體分類時，可以根據實際觀察確定一個合適的安全閥值，如果某后驗概率大于安全閥值，則認為其對應的測試樣本是交通事故數據，反之，則認為是非交通事故數據。

2.3 模型檢驗

由于交通事故數據較少，非交通事故數據較多(兩者比例接近1∶10)，因此不能采用整體數據分類正確率來判斷模型的優劣，這是因為即使模型把整個數據都分類成非交通事故，其正確率可達90%。所以筆者采用整體數據分類正確率、交通事故數據分類正確率以及非交通事故數據分類正確率3個評價標準來檢驗貝葉斯網絡的有效性。其中交通事故數據分類正確率等于分類正確的交通事故數據與總交通事故數據的比值，非交通事故數據分類正確率等于分類正確的非交通事故數據與總的非交通事故數據的比值。由于交通事故發生的危害性較大，因此評價標準優先考慮交通事故數據分類正確率。

為了得到較優的分類模型，筆者在對8組相關數據分別建模時，對每組數據均測試12次，并求得各組數據分類結果的平均值和標準差，根據平均值和標準差來判斷模型的優劣。

3 模型分類結果

將草鞋峽水道內發生的58條交通事故和600條非交通事故數據分成8類交通流量組合，對這8類組合分別構建貝葉斯網絡模型并分類，分類結果如表1。

表1 8組數據組合下的分類結果Table 1 Classification of 8 group data in different combinations

從表1可以看出，分類器對交通事故的分類正確率較為理想，最高正確率達到81.24%，平均正確率也超過71%。從不同模型分類結果看，模型Modelt2-1和模型Model2-2分類正確率高于其它模型，表現為其分類正確率分別達到81.24%和78.13%。由于模型Model2-1的數據是時間段1內發生的，不具有實際利用價值，所以模型Model2-2的交通事故分類正確率結果最優。即建立最優的貝葉斯網絡模型所采用的數據應來自時間段3即交通事故發生前20～40 min內、而且是距離交通事故地點最近的兩個船舶檢測器。與此同時，分類器的非交通事故正確率和整體正確率也都比較高，說明所建模型科學合理，具有一定的使用價值。通過對表1中的數據進行比較，可以看出，就分類效果而言，貝葉斯網絡分類器對交通事故的分類采用2個船舶檢測器的數據比采用4個的要好，而對非交通事故和整體分類采用2個或4個區別不明顯。由于交通事故分類的正確率更具有研究意義，所以模型Model2-2為最優模型。

需要指出的是，由于判斷交通事故是否發生需要首先確定一個合適的安全閥值。為得到此閥值，筆者對貝葉斯網絡模型的數據結果進行了敏感性分析。結果表明安全閥值越大，非交通事故分類正確率就越高，而交通事故分類正確率就越低。當安全閥值大于0.09時，交通事故數據分類正確率開始有明顯降幅，而非交通事故分類正確率增幅仍不明顯，因此，分類器設置的安全閥值是0.09。

4 與其它模型分類結果比較

為進一步驗證貝葉斯網絡分類模型的有效性，筆者選取目前常用的分類算法進行比較。常用算法主要有BP神經網絡和K近鄰兩種，它們已經被廣泛應用于交通流量與交通事故的預測研究之中[12]。

運用BP神經網絡和K近鄰對第2節中的數據進行分類，并將分類結果與貝葉斯網絡的分類結果進行比較，見表2。為方便讀取3者結果的差別，表3中只給出了分類結果最優的4組模型組合。

表2 3種算法的結果比較Table 2 Comparison of results by three calculation methods

由表2可知，貝葉斯網絡分類器對交通事故分類的正確率明顯高于BP神經網絡算法和K近鄰。由于交通事故數據和非交通事故數據量的不平衡，加之樣本總量較少，使得BP神經網絡K近鄰在樣本學習方面不充分，無法發揮其優勢，因而獲得的分類正確率偏低，而貝葉斯網絡在這方面有相對優勢。

5 結 論

筆者旨在探究航道內實時船舶交通流量數據與交通事故的關系，并根據實時船舶檢測器數據進行事故風險動態預估，從而實現通航安全管理的主動性，為改善航道通航安全提供一種新的理論方法，結論主要有：

1)利用GMM的EM算法，構建了貝葉斯網絡模型，運用該模型對不同船舶檢測器和時間段組合的8組數據進行分類，結果表明采用交通事故發生前20～40 min內、且距離事故地點最近的2個船舶檢測器的數據構建的貝葉斯網絡分類效果最優，其交通事故預測正確率達到78.13%。

2)運用BP神經網絡算法和K近鄰對同樣數據進行分類，并與貝葉斯網絡分類結果比較，結果表明貝葉斯網絡對交通事故預測的正確率高于BPNN和KNN，但對非交通事故預測的正確率卻低于二者。

[1] 王寶闊.船舶交通事故量灰色預測應用研究[J].中國航海,2011,34(1):59-62. WANG Baokuo.Applied research of grey prediction for marine traffic accidents[J].NavigationofChina, 2011,34(1):59-62.

[2] 黃常海,高德毅,胡甚平,等.基于Aprior算法的船舶交通事故關聯規則分析[J].上海海事大學學報,2014,35(3):18-22. HUANG Changhai,GAO Deyi,HU Shenping,et al.Association rule analysis of vessel traffic accidents based on Apriori algorithm[J].JournalofShanghaiMaritimeUniversity,2014,35(3):18-22.

[3] OH C,OH Jun-seok,RITCHIE S G,et al.Real-time estimation of freeway accident likelihood[C]// 80thAnnualMeetingofTransportationonIntelligentTransportationSystem.Washingtong,D.C.:2011:262-276.

[4] PARK E S,LORD D.Multivariate poisson-lognormal models for jointly modeling crash frequency by severity[J].TransportationResearchRecord:JournaloftheTransportationResearchBoard,2007,2019:1-6.

[5] 方琴,李永前.K近鄰短期交通流預測[J].重慶交通大學學報(自然科學版),2012,31(4):828-831. FANG Qin,LI Yongqian.OnK-nearest neighbor short-term traffic flow prediction[J].JournalofChongqingJiaotongUniversity(NaturalScience),2012,31(4):828-831.

[7] SUN Shiliang,ZHANG Changshui,YU Guoqiang.A bayesian network approach to traffic flow forecasting[J].IntelligentTransportationSystem,2006,7(1):124-130.

[8] PANDE A,ABDEL-ATY M.Assessment of freeway traffic parameters leading to lane change related collisions[J].AccidentAnalysisandPrevention,2006,38(5):936-948.

[9] 孫劍,孫杰.城市快速路實時交通流運行安全主動風險評估[J].同濟大學學報(自然科學版),2014,42(6):873-879. SUN Jian,SUN Jie.Proactive assessment of real-time traffic flow accident risk on urban expressway [J].JournalofTongjiUniversity(NaturalScience),2014,42(6):873-879.

[10] 楊文浩,費曉昕,張緒進.北江白石窯水利樞紐上游引航道布置及通航條件研究[J].重慶交通大學學報(自然科學版),2014,33(1):70-74. YANG Wenhao,FEI Xiaoxin,ZHANG Xujin.Layout of upstream approach channel and navigation condition for Beishiyao water conservancy in Beijiang River[J].JournalofChongqingJiaotongUniversity(NaturalScience),2014,33(1):70-74.

[11] SCHUBERT M,NIELS P H,ARILD R,et al.Risk assessment of road tunnels using Bayesian networks[J].SocialandBehavioralSciences,2002,124(4):231-238.

[12] ZHENG Weizhong,LEE D H,SHI Qixin.Short-term freeway traffic flow prediction:Bayesian combined neural network approach[J].JournalofTransportationEngineering,2006,132(2):114-121.

Proactive Evaluation on Sailing Risk of Real-time Ship Traffic in Waterway

ZHANG Shukui1,2,XIAO Yingjie2, SU Wenming1

(1. Navigational College, Jiangsu Maritime Institute, Nanjing 211170, Jiangsu, P. R. China；2. Merchant College, Shanghai Maritime University, Shanghai 201306, P. R. China)

：In order to assess sailing risk of real-time ship traffic in waterway and give early warning of accident, the Bayesian network was built by using Gaussian mixture model and maximum expectation algorithm. Through our study and training about Bayesian network structure and parameters and based on the data from ship detectors and the record of traffic accident occurred in Caoxiexia waterway of Yangtze River, BN distributor was established. BN classification models in relation to 8 group data of ship traffic flow were set up respectively. Results show that the model using data taken from the two ship detectors closest to traffic scene within 20 to 40 minutes just before occurrence of accident generates optimum prediction results with accuracy up to 78.13%.The result of comparison among BN, BP neural network and K close neighbor proves that BN prediction model generates a more accurate prediction result and is thus a good method of risk evaluation of sailing ships in real-time.

traffic engineering; waterway; traffic accident; Bayesian network; risk; proactive evaluation

10.3969/j.issn.1674-0696.2016.02.31

2015-01-16；

2015-03-04

交通運輸職業教育科研項目(2013A03)；中國交通教育研究會課題(20140233)

張樹奎 (1973—), 男, 安徽阜陽人，副教授，博士，主要從事港口、海岸與近海工程方面的研究。E-mail: zhangshkfy@163.com。

U695.2

A

1674-0696(2016)02-151-05