一种基于多源数据融合的智能航行安全管理方法及系统与流程

本发明涉及船舶航行监管，更具体的，涉及一种基于多源数据融合的智能航行安全管理方法及系统。

背景技术：

1、航海运输是确保国际贸易和全球经济繁荣的重要运输方式之一，随着经济快速发展、贸易额显著增长，水运因为成本的优势受到越来越多人们的关注。但是在复杂水域航行过程中，小目标船舶众多，船员往往因疏忽或者缺乏经验导致瞭望不全面，信息掌握不及时导致航行事故发生，对航运公司日常工作造成巨大安全隐患。

2、传统航行感知手段包含人工瞭望、ais 以及海事雷达。雷达在恶劣海况、狭窄航道和繁忙水域受盲区、岸线干扰等影响，近距离感知可靠性不高，容易出现误报和漏报的情形。而ais的识别率偏低，根据职能监管部门介绍，繁忙水域有约20-25%的船舶ais 信息无法被接收到。因此这两个传统感知手段识别率不高，给航行安全带来了极大的隐患。单一传感器在恶劣条件下采集的信息存在一定的局限性，同时航行过程中也需要感知来自水下的危险来源，如浅滩、暗礁等。这就需要采用多源信息融合技术。通过融合视觉感知、雷达、ais和海图等信息的多源感知融合技术，可以大幅提高识别率，解决复杂水域和复杂场景的目标识别率不足的问题。因此，如何克服多源数据的冗余提取有用的感知数据，并通过数据融合判断态势情况实现安全高效的航行管理是需要解决的问题。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种基于多源数据融合的智能航行安全管理方法及系统。

2、本发明第一方面提供了一种基于多源数据融合的智能航行安全管理方法，包括：

3、获取目标船舶在当前水域的多源感知数据，对所述多源感知数据进行预处理，将预处理后的多源感知数据结合目标船舶自身航行数据获取与航行事故的关联程度；

4、根据所述关联程度获取当前水域的潜在危险因素，利用所述潜在危险因素将多源感知数据进行精简，并构建航行场景利用精简后多源感知数据进行数据填充；

5、根据航迹数据获取与目标船舶存在关联的协同船舶，根据协同感知获取协同船舶的共享数据，利用共享数据对航行场景进行更新；

6、构建航行安全预测模型，利用更新后的潜在危险因素获取目标船舶当前航线的事故预测结果，利用所述事故预测结果对目标船舶的航线进行修正。

7、本方案中，将预处理后的多源感知数据结合目标船舶自身航行数据获取与航行事故的关联程度，具体为：

8、获取当前水域的红外视觉数据、ais数据、雷达数据、水文气象数据及海图数据作为多源感知数据，将所述多源感知数据进行数据降噪及数据清洗预处理，剔除异常多源感知数据；

9、利用大数据获取各类船舶航行事故调查报告，提取航行事故对应的船舶自身因素及环境因素，并获取航行事故的主要致因，将所述航行事故根据主要致因进行聚类，获取不同致因下的航行事故子集；

10、在所述航行事故子集中将主要致因作为主成分方向进行投影，获取事故因素散点分布，根据所述事故因素散点分布获取各事故因素与主成分因素的欧式距离；

11、筛选符合预设距离标准的事故因素，对不同航行事故子集对应事故因素散点分布进行更新，将更新后的各事故因素散点分布导入同一低维向量空间，将重复的事故因素进行精简，根据精简后的事故因素获取航行事故指标，并确定各航行事故指标的参考数据；

12、获取目标船舶自身航行数据与预处理后的多源感知数据结合，根据所述航行事故指标进行数据采样，构建指标参数矩阵，计算所述指标参数矩阵相对于参考数据的参数差值矩阵；

13、对所述参数差值矩阵进行主成分分析确定主成分指标，将剩余指标参数进行主成分方向投影，获取当前指标参数散点分布与不同航行事故子集更新后的事故因素散点分布的相似度，根据所述相似度获取与航行事故的关联程度。

14、本方案中，根据所述关联程度获取当前水域的潜在危险因素，利用所述潜在危险因素将多源感知数据进行精简，构建航行场景利用精简后多源感知数据进行数据填充，具体为：

15、预设关联程度阈值，获取大于所述预设关联程度阈值的航行事故类别，并提取航行事故类别对应的事故因素，在参数差值矩阵中获取参数差值符合预设标准的事故因素；

16、将筛选的事故因素作为当前水域的潜在危险因素，并在指标参数矩阵中剔除潜在危险因素之外的指标参数，获取指标参数的皮尔逊相关系数，将大于预设相关性阈值的指标参数进行时空关联，统一数据频率，获取精简后的指标参数矩阵；

17、利用数字孪生构建当前水域的航行场景孪生模型，根据航道碍航物、航道边界及通航桥孔对所述航行场景孪生模型进行校准调整；

18、将精简后的指标参数矩阵导入所述航行场景孪生模型，进行实时数据的查询与读写，建立当前水域真实场景与航行场景孪生模型的映射关系，并在航行场景孪生模型中将所述潜在危险因素进行标记。

19、本方案中，根据航迹数据获取与目标船舶存在关联的协同船舶，具体为：

20、获取目标船舶的航迹数据，利用所述航迹数据在预设时空区间中进行船舶匹配，筛选历史时段中通过或正处于当前水域的协同船舶；

21、根据专网信息互通构建共享网络，获取协同船舶与目标船舶的距离信息，根据所述距离信息为所述协同船舶设置初始权重；

22、获取协同船舶的共享数据，根据精简后的指标参数在共享数据中提取相关数据，判断相关数据与精简后的指标参数矩阵的平均相似度，根据所述平均相似度作为共享数据有效的置信度；

23、当所述置信度大于预设置信度阈值时，则计算共享数据与多源感知数据的重复率，若所述重复率小于预设重复率阈值，则为所述共享数据设置有效标签；

24、获取含有有效标签的协同船舶根据所述初始权重聚合共享数据，更新指标参数矩阵，并将聚合的共享数据导入航行场景孪生模型，对当前水域的潜在危险因素进行更新调整，获取更新后的航行场景。

25、本方案中，构建航行安全预测模型，将更新后的多源感知数据进行加权融合，具体为：

26、将大数据获取的各航行事故子集及事故因素映射到低维向量空间，在所述低维向量空间中获取事故因素及航行事故的异构图，将事故因素航行事故作为异构图的节点，根据节点之间的关联作为边结构；

27、获取更新后航行场景中的潜在危险因素及共享数据更新后的指标参数矩阵，根据所述潜在危险因素在所述异构图中进行定位获取目标节点，并通过所述指标参数矩阵设置异构图中节点的数据特征；

28、利用metapath随机游走构建航行安全预测模型，将目标节点与航行事故节点的关联确定约束条件，根据所述约束条件利用随机游走对所述异构图进行学习，生成包含目标节点的元路径，在元路径中根据各节点参数与对应事故指标参考数据的比值获取贡献度；

29、根据所述贡献度计算元路径上各节点引发事故的耦合度，筛选符合预设标准的元路径，根据筛选元路径中的航行事故节点输出事故预测结果。

30、本方案中，利用所述事故预测结果对目标船舶的航线进行修正，具体为：

31、获取航行场景中更新后的潜在危险因素，判断所述潜在危险因素是否为变动因素，若是，则获取预设时间步长内共享数据更新后的指标参数序列，利用bi-gur网络获取时序变化特征；

32、预设潜在危险因素的撤销标准，基于所述撤销标准根据所述时序变化特征判断目标船舶的等待时长，同时，根据目标船舶的燃料信息及航行数据获取绕行当前水域对应最小绕行航线的行驶时长；

33、将所述等待时长与行驶时长进行对比，根据对比结果进行目标船舶的航线规划。

34、本发明第二方面还提供了一种基于多源数据融合的智能航行安全管理系统，该系统包括：存储器、处理器，所述存储器中包括基于多源数据融合的智能航行安全管理方法程序，所述基于多源数据融合的智能航行安全管理方法程序被所述处理器执行时实现如下步骤：

35、获取目标船舶在当前水域的多源感知数据，对所述多源感知数据进行预处理，将预处理后的多源感知数据结合目标船舶自身航行数据获取与航行事故的关联程度；

36、根据所述关联程度获取当前水域的潜在危险因素，利用所述潜在危险因素将多源感知数据进行精简，并构建航行场景利用精简后多源感知数据进行数据填充；

37、根据航迹数据获取与目标船舶存在关联的协同船舶，根据协同感知获取协同船舶的共享数据，利用共享数据对航行场景进行更新；

38、构建航行安全预测模型，利用更新后的潜在危险因素获取目标船舶当前航线的事故预测结果，利用所述事故预测结果对目标船舶的航线进行修正。

39、本发明公开了一种基于多源数据融合的智能航行安全管理方法及系统，包括：获取目标船舶在当前水域的多源感知数据，将预处理后的多源感知数据结合目标船舶自身航行数据获取与航行事故的关联程度；获取当前水域的潜在危险因素对多源感知数据进行精简，并构建航行场景进行数据填充；获取与目标船舶存在关联的协同船舶，根据协同感知获取协同船舶的共享数据，利用共享数据对航行场景进行更新；构建航行安全预测模型获取事故预测结果，利用事故预测结果对航线进行修正。本发明通过多源数据融合进行场景感知增强，大幅提高识别率，解决复杂水域和复杂场景的危险目标识别率不足的问题，并且根据协同船只判断船舶周边态势情况，降低事故发生风险。