基于改进BN的集装箱船舶碰撞事故致因分析

doi:10.16265/j.cnki.issn1003-3033.2019.10.006

中国安全科学学报 ›› 2019, Vol. 29 ›› Issue (10): 31-37.doi: 10.16265/j.cnki.issn1003-3033.2019.10.006

基于改进BN的集装箱船舶碰撞事故致因分析

司东森¹, 张英俊¹ 教授, 郎坤^**2 讲师

1 大连海事大学航海学院,辽宁大连 116026;
2 大连海事大学航运经济与管理学院,辽宁大连 116026

收稿日期:2019-07-11 修回日期:2019-09-12 出版日期:2019-10-28 发布日期:2020-10-27
通讯作者: ** 郎坤(1988—),女,陕西汉中人,博士,讲师,硕士生导师,主要从事管理科学与工程方面的研究。E-mail:kun.lang@dlmu.edu.cn。
作者简介:司东森 (1994—),男,河南商丘人,硕士研究生,研究方向为交通信息工程及控制。E-mail:18840821056@163.com。
基金资助:
国家重点研发计划(2018YFC0309600\03);中央高校基本科研业务费专项资金资助(3132019313)。

Causation analysis of container ship collision accidents based on improved BN

SI Dongsen¹, ZHANG Yingjun¹, LANG Kun²

1 Navigation College, Dalian Maritime University, Dalian Liaoning 116026, China;
2 Maritime Economics and Management College, Dalian Maritime University, Dalian Liaoning 116026, China

Received:2019-07-11 Revised:2019-09-12 Online:2019-10-28 Published:2020-10-27

摘要/Abstract

摘要： 为解决利用贝叶斯网络(BN)模型分析集装箱船舶碰撞致因过程中,由于样本数据不足导致BN结构学习困难的问题,提出一种基于核密度估计和模型加权平均策略相结合的BN结构学习算法。首先利用核密度估计方法扩充小数据集,使数据规模达到BN结构学习的最低限度要求;然后利用模型平均策略加权融合不同学习算法得到的网络结构,来提高算法在小样本数据下的学习效果;最后基于少量集装箱船舶碰撞样本数据,利用所提算法构建BN模型分析事故致因。结果表明:用所提算法能在小样本数据下定量分析碰撞事故致因,并得出集装箱船舶碰撞事故致因链,有助于提高集装箱船舶运输的安全性。

关键词: 小样本数据, 贝叶斯网络(BN), 核密度估计, 模型平均法, 致因分析

Abstract: In order to address BN structure learning difficulties caused by insufficient data samples when BN is used to analyze causation of container ship collisions, a BN structure learning algorithm based on kernel density estimation and model weighted averaging was proposed. Firstly, kernel density estimation was used to expand small data set so as to meet minimum data size of BN structure learning. Then, model averaging strategy was utilized to integrate various learning algorithms by allocating different weights, which improved learning effect of the algorithm with small sample data. Finally, a BN model was established to analyze causation of container ship collision accidents based on a small number of samples. The results show that this proposed algorithm can quantitatively analyze causation of collision accidents on the basis of small sample data, and obtain accident causation chain. It is helpful to improve safety of container shipping.

Key words: small sample data, Bayesian network (BN), kernel density estimation, model averaging, causation analysis

中图分类号:

X928.03

司东森, 张英俊, 郎坤. 基于改进BN的集装箱船舶碰撞事故致因分析[J]. 中国安全科学学报, 2019, 29(10): 31-37.

SI Dongsen, ZHANG Yingjun, LANG Kun. Causation analysis of container ship collision accidents based on improved BN[J]. China Safety Science Journal, 2019, 29(10): 31-37.

参考文献

[1] 牛佳伟, 李连博, 陈昌源, 等. 加权灰色关联理论模型在辽宁海上交通事故分析与预测中的应用[J]. 上海海事大学学报, 2016, 37(1):65-69,102.
NIU Jiawei, LI Lianbo, CHEN Changyuan, et al. Application of weighted grey correlation theory model in analysis and prediction of maritime traffic accidents in Liaoning [J]. Journal of Shanghai Maritime University, 2016, 37(1):65-69,102.
[2] 毛喆, 严新平, 陈辉, 等. 水上交通事故分析研究进展[J]. 中国安全科学学报, 2010, 20(12): 86-92.
MAO Zhe, YAN Xinping, CHEN Hui, et al. Overview on marine accident analysis and its research trends [J]. China Safety Science Journal, 2010, 20(12): 86-92.
[3] 陈亚东, 张延猛, 胡昊. 基于贝叶斯网络的内河船舶碰撞人的失误分析[J]. 上海海事大学学报, 2017, 38(3): 41-46.
CHEN Yadong, ZHANG Yanmeng, HU Hao. Human error analysis of inland ship collision based on Bayesian network [J].Journal of Shanghai Maritime University, 2017, 38(3): 41-46.
[4] AFENYO M, KHAN F, VEITCH B, et al, Arctic shipping accident scenario analysis using Bayesian network approach [J].Ocean Engineering, 2017, 133: 224-230.
[5] 王健, 张明广, 黄馨, 等. 易燃易爆危险化学品道路运输事故情景分析[J]. 中国安全科学学报, 2019, 29(5): 171-177.
WANG Jian, ZHANG Mingguang, HUANG Xin, et al. Scenario analysis of road transportation accidents of inflammable and explosive hazardous chemicals [J]. China Safety Science Journal, 2019, 29(5): 171-177.
[6] 李海龙, 侯艳, 柯朝甫, 等. 基于bootstrap方法的贝叶斯网络结构学习算法在构建基因调控网络中的应用[J]. 中国卫生统计, 2015, 32(2): 217-220.
LI Hailong, HOU Yan, KE Zhaopu, et al. The application of Bayes network structure learning algorithm based on bootstrap method to the construction of gene regulatory network [J]. Chinese Journal of Health Statistics, 2015, 32(2): 217-220.
[7] KELLEHER C T, HILL R R, BAUER K W, et al, Using dynamic Bayesian networks as simulation metamodels based on bootstrapping [J]. Computers & Industrial Engineering, 2018, 115: 595-602.
[8] 韩绍金, 李建勋. 基于密度核估计的贝叶斯网络结构学习算法[J]. 计算机工程与应用, 2014, 50(15): 107-112.
HAN Shaojin, LI Jianxun. Structure learning algorithm for Bayesian network based on probability density kernel estimation [J].Computer Engineering and Applications, 2014, 50(15): 107-112.
[9] 王双成, 冷翠平, 李小琳. 小数据集的贝叶斯网络结构学习[J]. 自动化学报, 2009, 35(8): 1 063-1 070.
WANG Shuangcheng, LENG Cuiping, LI Xiaolin. Learning Bayesian network structure from small data set [J]. Acta Automatica Sinica, 2009, 35(8): 1 063-1 070.
[10] 许建锐, 李战武, 徐安. 小样本贝叶斯网络结构学习的KDE-CGA算法[J]. 计算机科学, 2017, 44(增2): 437-441.
XU Jianrui, LI Zhanwu, XU An. KDE-CGA algorithm of structure learning for small sample data Bayesian network [J]. Computer Science, 2017, 44(S2): 437-441.
[11] 陈长飞, 白国强. 贝叶斯网络在消防系统可靠性分析中的应用[J]. 中国安全科学学报, 2018, 28(6): 97-102.
CHEN Changfei, BAI Guoqiang. Application of Bayesian network in analysis of reliability of fire protection system [J]. China Safety Science Journal, 2018, 28(6): 97-102.
[12] SCUTARI M, GRAAFLAND C E, GUTIÉRREZ J M. Who learns better bayesian network structures: constraint-based, score-based or hybrid algorithms? [J]. Journal of Machine Learning Research, 2018, 72: 416-427.
[13] COLOMBO D, MAATHUIS M H. Order-independent constraint-based causal structure learning [J]. Journal of Machine Learning Research, 2014, 15:3921-3962.
[14] KLAUS-U H. Learning and robust learning of product distributions [C]. Proc 6 Annu ACM Conf Comput Learn Theory, 1993: 77-83.
[15] SCHOLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional distribution [J]. Neural Computation, 2001, 13(7): 1 443-1 471.
[16] 田萌, 王文剑. 高斯核函数选择的广义核极化准则[J]. 计算机研究与发展, 2015, 52(8): 1 722-1 734.
TIAN Meng, WANG Wenjian. Generalized kernel polarization criterion for optimizing Gaussian kernel [J]. Journal of Computer Research and Development, 2015, 52(8): 1 722-1 734.
[17] DIETTERICH T G. Ensemble methods in machine learning [C]. Proceeding in Multiple Classifier Systems-First International Workshop, 2000: 1-15.
[18] 吴伋, 江福才, 姚厚杰, 等. 基于文本挖掘的内河船舶碰撞事故致因因素分析与风险预测[J]. 交通信息与安全, 2018, 36(3): 8-18.
WU Ji, JIANG Fucai, YAO Houjie, et al. An analysis and risk forecasting of inland ship collision based on text mining [J].Journal of Transport Information and Safety, 2018, 36(3): 8-18.

基于改进BN的集装箱船舶碰撞事故致因分析

Causation analysis of container ship collision accidents based on improved BN

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘嘉豪, 余杨, 张振兴, 余建星, 王巍巍, 傅一钦. 二维云模型和贝叶斯网络的立管风险评估方法[J]. 中国安全科学学报, 2022, 32(5): 147-154.
[2]	鲁义, 伍江乐, 邵淑珍, 施式亮, 周荣义, 王伟. 基于贝叶斯网络的危化品道路运输事故推理模型^*[J]. 中国安全科学学报, 2022, 32(3): 174-182.
[3]	韩鹏, 王军, 王启, 赵嶷飞. 基于飞行剖面的航空器试飞活动空管风险研究^*[J]. 中国安全科学学报, 2022, 32(1): 149-156.
[4]	胡韫频, 李超, 李宗亮, 杨道合. 大跨度钢结构施工安全风险评价IHFACS-BN模型及应用^*[J]. 中国安全科学学报, 2021, 31(8): 147-154.
[5]	潘丹, 李永, 罗帆, 张攀科, 肖琴. 飞行区外来物入侵安全风险致因FTA-BN模型[J]. 中国安全科学学报, 2021, 31(6): 7-13.
[6]	王军武, 王梦雨, 刘登辉, 吴寒, 胡蝶. 基于HFACS-BN的地铁车站施工高处坠落可能性评价[J]. 中国安全科学学报, 2021, 31(6): 90-98.
[7]	刘阳, 张建经, 罗宏森, 于海莹, 向波. 基于贝叶斯网络的Fuzzy-SVM路基震害预测模型^*[J]. 中国安全科学学报, 2021, 31(11): 171-178.
[8]	米红甫, 张小梅, 杨文璟, 王文和, 刘亚玲, 焦一飞. 城市地下综合管廊电缆舱火灾概率分析方法[J]. 中国安全科学学报, 2021, 31(1): 165-172.
[9]	屈静, 张建彬, 李旭芳, 陆宝, 华宁, 朱晓曼. 基于贝叶斯网络的输油管道泄漏事故情景推演[J]. 中国安全科学学报, 2021, 31(1): 192-198.
[10]	陈伟, 杨主张, 熊威, 熊付刚, 杨道合, 牛力. 装配式建筑工程施工安全风险传导DEMATEL-BN模型[J]. 中国安全科学学报, 2020, 30(7): 1-6.
[11]	朱敬宇, 陈国明, 吕寒, 孟祥坤, 智晨潇, 周丽晨. 深水钻井井喷事故风险控制决策方法[J]. 中国安全科学学报, 2020, 30(2): 113-118.
[12]	李末, 燕飞, 牛儒, 宋晗炜, 王艳梅, 向楠楠. 基于安全指标监控的事故致因分析方法^*[J]. 中国安全科学学报, 2019, 29(S2): 35-40.
[13]	王洁宁, 李保燊, 冀姗姗. 基于STPA和模糊BN的AIDC移交人误研究[J]. 中国安全科学学报, 2019, 29(9): 27-35.
[14]	宋英华, 马连隆, 杨丽娇, 蒋新宇. 基于模糊BN的企业业务中断风险分析:以洪涝灾害情景为例^*[J]. 中国安全科学学报, 2019, 29(6): 1-6.
[15]	吕子阳, 王勇毅, 高星, 马英楠. 基于BN-SVR的老年人跌倒预测方法[J]. 中国安全科学学报, 2019, 29(5): 7-12.