大数据分析在客船安全方面的应用进展，芬兰阿尔托大学教授PPT解析

由武汉理工大学、国家水运安全工程技术研究中心、智能航运与海事安全国际科技合作基地，共同主办的“第四届海事安全与智能航运国际会议”，于2020年10月6日在武汉召开。

通过线上直播，来自10个国家的16位专家，进行了PPT展示和分享。约有7000多人通过线上方式收看了会议。

会议全程，使用英文进行展示和演讲。小编在此，对Hirdaris教授的主题讲座进行了翻译，欢迎各位指正。

Spyros Hirdaris 副教授，来自芬兰阿尔托大学。

教授

大数据分析在客船安全方面的

应用进展

Spyros Hirdaris  副教授

芬兰阿尔托大学  海洋技术研究小组

目录

1、未来的议程

2、交通复杂性

3、新方法介绍

4、案例应用

5、结语

未来的场景

2040年；航运业驱动着世界运输，交通密度非常大。预期，自主航行游轮将安全又高效地载运乘客和货物，从A地到B地之间。

我们能够定义它的航线安全状态吗？

我们能够实时模拟航行状态吗？

我们有实时安全底线的标准码？

数据现状

根据欧洲海事安全协会（EMSA）2019的统计数据显示，在过去的十年中，各种造成船舶事故的原因中，碰撞、刮擦、搁浅三个原因（红线框出部分）造成的船舶事故，每年的占比都非常高。

http://www.emsa.europa.eu/。

最近的事故回放

2012年1月13日，Costa Concordia 搁浅并沉没事故，32人死亡。

2019年12月20日，由于大风和恶劣的海况，游轮在对接时发生碰撞。

交通风险管理

如何量化事故后果？

如何覆盖和同步某一特定区域的交通和事故的数据？

如何定义决策和支持的标准，比如碰撞和搁浅风险指数？

我们能够使用大数据，用于直接生存能力的评估和应急响应吗？

应用大数据的一种方法

第一步，使用大数据分析，形成船舶轨迹的聚类组群。

第二步，在实际环境场景中，基于交通流理论，进行碰撞和搁浅事故的预测。

第三步，风险状况评估。

经过第二、第三步的步骤，碰撞和搁浅的风险指数（RI）会有所不同。

第一步 船舶轨迹聚类组群

AIS 数据和/或

海洋测深数据（GEBCO）

https://www.gebco.net/

K均值聚类算法、DBSCAN聚类算法

模型用于说明：

1、航行细节（离港、目的港、航线长度）

2、船舶轨迹（船速、航线、运动）

3、船舶轨迹之间的空间距离

参考文献（略）

注：K均值聚类算法、DBSCAN聚类算法都属于机器学习scikti-learn的聚类算法。

第二步 碰撞模型分析

如上图所示，滚装船（下方）的起始位置，与目标船（上方）的起始位置，分别用绿色方块标识出，它们的航线会有交叉，金星位置即两船的碰撞位置。

根据《国际海上避碰规则》第15条的规定，有他船在本船右舷的船为让路船。因此滚装船为直航船，目标船为让路船，目标船应为滚装船让路。

黑点为两船的AIS坐标位置，红点是目标船采取让路航线之后的坐标位置。红圈是两船轨迹的最小距离。

第二步 碰撞模型分析

紫色圆圈是让路船开始采取让路航线时的位置，红色五星是两船可能发生碰撞的位置。

第二步 碰撞模型分析

《国际海上避碰规则》关于三种情况的规定：交叉相遇、追越、对遇。

1、交叉相遇时，当两艘机动船交叉相遇致有构成碰撞危险时，有他船在本船右舷的船舶应给他船让路，如当时环境许可，还应避免横越他船的前方。

2、追越时，任何船舶在追越任何他船时，均应给被追越船让路。

3、对遇时，当两艘机动船在相反的或接近相反的航向上相遇致有构成碰撞危险时，各应向右转向，从而各从他船的左舷驶过。

第二步 搁浅模型分析

左侧红色船舶，朝向蓝色的浅滩水域航行。

当船舶沿直线航行，则会造成前部搁浅。

当船舶转向左侧行驶，如果遭遇洋流、浪涌或大风的影响，会造成侧面搁浅。

第二步 搁浅模型分析

图一：船舶从赫尔辛基驶往塔林。

图二：船舶从塔林驶往赫尔辛基。

第三步 风险指数

在搁浅模型中，分别使用让路船和直航船的船速和距离的数据。

在碰撞模型中，使用模糊算法，在经过一段时间对特种船型的研究数据。

然后，建立起风险指数和碰撞规避措施之间的联系。

案例应用

滚装船，从2018年1月到2019年年中的航行期间中，包括13个月的无冰期，12月-2月时属于冬季水域。

采集了对所有船舶的400亿AIS数据记录。

大洋地势图（GEBCO 2019）。

船舶轨迹聚类组群

左上图：滚装船航行于赫尔辛基和塔林之间的航线原始轨迹。

右上图：利用K均值聚类算法，分析不同航线的静态AIS数据。

右下图：利用DBSCAN聚类算法，分析不同航线的动态AIS数据。

左下图：船舶轨迹图。

船舶轨迹聚类族群

上方数据集：速度分布图。可见：在不同的数据集群中，船速的分布非常不同。碰撞风险在不同的航行区域内，有所不同。

下方数据集：航线分布图。可见：航线分布各自不同。碰撞模型随着碰撞角度的不同而变化。

不同的数据组群中，潜在的碰撞预测

左上图：可能发生碰撞的位置。

右上图：可能发生碰撞位置的数量分布。

左下图：碰撞船的位置分布。

右下图：16个碰撞组群的碰撞风险指数分布。

避免搁浅的行为分析

左上图：船舶轨迹。

左中图：等深线，红线为船舶吃水。

左下图：船舶轨迹和安全的等深线。

右图：可能前艏部搁浅的位置，可能侧面搁浅的位置。

结语

大数据分析，在船舶碰撞和搁浅的风险管理中，非常有用。因为在现实应用中，在不同的航线中，它们综合考虑到了交通安全和水道的复杂性。

我们的方法使用数据挖掘，来聚类现实应用中的船舶轨迹和环境数据。因此，它可以最小化船舶操作中的人因失误。

我们的方法，可被用作绘制航行安全等深线，帮助瞭望员降低船舶操作风险，也帮助评估船舶的救生率。

这种方法，对未来自主船舶的操作，也非常有用。

参考文献

张明阳（芬兰阿尔托大学硕士）

https://www.flare-project.eu/

欧洲flare项目

https://www.aka.fi/en

芬兰科学院

https://www.merenkulunsaatio.fi/etusivu/

芬兰海事基金会

感谢

本文翻译完毕。感谢武汉理工大学举办此国际会议。

翻译不当之处，欢迎各位专家批评指正。

根据小编的了解，文中提到的数据算法，属于计算机领域的数据挖掘、机器学习内容。小编最近在自学python，欢迎大家共同交流。

（小编简介：北京交大法学学士，世界海事大学理学硕士，现就职于交通运输部海事局。）