張樹奎，肖英杰，蘇文明

(1. 江蘇海事職業(yè)技術(shù)學(xué)院 航海學(xué)院，江蘇 南京 211170；2. 上海海事大學(xué) 商船學(xué)院，上海 201306)

航道內(nèi)實(shí)時(shí)船舶交通流航行風(fēng)險(xiǎn)主動(dòng)評(píng)估

張樹奎1，2，肖英杰2，蘇文明1

(1. 江蘇海事職業(yè)技術(shù)學(xué)院 航海學(xué)院，江蘇 南京 211170；2. 上海海事大學(xué) 商船學(xué)院，上海 201306)

為主動(dòng)評(píng)估航道內(nèi)實(shí)時(shí)交通流航行風(fēng)險(xiǎn)，并對(duì)交通事故狀態(tài)做出預(yù)警，利用高斯混合模型和最大期望算法構(gòu)建了貝葉斯網(wǎng)絡(luò)。基于長江草鞋峽水道內(nèi)船舶檢測器數(shù)據(jù)和交通事故數(shù)據(jù)，學(xué)習(xí)和訓(xùn)練貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，構(gòu)建了貝葉斯網(wǎng)絡(luò)分配器。分別對(duì)8組船舶交通流數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)分類模型，結(jié)果表明：采用交通事故發(fā)生前20～40 min內(nèi)、且距離事故地點(diǎn)最近的2個(gè)船舶檢測器的數(shù)據(jù)構(gòu)建的模型分類效果最優(yōu)，正確率為78.13%。最后通過與BP神經(jīng)網(wǎng)絡(luò)和K近鄰兩種估計(jì)算法比較，證明了BN模型預(yù)測效果更優(yōu)，是一種較好的實(shí)時(shí)交通流航行風(fēng)險(xiǎn)評(píng)估方法。

交通工程；航道；交通事故；貝葉斯網(wǎng)絡(luò)；風(fēng)險(xiǎn)；主動(dòng)評(píng)估

0 引 言

水路運(yùn)輸作為一種最經(jīng)濟(jì)、最環(huán)保的運(yùn)輸方式，在綜合運(yùn)輸體系中起到了非常重要的作用，港口航道是水路運(yùn)輸?shù)闹鞴羌?，作用不可替代。?jù)統(tǒng)計(jì)，僅江蘇沿江港口2010年船舶貨運(yùn)量就達(dá)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(xù)多年居世界內(nèi)河貨運(yùn)量首位。另一方面，航道內(nèi)偶爾發(fā)生的船舶交通事故不僅造成人員傷亡和財(cái)產(chǎn)重大損失；同時(shí)，由于發(fā)生溢油、漏油等重大惡性事故，環(huán)境治理帶來的經(jīng)濟(jì)損失難以估計(jì)。

國內(nèi)外關(guān)于船舶交通事故的研究多基于歷史數(shù)據(jù)的回歸統(tǒng)計(jì)分析[1]，關(guān)注點(diǎn)在于事故發(fā)生后的判斷，而對(duì)事故發(fā)生前的航道內(nèi)船舶交通狀態(tài)(船舶流量、船舶速度和航道占有率)和事故發(fā)生的相互關(guān)系研究較少。研究表明，船舶交通運(yùn)行狀態(tài)與船舶事故風(fēng)險(xiǎn)存在著關(guān)聯(lián)關(guān)系[2]，特別是短期內(nèi)的船舶交通流量變化對(duì)交通事故的發(fā)生影響較大。因此，針對(duì)實(shí)時(shí)交通流量航行風(fēng)險(xiǎn)的評(píng)估成為近年來研究熱點(diǎn)[3]，但成果較少，研究重點(diǎn)多集中在利用不同的數(shù)學(xué)建模方法來分析和預(yù)測航道內(nèi)船舶交通事故的風(fēng)險(xiǎn)[4-5]。由于在數(shù)據(jù)采集的時(shí)間、地點(diǎn)及規(guī)模方面各不相同，且缺少同樣數(shù)據(jù)環(huán)境下的對(duì)比分析，研究結(jié)果有待進(jìn)一步驗(yàn)證。

筆者利用船舶交通事故數(shù)據(jù)和相對(duì)應(yīng)的船舶交通量檢測器數(shù)據(jù)(或VTS監(jiān)測數(shù)據(jù))建立預(yù)測模型，用以預(yù)測航道內(nèi)發(fā)生船舶交通事故的風(fēng)險(xiǎn)并判斷可能發(fā)生事故的交通條件。交通條件分為兩種：可能發(fā)生事故的交通條件和不會(huì)發(fā)生事故的交通條件。預(yù)測模型的輸入是交通事故發(fā)生前的航道內(nèi)船舶交通狀況數(shù)據(jù)，預(yù)測模型的輸出是發(fā)生交通事故的風(fēng)險(xiǎn)，根據(jù)輸出結(jié)果判斷是否可能發(fā)生事故。通過事前主動(dòng)預(yù)測，一方面可以通過VTS或巡邏船對(duì)有關(guān)船舶駕駛員進(jìn)行預(yù)警，消除事故隱患，另一方面，對(duì)于航道管理部門優(yōu)化救助方案等也具有重要的參考價(jià)值。

貝葉斯網(wǎng)絡(luò)在不確定知識(shí)表達(dá)和推理領(lǐng)域優(yōu)勢明顯，是最有效的理論模型之一，廣泛應(yīng)用于工程領(lǐng)域。近年來，該模型在交通事故分析、流量預(yù)測等方面表現(xiàn)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(shù)據(jù)和VTS事故監(jiān)測數(shù)據(jù)以及事故營救后整理的數(shù)據(jù)，分析了航道內(nèi)船舶航行狀態(tài)與事故潛在風(fēng)險(xiǎn)的關(guān)系。通過運(yùn)用貝葉斯網(wǎng)絡(luò)模型對(duì)航道內(nèi)實(shí)時(shí)船舶交通流航行風(fēng)險(xiǎn)進(jìn)行預(yù)估，并與BP神經(jīng)網(wǎng)絡(luò)和K近鄰兩種模型算法的結(jié)果進(jìn)行了比較分析。

1 研究數(shù)據(jù)

筆者主要研究航道內(nèi)船舶交通狀態(tài)(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(duì)交通事故風(fēng)險(xiǎn)的影響?？紤]到數(shù)據(jù)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(gè)船舶檢測器。

船舶交通事故數(shù)據(jù)由VTS監(jiān)控系統(tǒng)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(duì)應(yīng)的時(shí)間和地點(diǎn)的船舶檢測信息一一對(duì)應(yīng)起來，因此獲取大量的船舶交通事故數(shù)據(jù)非常困難。經(jīng)過對(duì)船舶檢測器檢測數(shù)據(jù)和船舶交通事故的質(zhì)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(fā)生的58起船舶交通事故數(shù)據(jù)，每起事故的數(shù)據(jù)均包含事故發(fā)生的時(shí)間、地點(diǎn)、事故類型以及當(dāng)時(shí)的天氣狀況等信息。

船舶交通流運(yùn)行數(shù)據(jù)來源于船舶檢測器和VTS監(jiān)控中心，數(shù)據(jù)每20 min采集一次，運(yùn)行數(shù)據(jù)主要包括船舶交通流密度、短期內(nèi)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(shí)間占有率等。為了比較真實(shí)地反映交通事故發(fā)生時(shí)航道內(nèi)的交通狀況，每起事故的相關(guān)信息只提取于事故發(fā)生地附近的4個(gè)船舶檢測器或VTS監(jiān)控系統(tǒng)，船舶檢測器的分布如圖1。4個(gè)船舶檢測器根據(jù)需要分為2種組合，一種組合包括所有4個(gè)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(fā)生地點(diǎn)最近的2個(gè)船舶檢測器(上游1、下游1)。

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

事故發(fā)生的前后時(shí)間分為5段，分別用1，2，3，4，5表示。劃分方法如下：時(shí)間段1表示事故發(fā)生后0～20 min；2表示事故發(fā)生前0～20 min，3表示事故發(fā)生前20～40 min；4表示事故發(fā)生前40～60 min；5表示事故發(fā)生前60～80 min。由于時(shí)間段1是事故發(fā)生后的時(shí)間，所以不能作為事故風(fēng)險(xiǎn)預(yù)估，只可作為事故檢測。另外，交管中心也需要一段時(shí)間來判斷事故將要發(fā)生并采取應(yīng)對(duì)措施，所以，時(shí)間段2中的檢測數(shù)據(jù)建立的評(píng)價(jià)模型只具有參考價(jià)值，只有采用時(shí)間段3，4，5中的相關(guān)檢測數(shù)據(jù)建立的評(píng)估模型對(duì)主動(dòng)安全預(yù)估才有實(shí)際意義。由于每起交通事故都對(duì)應(yīng)4個(gè)船舶檢測器分別在4個(gè)時(shí)間段內(nèi)檢測的數(shù)據(jù)，通過2種組合的船舶檢測器分別與4個(gè)時(shí)間段的組合，得到8組輸入數(shù)據(jù)，利用這8組數(shù)據(jù)分別進(jìn)行建模，得到8個(gè)不同的模型，以ModelX-Y命名這些模型，X表示船舶檢測器數(shù)量，Y表示時(shí)間段。

因?yàn)閷?duì)航道內(nèi)船舶交通狀態(tài)進(jìn)行分類為有可能會(huì)發(fā)生交通事故和可能不會(huì)發(fā)生交通事故兩種結(jié)果，因此，在收集發(fā)生交通事故條件下的航道檢測數(shù)據(jù)時(shí)，也要收集未發(fā)生交通事故情況下的航道檢測數(shù)據(jù)。根據(jù)A．Pande等[8]的研究成果，事故數(shù)據(jù)與非事故數(shù)據(jù)比例在1∶10附近時(shí)，既能夠滿足建模所需的數(shù)據(jù)量，又能夠基本反映交通事故實(shí)際發(fā)生與否的航道內(nèi)交通狀態(tài)比例，所以，在不同的船舶交通條件下，隨機(jī)采集了未發(fā)生事故數(shù)據(jù)600余條。

2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)主要由兩部分組成：一個(gè)有向無環(huán)圖與一個(gè)條件概率表。有向無環(huán)圖表示一系列隨機(jī)變量的聯(lián)合概率分布，圖中每個(gè)節(jié)點(diǎn)代表一個(gè)隨機(jī)變量，有向邊代表變量間的條件依賴，其強(qiáng)弱由條件概率表體現(xiàn)；條件概率表中的值與有向無環(huán)圖中的節(jié)點(diǎn)一一對(duì)應(yīng)。貝葉斯網(wǎng)絡(luò)能夠分析大的變量之間的相互關(guān)系，并根據(jù)貝葉斯定理的學(xué)習(xí)與統(tǒng)計(jì)推斷功能，實(shí)現(xiàn)數(shù)據(jù)的預(yù)測、分類、因果分析等采掘任務(wù)。

貝葉斯網(wǎng)絡(luò)的構(gòu)建包括3個(gè)方面：利用變量和變量取值范圍描述所研究的領(lǐng)域；利用圖形的方式表達(dá)結(jié)構(gòu)學(xué)習(xí)以及學(xué)習(xí)變量之間的依賴關(guān)系；用條件概率分布表表示參數(shù)變量之間的分布函數(shù)。經(jīng)過上述3個(gè)過程的多次迭代、反復(fù)進(jìn)行，最終建成一個(gè)貝葉斯網(wǎng)絡(luò)。

基于高斯混合模型(Gaussian Mixture Model，GMM)的最大期望(Expectation Maximization，EM)算法的優(yōu)點(diǎn)是能夠有效應(yīng)對(duì)研究數(shù)據(jù)的缺失[9]。由于航道內(nèi)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(gòu)建貝葉斯網(wǎng)絡(luò)，GMM用于描述輸入變量，EM算法用于參數(shù)學(xué)習(xí)。

2.1 高斯混合模型及最大期望算法

GMM采用多個(gè)高斯函數(shù)線性組合表示數(shù)據(jù)概率密度函數(shù)，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(gè)子高斯分布組成，子高斯分布幾何特征由其均值μi和協(xié)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(shù)據(jù)的不同變量，數(shù)據(jù)的概率分布由N個(gè)子高斯概率密度函數(shù)的線性組合近似模擬，其表達(dá)式為

(1)

對(duì)于H={Xi，μi，Ui}，有

(2)

為使GMM性能與樣本數(shù)據(jù)達(dá)到最佳擬合，需要對(duì)GMM進(jìn)行訓(xùn)練學(xué)習(xí)，以便獲得參數(shù)η。研究表明，參數(shù)估計(jì)的較好方法是最大似然估計(jì)，X={X1,X2,…,XM}對(duì)η的似然估計(jì)為

(3)

采用最大似然估計(jì)，目的是發(fā)現(xiàn)一組新參數(shù)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(shù)：

(4)

(5)

表示每個(gè)子高斯分布的后驗(yàn)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(jì)參數(shù)如下：

(6)

(7)

(8)

參數(shù)學(xué)習(xí)過程分兩步：利用目前參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算各子高斯分布的期望后驗(yàn)概率；基于第一步的期望值，計(jì)算新的最大參數(shù)分布η*，用新的參數(shù)代替原有參數(shù)，重復(fù)上述步驟，直到所估計(jì)的參數(shù)達(dá)到局部最優(yōu)。

2.2 貝葉斯網(wǎng)絡(luò)分類器的構(gòu)建

研究表明：使用MATLAB實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)分類器的構(gòu)建是一種較好的方法[11]，構(gòu)建分3步完成。

第一步：數(shù)據(jù)輸入。將船舶交通流數(shù)據(jù)、交通事故數(shù)據(jù)及非事故數(shù)據(jù)輸入到貝葉斯網(wǎng)絡(luò)，并隨機(jī)確定訓(xùn)練樣本和測試樣本，兩者數(shù)據(jù)比例為1∶1，用以保證模型檢驗(yàn)的可靠性。

第二步：分類器訓(xùn)練。利用訓(xùn)練樣本數(shù)據(jù)和EM算法訓(xùn)練并構(gòu)建分類器。

第三步：分類器的應(yīng)用。將已經(jīng)構(gòu)建好的分類器的推斷引擎和測試數(shù)據(jù)輸入到分類器，其輸出就是測試樣本屬于各類別的后驗(yàn)概率。為提高分類結(jié)果的準(zhǔn)確率，具體分類時(shí)，可以根據(jù)實(shí)際觀察確定一個(gè)合適的安全閥值，如果某后驗(yàn)概率大于安全閥值，則認(rèn)為其對(duì)應(yīng)的測試樣本是交通事故數(shù)據(jù)，反之，則認(rèn)為是非交通事故數(shù)據(jù)。

2.3 模型檢驗(yàn)

由于交通事故數(shù)據(jù)較少，非交通事故數(shù)據(jù)較多(兩者比例接近1∶10)，因此不能采用整體數(shù)據(jù)分類正確率來判斷模型的優(yōu)劣，這是因?yàn)榧词鼓Ｐ桶颜麄€(gè)數(shù)據(jù)都分類成非交通事故，其正確率可達(dá)90%。所以筆者采用整體數(shù)據(jù)分類正確率、交通事故數(shù)據(jù)分類正確率以及非交通事故數(shù)據(jù)分類正確率3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)來檢驗(yàn)貝葉斯網(wǎng)絡(luò)的有效性。其中交通事故數(shù)據(jù)分類正確率等于分類正確的交通事故數(shù)據(jù)與總交通事故數(shù)據(jù)的比值，非交通事故數(shù)據(jù)分類正確率等于分類正確的非交通事故數(shù)據(jù)與總的非交通事故數(shù)據(jù)的比值。由于交通事故發(fā)生的危害性較大，因此評(píng)價(jià)標(biāo)準(zhǔn)優(yōu)先考慮交通事故數(shù)據(jù)分類正確率。

為了得到較優(yōu)的分類模型，筆者在對(duì)8組相關(guān)數(shù)據(jù)分別建模時(shí)，對(duì)每組數(shù)據(jù)均測試12次，并求得各組數(shù)據(jù)分類結(jié)果的平均值和標(biāo)準(zhǔn)差，根據(jù)平均值和標(biāo)準(zhǔn)差來判斷模型的優(yōu)劣。

3 模型分類結(jié)果

將草鞋峽水道內(nèi)發(fā)生的58條交通事故和600條非交通事故數(shù)據(jù)分成8類交通流量組合，對(duì)這8類組合分別構(gòu)建貝葉斯網(wǎng)絡(luò)模型并分類，分類結(jié)果如表1。

表1 8組數(shù)據(jù)組合下的分類結(jié)果Table 1 Classification of 8 group data in different combinations

從表1可以看出，分類器對(duì)交通事故的分類正確率較為理想，最高正確率達(dá)到81.24%，平均正確率也超過71%。從不同模型分類結(jié)果看，模型Modelt2-1和模型Model2-2分類正確率高于其它模型，表現(xiàn)為其分類正確率分別達(dá)到81.24%和78.13%。由于模型Model2-1的數(shù)據(jù)是時(shí)間段1內(nèi)發(fā)生的，不具有實(shí)際利用價(jià)值，所以模型Model2-2的交通事故分類正確率結(jié)果最優(yōu)。即建立最優(yōu)的貝葉斯網(wǎng)絡(luò)模型所采用的數(shù)據(jù)應(yīng)來自時(shí)間段3即交通事故發(fā)生前20～40 min內(nèi)、而且是距離交通事故地點(diǎn)最近的兩個(gè)船舶檢測器。與此同時(shí)，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(xué)合理，具有一定的使用價(jià)值。通過對(duì)表1中的數(shù)據(jù)進(jìn)行比較，可以看出，就分類效果而言，貝葉斯網(wǎng)絡(luò)分類器對(duì)交通事故的分類采用2個(gè)船舶檢測器的數(shù)據(jù)比采用4個(gè)的要好，而對(duì)非交通事故和整體分類采用2個(gè)或4個(gè)區(qū)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(yōu)模型。

需要指出的是，由于判斷交通事故是否發(fā)生需要首先確定一個(gè)合適的安全閥值。為得到此閥值，筆者對(duì)貝葉斯網(wǎng)絡(luò)模型的數(shù)據(jù)結(jié)果進(jìn)行了敏感性分析。結(jié)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(dāng)安全閥值大于0.09時(shí)，交通事故數(shù)據(jù)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(shè)置的安全閥值是0.09。

4 與其它模型分類結(jié)果比較

為進(jìn)一步驗(yàn)證貝葉斯網(wǎng)絡(luò)分類模型的有效性，筆者選取目前常用的分類算法進(jìn)行比較。常用算法主要有BP神經(jīng)網(wǎng)絡(luò)和K近鄰兩種，它們已經(jīng)被廣泛應(yīng)用于交通流量與交通事故的預(yù)測研究之中[12]。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和K近鄰對(duì)第2節(jié)中的數(shù)據(jù)進(jìn)行分類，并將分類結(jié)果與貝葉斯網(wǎng)絡(luò)的分類結(jié)果進(jìn)行比較，見表2。為方便讀取3者結(jié)果的差別，表3中只給出了分類結(jié)果最優(yōu)的4組模型組合。

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

由表2可知，貝葉斯網(wǎng)絡(luò)分類器對(duì)交通事故分類的正確率明顯高于BP神經(jīng)網(wǎng)絡(luò)算法和K近鄰。由于交通事故數(shù)據(jù)和非交通事故數(shù)據(jù)量的不平衡，加之樣本總量較少，使得BP神經(jīng)網(wǎng)絡(luò)K近鄰在樣本學(xué)習(xí)方面不充分，無法發(fā)揮其優(yōu)勢，因而獲得的分類正確率偏低，而貝葉斯網(wǎng)絡(luò)在這方面有相對(duì)優(yōu)勢。

5 結(jié) 論

筆者旨在探究航道內(nèi)實(shí)時(shí)船舶交通流量數(shù)據(jù)與交通事故的關(guān)系，并根據(jù)實(shí)時(shí)船舶檢測器數(shù)據(jù)進(jìn)行事故風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)估，從而實(shí)現(xiàn)通航安全管理的主動(dòng)性，為改善航道通航安全提供一種新的理論方法，結(jié)論主要有：

1)利用GMM的EM算法，構(gòu)建了貝葉斯網(wǎng)絡(luò)模型，運(yùn)用該模型對(duì)不同船舶檢測器和時(shí)間段組合的8組數(shù)據(jù)進(jìn)行分類，結(jié)果表明采用交通事故發(fā)生前20～40 min內(nèi)、且距離事故地點(diǎn)最近的2個(gè)船舶檢測器的數(shù)據(jù)構(gòu)建的貝葉斯網(wǎng)絡(luò)分類效果最優(yōu)，其交通事故預(yù)測正確率達(dá)到78.13%。

2)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法和K近鄰對(duì)同樣數(shù)據(jù)進(jìn)行分類，并與貝葉斯網(wǎng)絡(luò)分類結(jié)果比較，結(jié)果表明貝葉斯網(wǎng)絡(luò)對(duì)交通事故預(yù)測的正確率高于BPNN和KNN，但對(duì)非交通事故預(yù)測的正確率卻低于二者。

[1] 王寶闊.船舶交通事故量灰色預(yù)測應(yīng)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(guān)聯(lián)規(guī)則分析[J].上海海事大學(xué)學(xué)報(bào),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(yù)測[J].重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)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(shí)時(shí)交通流運(yùn)行安全主動(dòng)風(fēng)險(xiǎn)評(píng)估[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)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(fèi)曉昕,張緒進(jìn).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(xué)學(xué)報(bào)(自然科學(xué)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(yùn)輸職業(yè)教育科研項(xiàng)目(2013A03)；中國交通教育研究會(huì)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