公开(公告)号：CN118428545A

公开(公告)日：2024-08-02

申请号：CN202410610817.4

申请日：2024-05-16

Applicant: 大连海事大学

Inventor： 王新建 ,  李键 ,  冯胤伟 ,  王津 ,  栾建霖 ,  李海江 ,  杨再励 ,  刘正江

IPC: G06Q10/04 ,  G06Q50/26 ,  G06Q50/40 ,  G06F16/21 ,  G06F16/23 ,  G06F16/29 ,  G06F18/20 ,  G06F18/21 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/0455 ,  G06N3/0499 ,  G06N5/045 ,  G06F123/02

Abstract: 本发明提供一种解决在突发事件影响下的船舶排放时间序列预测方法，包括：利用基于船舶航行活动状态识别的改进方法，估算特定海域内的船舶排放量，并构建特定海域内船舶排放数据库；构建模块化深度学习模型SCLCC，并利用SCLCC模型对船舶排放数据库进行训练，从而对在突发事件影响下的船舶排放时间序列进行预测；采用均方误差、平均绝对误差、平均绝对百分比误差以及调整的R2值指标，对SCLCC模型的性能进行评价；利用Spearman相关性检验以及衍生动态时间扭曲算法DDTW分析经过STL分解后数据相关性以及时间序列数据相似性的变化，然后将SCLCC模型的解释聚焦于趋势项和季节项以及回顾时间窗中的各时间点对SCLCC模型的相对贡献，以此确保SCLCC模型的可解释性。

公开(公告)号：CN118333397A

公开(公告)日：2024-07-12

申请号：CN202410492527.4

申请日：2024-04-23

Applicant: 大连海事大学

Inventor： 王新建 ,  冯胤伟 ,  李键 ,  王焕新 ,  王津 ,  王欣 ,  刘正江

IPC: G06Q10/0635 ,  G06Q50/26 ,  G06F18/2113 ,  G06F18/26 ,  G06N20/20

Abstract: 本发明提供一种海上交通事故严重程度预测方法，包括：利用海上事故调查报告，构建海上事故风险影响因素数据集；基于构建的海上事故风险影响因素数据集，采用特征选择方法训练机器学习模型的准确性和特征选择的可解释性；采用稳定性评价、预测性能评价、综合评价与统计检验的三阶段性能评价方法，评价特征选择方法的性能；采用六种机器学习模型进行比较，衡量不同预测因子的性能，将船舶事故严重程度预测性能最好的机器学习模型作为基准模型；利用筛选出的预测性能最高的模型和最优的特征进行事故严重程度预测，并进行效益评估，从定量角度反事实分析风险控制措施的效果。本发明方法可以有效地分析和预测海上事故的严重程度。