公开(公告)号：CN119443786A

公开(公告)日：2025-02-14

申请号：CN202411453591.8

申请日：2024-10-17

Applicant: 大连海事大学

Inventor： 王新建 ,  曹文杰 ,  李天一 ,  王津 ,  王焕新 ,  曹亮

IPC: G06Q10/0635 ,  G06Q50/40 ,  G06F16/2458 ,  G06N5/025

Abstract: 本申请适用于海上交通事故研究领域，提供了海上交通事故的风险影响因素分析方法，所述方法，包括：通过ARM技术，在不同船型海上交通事故调查报告中挖掘出不同船型海上交通事故中风险影响因素间的关联关系；基于所述关联关系，通过CN理论构建不同船型海上交通事故中风险影响因素的风险交互网络，并分析所述风险交互网络的拓扑特征数据；根据所述拓扑特征数据和基于WINGS方法构建的动态分析模型，获取不同船型海上交通事故中风险影响因素间的因果关系；基于所述因果关系和基于AISM方法建立的对抗性层次拓扑模型，确定不同船型海上交通事故中风险影响因素间的因果层次关系。

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。

公开(公告)号：CN119250257A

公开(公告)日：2025-01-03

申请号：CN202411221146.9

申请日：2024-09-02

Applicant: 大连海事大学

Inventor： 王新建 ,  李天一 ,  曹文杰 ,  王津 ,  王焕新 ,  肖仲明

IPC: G06Q10/04 ,  G06Q50/26 ,  G06F18/25 ,  G06F18/24 ,  G06F18/26 ,  G06F18/15 ,  G06F18/214 ,  G06F18/21 ,  G06N20/00

Abstract: 本发明提供一种基于特征工程的海上交通事故严重程度预测方法，包括：根据历史数据中的风险影响因素和事故严重程度，构建海上事故风险影响因素数据集，并对数据进行预处理；通过特征融合算法将影响因素进行耦合，挖掘关联规则；运用SVM‑SMOTE过采样方法进行数据平衡分析，平衡严重事故和非严重事故的样本比例；利用多种机器学习模型对原始影响因素进行训练，通过计算影响因素的重要度，筛选出关键影响因素子集；通过UAR评价指标评估出机器学习模型中的最优模型，利用最优模型，结合S4中的关键影响因素子集预测海上交通事故的严重程度。本发明通过合理搭配预测模型和过采样方法的组合，显著提高了模型性能，为海上事故严重程度的预测提供了全面深刻的见解。

公开(公告)号：CN118706487A

公开(公告)日：2024-09-27

申请号：CN202410690610.2

申请日：2024-05-30

Applicant: 大连海事大学

Inventor： 王新建 ,  高飞卓奇 ,  丑宇权 ,  房斯明 ,  李键 ,  张秩维 ,  王津 ,  张新宇

IPC: G01M99/00 ,  G01D21/02

Abstract: 本发明一种船舶倾斜环境下人员运动特征的实验方法，包括以下步骤：获取多个实验人员的身高和体重数据；将行走平台按照0°～16°平均划分N组倾斜角度进行设置，分别记录多个实验人员从第一平台经过中间走廊达到所述第二平台的过程；从实验人员的位置参数分析出不同性别、不同身体尺寸下实验人员的速度特征；记录两组实验人员分别从第一平台和所述第二平台对向移动的过程，采用Voronoi方法计算每一时刻的人员密度，从而进行人员在连接走廊区域的密度量化分析；计算实验人员的瞬时速度和单位时间内通过断截面的人员数量。本发明揭示了不同倾斜角度对疏散的影响，对加深理解船舶倾斜情况下的人员撤离特征具有重要意义。