本發(fā)明涉及智能船舶碰撞風險評估，具體涉及一種基于自連通圖神經(jīng)網(wǎng)絡的無人船碰撞風險評估方法。

背景技術：

1、隨著人工智能技術的快速發(fā)展，深度學習在海事領域被廣泛應用，但將深度學習技術應用于船舶碰撞風險評估的案例還較少。

2、船舶碰撞事故是海上運輸中最嚴重的安全事故之一，它可能導致人員傷亡、財產(chǎn)損失以及對海洋環(huán)境造成嚴重破壞。因此，準確評估船舶碰撞風險對于保障海上航行安全至關重要。傳統(tǒng)的船舶碰撞風險評估方法主要依賴于船舶領域?qū)＜业慕?jīng)驗知識，例如使用最近會遇時間、船舶域、貝葉斯網(wǎng)絡結合專家知識庫，以及模糊邏輯等方法。這些方法在一定程度上能夠提供碰撞風險的估計，但它們通常受限于專家知識的主觀性并且可能無法量化多船間復雜的非線性關系和動態(tài)變化的航行環(huán)境，在探究避碰操作影響下的多船風險演化時遇到很多挑戰(zhàn)。

3、因此，為保障海上多船在時空演化下的航行安全，亟需設計一種能夠?qū)崟r地從知識中學習的船舶碰撞風險評估方法。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提供一種基于自連通圖神經(jīng)網(wǎng)絡的無人船碰撞風險評估方法；本發(fā)明主要通過提取航行狀態(tài)信息，實現(xiàn)海上多船舶風險關系圖的動態(tài)構建，并將提取到的船舶航行狀態(tài)信息向量構成節(jié)點屬性矩陣和加權鄰接矩陣作為模型的輸入，利用多個圖神經(jīng)網(wǎng)絡層提取多個船舶節(jié)點的高維隱藏特征，使用歸一化方法量化多個船舶的潛在碰撞風險，為復雜多船場景下船舶自主安全航行提供有力的判斷支持。

2、為解決上述技術問題，本發(fā)明采用如下技術方案：

3、一種基于自連通圖神經(jīng)網(wǎng)絡的無人船碰撞風險評估方法，通過構建海上多船舶碰撞風險模型，對船舶間的碰撞風險概率進行估計，具體包括以下步驟：

4、步驟s1、構建海上多船舶風險關系圖：基于多船避碰場景中各船舶的地理位置構建船舶節(jié)點，，表示多船避碰場景中的船舶總量，將船舶的航行狀態(tài)信息進行編碼后作為船舶節(jié)點的屬性；將船舶間風險性指數(shù)作為對應船舶節(jié)點之間邊的屬性；

5、步驟s2、構建具有個圖神經(jīng)網(wǎng)絡層的圖神經(jīng)網(wǎng)絡，對海上多船舶風險關系圖中的各船舶節(jié)點進行階的鄰域船舶節(jié)點采樣，通過第個圖神經(jīng)網(wǎng)絡層對第階鄰域船舶節(jié)點采樣得到的結果，進行航行狀態(tài)特征聚合與時空狀態(tài)嵌入更新，圖神經(jīng)網(wǎng)絡最終輸出各個船舶節(jié)點的一維特征向量；；

6、步驟s3、基于支持向量回歸方法和各個船舶節(jié)點的一維特征向量，來計算船舶間風險性指數(shù)；

7、步驟s4、使用激活函數(shù)對船舶間風險性指數(shù)進行轉(zhuǎn)換，得到船舶間的碰撞風險概率分布。

8、進一步地，步驟s1具體包括以下步驟：

9、s11、獲取各個船舶的航行狀態(tài)信息，第i個船舶的航行狀態(tài)信息包括地理位置、航速、航向角、當前船舶和相鄰船舶之間的距離以及船舶類型；分別為第i個船舶的地理位置的橫坐標和縱坐標；

10、s12、基于多船避碰場景中各船舶的地理位置構建船舶節(jié)點；對第i個船舶的航行狀態(tài)信息進行編碼，將得到的航行狀態(tài)信息向量作為船舶節(jié)點的屬性，表示第i個船舶對應的航行狀態(tài)信息向量的第d個分量，個的船舶節(jié)點的屬性構成節(jié)點屬性矩陣；

11、s13、用于連接船舶節(jié)點的邊的集合記為，為中的第m個邊，船舶間風險性指數(shù)作為邊的屬性，邊屬性的集合，為中第m個邊屬性；船舶節(jié)點，以及連接船舶節(jié)點的邊，構成所述海上多船舶風險關系圖；

12、設置加權鄰接矩陣，海上多船舶風險關系圖中的第j個船舶節(jié)點和第i個船舶節(jié)點連通時，中的元素；和不連通時，時。

13、進一步地，步驟s2中，所述對海上多船舶風險關系圖中的各船舶節(jié)點進行階的鄰域船舶節(jié)點采樣，通過第個圖神經(jīng)網(wǎng)絡層對第階鄰域船舶節(jié)點采樣得到的結果，進行航行狀態(tài)特征聚合與時空狀態(tài)嵌入更新，圖神經(jīng)網(wǎng)絡最終輸出各個船舶節(jié)點的一維特征向量，具體包括以下步驟：

14、s21、對每個船舶節(jié)點，隨機進行階的鄰域船舶節(jié)點采樣；其中；

15、s22、航行狀態(tài)特征聚合：將每個船舶節(jié)點的鄰域船舶節(jié)點的鄰域信息和特征信息集合聚合到船舶節(jié)點的鄰域船舶聚合特征向量上：

16、；

17、式中，表示船舶節(jié)點的鄰域船舶節(jié)點的索引集合，是海上多船舶風險關系圖對應的加權鄰接矩陣中的元素，為船舶節(jié)點的鄰域船舶節(jié)點的索引；表示第j個鄰域船舶節(jié)點在第個圖神經(jīng)網(wǎng)絡層中的聚合特征向量；第j個鄰域船舶節(jié)點的初始聚合特征向量，為第j個船舶節(jié)點的屬性；是聚合器函數(shù)；

18、s23、時空狀態(tài)嵌入更新：通過船舶節(jié)點在第個圖神經(jīng)網(wǎng)絡層中聚合特征向量以及，對船舶節(jié)點在第個圖神經(jīng)網(wǎng)絡層中的聚合特征向量進行更新：

19、；

20、其中為第個圖神經(jīng)網(wǎng)絡層的權值矩陣，為非線性激活函數(shù)，為concat函數(shù)；

21、s24、圖神經(jīng)網(wǎng)絡最終輸出各個船舶節(jié)點的一維特征向量，所述一維特征向量用于表示各船舶節(jié)點的屬性的卷積特征。

22、進一步地，在每個圖神經(jīng)網(wǎng)絡層后增加一個殘差連接層和一個非線性函數(shù)層，殘差連接層用于幫助當前圖神經(jīng)網(wǎng)絡層的梯度直接流向前一個圖神經(jīng)網(wǎng)絡層；所述非線性函數(shù)層用于保持圖神經(jīng)網(wǎng)絡的內(nèi)部穩(wěn)定。

23、進一步地，步驟s3具體包括：

24、船舶間風險性指數(shù)用于預測第i個船舶和第j個船舶之間的碰撞風險，為海上多船舶風險關系圖中連接第i個船舶節(jié)點和第個船舶節(jié)點的邊的索引；為的鄰域船舶節(jié)點；

25、利用支持向量回歸方法計算船舶間風險性指數(shù)：將第i個船舶節(jié)點的一維特征向量和第j個船舶節(jié)點的一維特征向量進行特征拼接，得到拼接特征向量：

26、；

27、表示特征拼接操作；

28、支持向量回歸方法的核函數(shù)選擇高斯核函數(shù)：

29、；

30、其中為支持向量回歸方法的第個支持向量，為非線性激活函數(shù)；

31、船間風險性指數(shù)預測函數(shù)為：

32、；

33、其中，是海上多船舶風險關系圖對應的加權鄰接矩陣中的元素；是與第個支持向量相關聯(lián)的拉格朗日乘子，用于計算和之間的相似性；是海上多船舶碰撞風險模型的偏置項。

34、進一步地，步驟s4具體包括：

35、在圖神經(jīng)網(wǎng)絡后增加概率層，通過激活函數(shù)對船舶間風險性指數(shù)進行轉(zhuǎn)換，得到船舶間的碰撞風險概率分布：

36、；

37、式中，為船舶間風險性指數(shù)，為激活函數(shù)。

38、與現(xiàn)有技術相比，本發(fā)明的有益技術效果是：

39、1、本發(fā)明提供的無人船碰撞風險評估方法，使用自相通拓撲結構，進行多船復雜全局會遇態(tài)勢整合，構建海上多船舶風險關系圖結構，使得無人船不僅能了解與其直接相鄰的船舶的狀態(tài)，還能根據(jù)鄰域船的階數(shù)來考慮更遠距離的船舶對其潛在的影響。利用圖神經(jīng)網(wǎng)絡對多船舶航行狀態(tài)信息進行提取和量化，能夠直接在圖數(shù)據(jù)中獲得相鄰船間不同碰撞風險等級的可能性概率分布，更客觀高效地為復雜多船場景下船舶自主安全航行提供有力的判斷支持。

40、2、本發(fā)明提供的無人船碰撞風險評估方法，通過構建復雜的圖網(wǎng)絡結構，量化船間隱層航行狀態(tài)特征，重點關注了鄰域船舶間的風險性和碰撞概率，符合航海實際環(huán)境船舶駕駛員的關注習慣和避碰操作順序，更有利于智能船舶和有人船舶混行的場景適配。

41、3、本發(fā)明提供的無人船碰撞風險評估方法，構建了復雜場景下海上多船舶風險關系圖結構，利用圖神經(jīng)網(wǎng)絡，可以分析隨著時間演化，不同位置下的多船舶避碰風險，可實現(xiàn)更快地收斂，解決了傳統(tǒng)船舶域場論中無法量化多船及其演化的問題。

42、4、復雜多船的航海避碰情景下，船舶間的避碰操作隨著時間的推移，對空間上多船不斷造成影響，這可以理解為一個解決原避碰風險的操作會引入一個新的避碰風險，本發(fā)明提供的無人船碰撞風險評估方法，通過圖神經(jīng)網(wǎng)絡對的各船舶節(jié)點嵌入更新，是根據(jù)船舶節(jié)點的鄰域船關系的變化而變化的，也就是說，即使是原選定船舶，如果突然引入的新的船舶的避碰連接關系，那么其對應的嵌入更新也會變化，且能夠方便地進行網(wǎng)絡學習，不需要對整個網(wǎng)絡進行迭代。從而解決了復雜多船的航海避碰情景下多船間避碰操作帶來的多階鄰域船間影響的問題。