【技术实现步骤摘要】
本专利技术涉及水上交通的，具体来说，是一种基于异质图神经网络的水上交通事故致因类型分类方法。
技术介绍
1、
2、当前使用海事事故数据対水上交通事故致因类型分类建模，存在以下难点亟待解决：第一，传统的水上交通事故致因类型分类方法通常基于专家知识作为模型的先验，从而导致所提出方法具有人为主观性，难以适应不同场景的需要；第二，水上交通事故报告由多个机构和部门进行登记与记录，数据来源的多元化使水上交通事故数据呈现出多源异构的性质，传统方法无法有效处理这些数据；第三，交通事故报告构成各部分之间存在高级的关联语义信息，传统方法无法充分利用此类信息；各要素信息之间存在高维的非线性耦合关系，传统的理论方法难以进行全面地分析。
技术实现思路
1、本专利技术提供一种基于异质图神经网络的水上交通事故致因类型分类方法，解决现有技术中现有技术难以充分对多源异构数据进行建模、缺乏对事故中各要素间的关联性进行有效建模的技术问题。
2、本专利技术可以通过以下技术方案实现：
3、一种基于异质图神经网络的水上交通事故致因类型分类方法，包括以下步骤：
4、步骤一、以事故基本信息、涉事船舶基本信息、事故具体原因和事故抽象原因为节点构建异质图g，其中，采用拼接方法完成事故基本信息、涉事船舶基本信息的特征编码，采用独热编码完成事故具体原因和事故抽象原因的特征编码，同时采用独热编码完成节点关系编码；
5、步骤二、采用异质特征映射方法对异质图g进行重构，将其转换为同质
6、步骤三，以多头r-gat计算模块对同质图g′进行处理，输入嵌入向量h0并计算得到新的嵌入向量hl+1，再对嵌入向量hl+1依次经由全连接层和softmax函数进行处理，获得事故致因类型分类交叉熵损失项，同时，将嵌入向量hl+1经由自监督强化模块处理，获得自监督节点关联分类损失项，
7、步骤四，以图结构正则化损失项、事故致因类型分类交叉熵损失项、自监督节点关联分类损失项构建联合损失函数，通过反向传播算法更新模型参数，直至联合损失函数收敛，实现对水上交通事故致因类型的分类。
8、进一步，利用如下公式构建事故基本信息节点、涉事船舶基本信息节点的特别编码，
9、xaccid＝concat(xdeath,xview,xwind,xangle,xsink,xsit,xcol,xleak,xtype)
10、xship＝concat(xyear,xmat,xton,xload,xlength,xwidth,xmould,xspeed,xs)
11、其中，xaccid表示事故基本信息节点的特征向量表示，xship表示涉事船舶基本信息节点的特征向量表示，concat表示数据间的拼接，xdeath、xview、xwind、xangle、xleak、xyear、xmat、xlength、xwidth、xmould、xspeed、xsink分别表示死亡人数、能见度、风力等级、碰撞角度、泄漏量、船龄、船体材料、船长、船宽、型深、航速、船舶沉没情况，xsit、xcol、xtype、xs分别表示船舶会遇态势、船舶碰撞方式、船舶事故类型、船舶类型的独热编码向量，
12、所述风力等级分为微风、中级风和强风三个等级，分别表示风速小于2级、风速在3级到6级之间、风速大于等于7级，对其各等级赋值为0，1，2；
13、根据国际海事组织定义的“航行能见度分类标准”，对事故发生地的能见度进行分类，超过2海里的能见度距离赋值为0，距离在1-2海里之间的能见度距离赋值为1，能见度距离小于1海里则被赋值为2；
14、所述船体材料为钢材料，赋值为2；所述船体材料为木材料，赋值为1；
15、利用如下公式计算船舶沉没情况xsink，
16、xsink＝a1xton+a2xcon+a3xload+a4xcrew
17、其中，xton、xcon、xload、xcrew分别表示船舶吨位、船体结构、载货量与船员数量，α1、α2、α3、α4分别代表其对应变量的权重因子，
18、当0≤xsink<0.3时，将船舶沉没情况的特征赋值为0；当0.3≤xsink≤0.7时，将船舶沉没情况的特征赋值为1，当xsink>0.7时，将船舶沉没情况的特征赋值为2。
19、进一步，记所述异质图表示为g＝(v,e,x)，其中v表示节点集合，e表示边集合，x表示节点的特征向量集合，
20、使用异质特征映射方法对异质图进行重构时，先利用如下公式将不同类型节点的特征向量xa映射到相同维度，得到异质特征映射后的嵌入向量h0，
21、h0＝σ(waxa+ba)
22、其中，wa为节点的映射矩阵，σ(·)为sigmoid激活函数，ba为节点的偏置向量；
23、然后计算嵌入向量h0之间的相似度，以获得特征相似度图g′，最后将初始原始图g的邻接矩阵a和特征相似度图g′的邻接矩阵a′求并集，得到新的邻接矩阵ar。
24、进一步，利用如下方程式，计算联合损失函数，
25、
26、其中，λself表示自监督节点关联分类损失权重，λrec表示图结构正则化权重，lself表示自监督节点关联分类损失项，lrec表示图结构正则化损失项，lcls表示事故致因类型分类交叉熵损失项。
27、本专利技术有益的技术效果在于：
28、1)使用异质图对水上交通事故数据进行建模，将复杂的多源异构数据转化为同构数据，保留更多船舶事故的有效信息；
29、2)使用独热编码方法，将抽象的因素间关联信息转化为显式的向量表示并融入至异质图中，为水上交通事故异质图提供高级的关联语义信息；
30、3)采用多头r-gat计算模块、图重构模块、自监督强化模块所构建的水上交通事故致因类型分类模型，在精简图结构的同时，通过消息传递机制自适应加权邻居信息，以提取事故基本信息节点与其他节点之间存在的高维非线性耦合关系信息。
本文档来自技高网...【技术保护点】
1.一种基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于：利用如下公式构建事故基本信息节点、涉事船舶基本信息节点的特别编码，
3.根据权利要求2所述的基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于：记所述异质图表示为G＝(V,E,X)，其中V表示节点集合，E表示边集合，X表示节点的特征向量集合，
4.根据权利要求1所述的基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于：利用如下方程式，计算联合损失函数，
【技术特征摘要】
1.一种基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于异质图神经网络的水上交通事故致因类型分类方法，其特征在于：利用如下公式构建事故基本信息节点、涉事船舶基本信息节点的特别编码，
3.根据权利要求2所述的基于...
【专利技术属性】
技术研发人员：刘涛，徐翔，雷正玲，赵珂君，刘茂稳，沙梅，吴华锋，高进，徐晓刚，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。