船舶碰撞事故嚴(yán)重程度的預(yù)測(cè)模型研究
發(fā)布時(shí)間：2020-12-09 04:29
隨著水運(yùn)行業(yè)的迅速發(fā)展,水上交通安全越發(fā)受到重視。船舶碰撞事故作為水上交通事故中發(fā)生最頻繁、造成損失最嚴(yán)重的事故類型之一,其發(fā)生往往會(huì)造成較為嚴(yán)重的后果。識(shí)別船舶碰撞事故嚴(yán)重程度的影響因素,構(gòu)建船舶碰撞事故嚴(yán)重程度的預(yù)測(cè)模型,分析各個(gè)影響因素對(duì)于船舶碰撞事故嚴(yán)重程度的影響大小,能夠?yàn)榇就晟乒芾碇贫�、船舶駕駛員應(yīng)急操縱和海事機(jī)構(gòu)制定管理策略提供依據(jù),具有重要的現(xiàn)實(shí)意義。本文通過對(duì)91份船舶碰撞事故調(diào)查報(bào)告的分析,首先提取出船舶碰撞事故嚴(yán)重程度的影響因素,建立了考慮不平衡數(shù)據(jù)的支持向量機(jī)多分類模型,模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)精度較原始LIBSVM模型有較大的提升。其次使用GA-SVM-RFE算法對(duì)于影響因素進(jìn)行了篩選,獲取了影響因素的最優(yōu)子集為感知階段失誤、被撞船舶種類、碰撞船舶噸位、被撞船舶噸位、被撞船舶船齡、船舶被撞部位、船舶會(huì)遇態(tài)勢(shì)、碰撞船舶速度、晝夜因素、能見度10個(gè)因素,使用最優(yōu)子集構(gòu)建的支持向量機(jī)分類模型對(duì)于測(cè)試數(shù)據(jù)的預(yù)測(cè)精度可達(dá)90%。隨后使用Ordered Probit分析最優(yōu)子集中影響因素對(duì)船舶碰撞事故嚴(yán)重程度的影響大小,得出最優(yōu)子集中的船舶被撞部位中的船首被撞、被撞船舶船...
【文章來(lái)源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
研究技術(shù)路線圖
2.2.1 特征選擇方法特征選擇方法也可稱為特征子集選擇或者屬性選擇，是指從現(xiàn)有的特征之中選擇出最優(yōu)的特征子集，使構(gòu)造的模型在分類準(zhǔn)確度、預(yù)測(cè)精度及其他方面有著更為良好的表現(xiàn)。其主要思想是從特征集之中篩選出有用的、重要的、對(duì)于模型貢獻(xiàn)度較大的特征屬性，刪除掉沒用的或者不重要的特征。這些不重要的特征一般是指與分類關(guān)系較小、或者和其他特征有著相似的性能的冗余特征[43]。在船舶碰撞事故嚴(yán)重程度的影響因素選擇中，其從初始的影響因素中選取出最優(yōu)的特征子集，使得建立的分類模型對(duì)于測(cè)試數(shù)據(jù)的分類識(shí)別準(zhǔn)確度最高。特征選擇的過程一般是通過某種策略從原始特征集中選擇出一個(gè)子集，使用適當(dāng)?shù)暮瘮?shù)對(duì)于選出子集的構(gòu)建的模型進(jìn)行評(píng)估，與相應(yīng)的停止標(biāo)準(zhǔn)進(jìn)行對(duì)比，如果得到的特征子集能夠滿足停止標(biāo)準(zhǔn)，則停止特征選擇，如未達(dá)到該標(biāo)準(zhǔn)，則繼續(xù)進(jìn)行下去，直至達(dá)到停止標(biāo)準(zhǔn)或者迭代次數(shù)得到最大后停止。篩選出最優(yōu)特征子集之后再對(duì)其進(jìn)行驗(yàn)證，驗(yàn)證該特征子集的有效性。
圖 3-4 SVM-RFE 算法特征排序流程圖公式中Q( i)表示為第i個(gè)特征被移除時(shí)所計(jì)算的Q的矩陣值。遞將與分類器不相關(guān)或者相關(guān)性較小的特征先篩選，直至最后得到大的特征排序表，能夠從有限樣本中達(dá)到對(duì)大量樣本分類的目的于處理樣本數(shù)目少、空間維度高的問題，并優(yōu)化了特征子集，提于 GA-SVM-RFE 的特征選擇向量機(jī)遞歸消除算法每一次迭代消除模型中得分最小的影響因素素一個(gè)重要度排序，但是其忽略了影響因素之間的相互影響，在，被篩出的影響因素不會(huì)再加入到 SVM-RFE 算法流程中，如一類較強(qiáng)的影響因素在前期被篩選出，則難以獲得最優(yōu)的分類準(zhǔn)確影響因素子集。因此為篩選出最優(yōu)影響因素子集，應(yīng)該使用啟發(fā)對(duì)影響因素全集進(jìn)行搜索，獲取出使得模型評(píng)價(jià)最高的影響因素
本文編號(hào)：2906273
【文章來(lái)源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
研究技術(shù)路線圖
2.2.1 特征選擇方法特征選擇方法也可稱為特征子集選擇或者屬性選擇，是指從現(xiàn)有的特征之中選擇出最優(yōu)的特征子集，使構(gòu)造的模型在分類準(zhǔn)確度、預(yù)測(cè)精度及其他方面有著更為良好的表現(xiàn)。其主要思想是從特征集之中篩選出有用的、重要的、對(duì)于模型貢獻(xiàn)度較大的特征屬性，刪除掉沒用的或者不重要的特征。這些不重要的特征一般是指與分類關(guān)系較小、或者和其他特征有著相似的性能的冗余特征[43]。在船舶碰撞事故嚴(yán)重程度的影響因素選擇中，其從初始的影響因素中選取出最優(yōu)的特征子集，使得建立的分類模型對(duì)于測(cè)試數(shù)據(jù)的分類識(shí)別準(zhǔn)確度最高。特征選擇的過程一般是通過某種策略從原始特征集中選擇出一個(gè)子集，使用適當(dāng)?shù)暮瘮?shù)對(duì)于選出子集的構(gòu)建的模型進(jìn)行評(píng)估，與相應(yīng)的停止標(biāo)準(zhǔn)進(jìn)行對(duì)比，如果得到的特征子集能夠滿足停止標(biāo)準(zhǔn)，則停止特征選擇，如未達(dá)到該標(biāo)準(zhǔn)，則繼續(xù)進(jìn)行下去，直至達(dá)到停止標(biāo)準(zhǔn)或者迭代次數(shù)得到最大后停止。篩選出最優(yōu)特征子集之后再對(duì)其進(jìn)行驗(yàn)證，驗(yàn)證該特征子集的有效性。
圖 3-4 SVM-RFE 算法特征排序流程圖公式中Q( i)表示為第i個(gè)特征被移除時(shí)所計(jì)算的Q的矩陣值。遞將與分類器不相關(guān)或者相關(guān)性較小的特征先篩選，直至最后得到大的特征排序表，能夠從有限樣本中達(dá)到對(duì)大量樣本分類的目的于處理樣本數(shù)目少、空間維度高的問題，并優(yōu)化了特征子集，提于 GA-SVM-RFE 的特征選擇向量機(jī)遞歸消除算法每一次迭代消除模型中得分最小的影響因素素一個(gè)重要度排序，但是其忽略了影響因素之間的相互影響，在，被篩出的影響因素不會(huì)再加入到 SVM-RFE 算法流程中，如一類較強(qiáng)的影響因素在前期被篩選出，則難以獲得最優(yōu)的分類準(zhǔn)確影響因素子集。因此為篩選出最優(yōu)影響因素子集，應(yīng)該使用啟發(fā)對(duì)影響因素全集進(jìn)行搜索，獲取出使得模型評(píng)價(jià)最高的影響因素
本文編號(hào)：2906273
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/jiaotonggongchenglunwen/2906273.html
最近更新
教材專著
