基于贝叶斯网络的船舶自沉事故后果预测

NAVIGATIONOF CHINA Vol. 41 No. 1Mar. 2018

文章编号！1000 -4653(2018)01 -0053 -07

基于贝叶斯网络的船舶自沉事故后果预测

张

笛

U

，

蜂1 ’2， 1，2 , 静1，2

(1.武汉理工大学智能交通系统研究中心，武汉430063# 2.国家水运安全工程技术研究中心，武汉430063$

摘要:针对船舶自沉事故频发的问题，提出一种基于贝叶斯网络的模型预测船舶自沉事故后果和评价船舶自沉 事故应急措施。该模型从人、

故进行案 行

。研究

、船舶

理等4个方面

利用船舶自

，为

船舶自

故

的因素，并对28自

故后

表明，该模型能 故发生时的主客观信息，对船舶自 降低船舶自

故

理论支撑。

预测，并对事故应急措施进行较为客观的

文献标志码! A

关键词:船舶自沉;贝叶网络;后果预测;应急措施评价 中图分类号:U698. 6

Consequence Prediction of Shij) Foundering Accidents

Based on Bayesian Network

ZHANG I/1，2， LIANGZheng1，2， FAN Cunlong1，2， WUJing1，2

(1. Intelligent Transportation Systems Research Center，Wuhan University of Technology，Wuhan 430063，China;

2. National Engineering Research Center for Water Transport Safety，Wuhan 430063，China)

Abstract ： To predict

plication of thie proposed

thie consequence of ship foundering accidents and to evaluate the effective c

ures， a model is proposed using the Bayesian Networlc ( BN). The proposed model can efectively analyze factors affectingthe consequence of such accidents from the perspective of the human errors，environment，ship，and management. The ap­

approach is

demonstrated

by as

analyzing such 28 accidents. The theoretical support for the

obtained r

and efective consequence control measures are proposed decision-making i

ment and the shipping company to alleviate consequences.

Key words: ship foundering; bayesian network; consequence prediction; emergency measure assessment

近年来， 的船舶通航密

，航 故作为水上

经的迅速

大、水上

，我国内河和沿海建筑物等不断

：

低船舶自 问题。

□触樵■触损■风灾■搁浅■火灾/爆炸■机损□碰撞口自沉

故发生率是海 门重点 的

复杂，船舶在航行过程中面临的的主

故

一，

带来严

险也越来越大。在船舶大型化的背景下，自

80「

70-6

60.0

40.8£

重的人员 产损失，造重大社 。

长江海事局辖区为例，据统[1]，2010—$014 年长江干 生船舶事故，重大事故

315 ，中自 故59 ，分别占故险 重特大事故险情总量的15 j。 型的重特大事故比例（见图1$，自 过程中发生的一种典型事故，虽然 中所占的比

高。

高，

，自是重要的水上

同故类为船舶航行

故类型故，降

54321

lUl

事故类型

I 42.7

27.2

21.9

图

不同事故类型的重特大事故比例

鉴于船舶自沉事故会造成不同程度的人员伤亡 产损失，产生不良的社 学者针对这一

故场景

，国内外应的研究，主

重特大事故中所占的比

收稿日期:2017-12-23

基金项目：国家自然科学基金面上项目（51579203 #51711530033);国家科技支撑计划（2015BAG20B01)

作者简介:张笛（1983—），男，湖北武汉人，研究员，博士，研究方向为交通系统安全工程。E-mail: zhangdi@whut. edu. cn

54

中国航海

2018年第1期

采用的研究方法有事故致因分析法[2]、综合安全评 估法[3]、事件树分析法[4]和蒙特卡洛分析法[5]等。 纵观国内外研究现状发现，国内外对水上交通事故 的研究主要集中在碰撞和搁浅上，鲜有针对船舶自 沉事故场景的研究。仅有的对船舶自沉的研究主要 集中于挖掘船舶稳定性和船舶结构缺陷等船舶力学 方面的致因，缺乏对导致船舶自沉的人为因素、环境 因素和管理因素等的整体归纳研究，且研究多局限 于提出风险控制方案，缺乏对其发展过程的动态演 化分析和对事故后果控制策略的研究。

G(2I @，…，

G(@，…，2)G(2)

(2)

G(@，…，

以概率论为基石的传统B点

( 变 )、 网

( 节点

N

模型，通过网络节

) 变

件概率传递等3部分组合成一个有向无环图，以图 论的形式能直观、形象地表达变量间的条件因果关 系，具有更强的处理不确定性信息的能力及特有的 双向推理机制。[1394]

贝叶斯网络研究过程主要包括4个阶段（见图

鉴于此，提出一种基于贝叶斯网络（Bayesian

Network，BN)的船舶自沉事故后果预测方法，该方

法能充分利用客观和主观信息，相比传统不确定系 统分析方法具有较高的可靠性，可为海事部门和船 公司在处理船舶自沉险情时降低船舶自沉事故后果 的严重程度提供理论支撑。

1贝叶斯网络

贝叶斯网络也称信度网络，是一种运用DAG

(Directed Acyclic Graph)表达节点因素之间逻辑关

系的一种统计推断方法。[6]贝叶斯网络可通过情景 因素来描述特定后果发生的可能性，而这些情景因 素即代表研究系统的研究点；同时，其还可通过各种 类型的概率来整合不同类型的证据，用于相关性和 敏感性分析。贝叶斯网络具有强大的不确定表达能 力，通过结合先验概率和条件概率，已成为近年来分 析大型综合不确定性系统的热点理论方法，被广泛 应用于水上交通风险成因耦合分析[7]、碍航风险研 究[8]、船舶溢油风险评价[9]、预测交通事故持续时 间[10]、煤矿生产事故致因分析[11]和交通设施风险 评估[12]等领域中。

贝叶斯网络的理论基础是贝叶斯公式，也称贝 叶

理，

G(2 I @)

G(@ I 2)G⑷

^

(1)

一个具有〃个节点的贝叶斯网络可用$ = I % (W，#)，G来表示，主要包括以下2部分内容：

1) (W，#表示一个具有〃个节点的有向无环 5 %，集合w= I W，…，W2中的元素代表图中节点 变量，弧#表示变量间的因果关系。

2) G表示与各节点相关的条件概率分布表(Conditional Probability Table，CPT)。

同理，在给定事件@ \\ I @1，…，2的情况下， 事件2的后验概率可利用贝叶斯规则表示为

2)。

I获取样本数据I

丨估计和评价

1

图2 BN建模分析步骤

1=数据采集

贝叶斯网络建模研究始于数据采集，在明确建 模目的之后，可采用历史数据、专家判断或两者相结 合的方式搭建样本数据库，作为建模分析的基础。 1=模型结构学习

!!模型 学 是 叶 网 学 的 ， 是基于样本数据分析寻找最适合的贝叶斯网络结构的过 。

的

下，

集

条件概率表等贝叶斯分析的重要内容;在大数据情 况下，可通过机器学习构建贝叶斯网络学习 模型。[1596]

1.3贝叶斯建模及分析!! 模型

学 的基础上 建 叶 网 模

型。贝叶斯网络作为不确定系统的建模工具，可执 行向前推理和向后推理2种类型的推理。

1) 向前推理也称预测推理，通过模型，沿着网络弧的方向传递关于潜在原因（解释变量）的新信 息， 更 ( 应变 ) 的概 。

2)

向后推理又称诊断推理，通过响应变量修

后的期望值，沿着网络弧向后传递来确定解释变量 最有可能的值，通常运用于风险管理。1.4模型验证

通过重构结构学习利用负反馈的方式对模型进

张笛，等!基于贝叶斯网络的船舶自沉事故后果预测

55

行验证及适当的修改。

表1序号1

船舶自沉事故贝叶斯网络节点离散状态及其分类

节点名称能见度风流自然环境事故原因失事地点S1>1 000 m<4级<2 m/s良好危险度小一般!1 000 m&5级&2 m/s恶劣危险度大复杂输入要素输入要素输入要素状态要素输入要素输入要素状态等级

分类

2

基于贝叶斯网络的船舶自沉事故

后果预测模型

国际海事组织（International Maritime Organiza­

2.1建模目标

tion，™.) 在海上安全委员会第 953 号通函中将倾

23456斜与倾覆事故定义为受外力的作用使船舶的动态倾 覆力矩大于稳性力矩，进而导致船舶失去稳性而倾 覆的事故。[17]由于其发生在海域或河流，事故发生 之后营救难度较大，极易发生溢油爆炸等次生灾害 事故，在给人民的生命财产带来巨大损害的同时，会 造成极为恶劣的社会影响，因此基于贝叶斯网络对 船舶自沉事故致因及可能造成的后果进行研究。2=数据来源

遵循下列原则选取事故报告。

U完整性!事故报告内容完整，事故发生过程

表达清晰，事故原因分析有理有据。$ )公平性!事故报告必须由我国海事部门授权 专业的调查机构发布，对肇事方和失事船舶并无偏 袒等有失公允的行为。

')时效性:随着时间的推进，包括船舶本身、船 员技能及海事部门管理在内的多个因素均有较大变 化，因此选出的典型事故报告时间尽量靠近当前。基于上述原则，在我国海事部门编写的 《D;: — $%#%年水上交通事故案例集》[#&]中选取$& 份典型船舶自沉事故调查报告，并从船舶及船公司 基本情况，船舶配员及所持证书情况，事发时水域的 水文环境，事发时船舶所处水域的风力、浪涌级别、 能见度，事故经过及船员的应对措施，应急救援情 况，事故损失及污染情况，事故原因分析及责任认定 等&个方面抽取事故报告内容。2=贝叶斯建模及分析 244 网络节点分析

船舶自沉事故作为典型的水上交通安全事故类 型，其后果受事发时船舶的状态及气象水文环境等 多方面因素的影响。因此，对影响船舶自沉事故后 果的关键因素进行考虑，根据系统工程理论和事故 致因理论，将水上交通事故看作是一个各种要素相 互联系、相互作用形成的系统，系统中的要素可被划 分为输入要素、状态要素和输出要素等'类，在对船 舶自沉事故中影响因素进行识别提炼的基础上，对 影响事故后果因素进行分类，结果见表U 244 网络结构分析

将软件作为贝叶斯网络建模的软件工

7救援难度小大状态要素&自沉速度慢快输入要素9自救装备好差输入要素10自救能力强弱状态要素11通信状况好差输入要素12救援能力强弱状态要素13救援效率高低状态要素14

事故后果

轻微

严重

输出要素

具。针对表'分析所得网络节点，以“事故后果”为 输出子节点，结合专家知识和相关文献构建模型，结 果见图'。由图'可知，用于预测船舶自沉事故后 果的贝叶斯模型是由多个根节点、中间节点和目标 节点构成的网络结构。

图'

基于贝叶斯网络的船舶自沉事故后果演化模型

244条件概率分析

确定条件概率表是进行贝叶斯模型推理的理论 基础。由于船舶自沉事故的特殊性，在分析事故后 果时，存在数据缺失、信息不足等方面的不确定性问 题。这里在数据缺失的情况下用专家调研与数据分 析方法相结合的方式判断节点概率表概率的组成。 子节点条件概率计算方法[#9]为

G(2I @1，…，@) < /1

%#P(2I @)

(3)

式(3)中为专家对影响2事件的父节点集合@ \\ 12两两比较后的权重。

以子节点“事故后果”为例，假设2事件为“事 故后果”，根据提出的船舶自沉事故后果预测BN模

56

中国航海

2018年第1期

型，其后验概率的计算式为

G(2 I @，@2，@3) < #G(2 I

#$G(2 I @2$ + #G(2 I

给定事故y下第/个等级的事故等级概率分布#$ T

=

(4)

事故等级的数量。

参考《水上交通事故统计办法》[20]对水上交通 事故等级的分类，考虑到所提出船舶自沉事故后果

演化bn模型“事故后果”节点分类的实际情况，在 征求专家意见的基础上，选取事故等级人员伤亡数 量作为对应等级事故可能造成损失的量化取值，得 到We(严重$ =10，VC2(轻微$ =1;定义事故后果严 重的 AC-分级标准为[0. 5 x V-1 +0. 5 x VC2, 1. 0 X

We ]，定义事故后果轻微的AC-分级标准为[1. 0 x 根据专家对“救援难度”“救援效率”“自救能 力”的两两比较，得到## \\ 0• 23，#2 = 〇• '1，# =

0.46。统计历史事故数据，得到子节点“事故后果” 在单个父节点影响下的概率见表2。

表？基于历史数据的船舶自沉事故后果条件概率

事故后果

父节点

严重

轻微大

0.640.36救援难度

小0.400.60低

0.870.13救援效率

高0.140.86弱

0.880.12自救能力

强

0.08

0.92

根据式(4$，在救援难度大、救援效率低和自救 能力弱的状态下，事故后果为严重的条件概率为

G(2< 严重 I @ < 大，< 低，@ < 弱$ < 0. 82

(5)

以此类推，得到其他状态下的“事故后果”条件 概率见表3。

表3船舶自沉事故后果节点条件概率救援自救援事故后果难度

能力

效率轻微严重高

0.82

0.18

强

低

0.610.39小

高

0.460.54弱

低0.230.77高

0.770.23强

低

0.550.45大

高

0.41

0.59弱

低

0.180.82

2.3.4模型验证

具体来说，对于给定的事故情形下船舶自沉可 能造成的后果，参考式（1$，提出事故背景下事故后果指标 2CN( Accident Consequence Index)，有

AC$- < %/ = 1

VClPCl

(6)

式(6 $中：V-为对应第〖事故等级造成的损失;P-为

VC2, 0.5 xV-1 +0.5 xVC2)。由此得到的 AC-指标

的离散化分级标准见表4。

表4 AC,指标的离散化分级标准

事故后果AC-严重（Vc =10)[5.5, 10.0]轻微（Vc=1)

[1.0, 5.5)

2=实例分析

相比单一考虑船舶自沉后果，AC-更能体现自 沉风险的高低。针对提出的基于贝叶斯网络的船舶 自沉事故后果预测模型，利用选取出的典型船舶自 沉事故调查报告，对所提出的船舶自沉事故后果预

测模型进行验证。以“铭扬洲188”翻沉事故为例， 事发当日能见度> 1 000 ?，水流湍急，海上风力8〜 9级，阵风10级，船舶失事水域水文条件复杂，船舶 失稳之后倾覆速度较快，且船上救援装备落后没有 及时向外界发出求救信号，事发后参与救援的船舶 救援能力较弱。

将以上各节点的数据输入基于贝叶斯网络的船 舶自沉事故后果预测模型中，得到“铭扬洲178 ”翻 沉事故的AC- = 9.498 7，模型输出结果处在严重事 故后果区间[5. 5，10. 0 ]内，即模型判断该起事故造 成大量人员伤亡，与实际情况一致(见图4)。

28起基于贝叶斯网络的船舶自沉事故后果演 化模型的典型船舶自沉事故AC-值输出见表5。

张笛，等:基于贝叶斯网络的船舶自沉事故后果预测

57

表5序号1基于贝叶斯网络的船舶自沉事故后果验证结果

船名东方之星风险控制措施提高对事故演化起积极作用的过程节 点，判断其对最终“事故后果”节点的影响，从而提 出相应的事故后果控制策略。根据船舶自沉事故后 果预测模型，对“事故后果”节点起积极作用和消极

AC.

8.091 1实际事故等级

严重2Hung Cuong 168

3.737 8轻微3泰和93.737 8轻微4三无运输船舶6.464 8严重5滨海1034.721 5轻微6抚航拖2683.340 9轻微7顺强13.737 8轻微8铭扬洲178

9.498 7严重9安津6.877 9严重10先锋海17.780 6严重11辽普运7776.464 8严重12赤壁38.741 8严重13华源顺187.655 5严重14顺达29.325 0严重15沙河口4.996 0轻微16嘉定关4.870 0轻微17华顶山3.737 8轻微18三航桩48.741 8严重19飞云岭6.751 9轻微20苏射187.723 9严重21厦船1号船坞7.655 5轻微

22浙舟6066.821 2严重23大舜7.307 2严重24盛鲁3.340 9轻微25嘉裕3.664 0轻微

26静水泉7.145 2轻微27川江安渡00168.282 8严重28

Sheng Jia 16

5.145 4

轻微

以上分析表明，根据本文方法，将影响事故后果 的风险因素关联合并形成的船舶自沉事故后果演化 贝叶斯网络，对整个事故带来的后果及损失进行估 计的方法是可行的，基于贝叶斯网络的船舶自沉事 故后果预测模型预测结果与事故后果基本吻合，因 此模型验证合格。

3船舶自沉后果控制方案

3.1船舶自沉事故后果控制措施

为研究分析特定影响因素对船舶自沉事故后果

的影响，通过仿真分析，设定特定的事故情景，采取

作用的父节点进行划分，结果见表6。

表6

基于贝叶斯网络的船舶自沉事故后果预测模型节点依赖关系父节点节点作用划分自然环境恶劣消极作用救援难度大消极作用自救能力强积极作用救援效率高

积极作用

根据水上交通应急处置办法，从船公司管理和 海事部门应急指挥等方面出发，针对表6中的4个 影响“事故后果”节点的父节点，提出相应的事故后 控制 法， 表7。

表7

船舶自沉事故不同后果的应急措施

编号风险控制办法

父节点RCM1

提高极端天气预测的能力自然环境恶劣

rcm

2扩大应急救援力量和设备覆

盖水域

救援难度大

rcm

3提高对失事船舶的定位能力rcm

4

从船舶设计方面提高船舶对 风浪的抵御能力

RCM5增加船上救援装备/资源配备自救能力强

RCM6

开展船员应急自救培训rcm

7

提高船舶在恶劣气象条件下 的通信能力

救援效率高

rcm

8

提高水上救援力量的专业化 水平

3.2船舶自沉事故后果控制措施

为根据上述提出的降低船舶自沉事故后果的风 险控制措施，进一步计算采取单个事故后果控制措 施之后的船舶自沉事故后果预测BN模型的2CN输 出值，评价单个事故后果控制措施对降低船舶自沉 故 的 。

以“铭扬洲178”翻沉事故为例，基于贝叶斯网 络的船舶自沉事故后果预测模型输出的“事故后 果”2—.值为9.498 7，即此次事故后果原始输出为 9.498 7。以事故后果控制措施（RCM\")为例，有关 专家指出，在从船舶设计方面提高船舶对风浪的抵

58

中国航海

2018年第1期

故后果控制万案。

1)

RCM3。

故 控制方案RC〇1!同时采用RCM$和 事故后果控制方案RC〇2!同时采用RC控制方案RC〇3!同时采用RCM7和 2) 3) 事故

RCM5 和RCM6。

图5 RCM4对“铭扬洲178”翻沉事故的2—.影响效用

能力 ，能 船舶在恶劣 下的稳定保持能力，

端大

下，

的速度也

普通船舶慢， 基 叶斯网络的船舶自沉事

故 预测模型中，“ Overturn speed ”输入由

G( quick )= 1，G ( slow )= 0 转化为 G ( quick $ \\ 0， G(M〇w) = 1，

“船舶倾覆速度”节点输人后的模

型“事故 ”2-$输

为9.172(图5$，占

始2-1输出值的96. ACI56%，

为

C = $' /1

100% \\ 96.56% (7、

)

其他事故后果控制措施效用计算结果见表8。

表8

单个事故后果控制措施下船舶自沉

*+?有

排序

故后果 故占原始输出

效用控制措施输

（ACI)

比/%排序RCM1

8.329 687.691rcm28.726 591.872rcm38.880 493.494rcm49.172 096.568rcm58.959 694.326rcm69.066 795.457rcm78.884 993.545rcm

8

8.732 8

91.94

3

3.3船舶自沉

果控制方案运用船舶自

故

预测=(模型

自沉

控制万案研；。 自 控制果，提高极端天气预测的能力（'CM:)、扩大应急救 力 域（RCM$) 高上 力的 （RCM&)是对

的事故 控

制措施。然而，采取

故 措施对降低事故

输出的 够明显，无法

海 门对降低事故 严重的

，

虑

船舶自沉措施对 节点的

，制

下3个事

RCM&。

采取以上事故

控制方案的情况下，事故

指标ACIy的变

，

表9。

表

X

采用事故后果控制方案下值有效性排序

故后果 故占原始输出

效用控制方案输出值(ACI)

比/%排序RCO1

7.042674.141rco27.583579.843rco

3

7.4215

78.13

2

从表9中可看出：RC〇1(同时采用扩大应急救 力 域

高对失事船舶的定位能

力的措施）是 的控制方案，

是RCO'(同

米 高恶劣气象

下船舶的通N能力

高水

上

力量的

的措施），

是

rco

$

(同采 船舶 方面提高船舶对风浪的抵御

能力、

船上 装备/资源配

船员应急

自救培训的措施），采 3种故后果控制方案 可分别将ACI值降低到原来的74. 14%，78. 13%和

79.84%，相对 故

控制措施显示

；

优势。

4结束语

本 过 型船舶自

故报告援行动报告，对船舶自 行

船舶本身及等

状态的

行 ，构建基于贝

叶斯网络的船舶自 预测模型。试验 验证

该方法的可行性，具 的预

。此外，针

对船舶自

故

过程中

的中 8

项

控制措施和3种故 控制万案，可为海

门和船公司在处理船舶自沉险

降低船舶自故

的严重

理论支撑。

参考文南犬

[1] 长江海事局.长江海事局2014年安全形势通报[EB/

OL]. [ 20159592 ]. http:/资www. cjmsa. gov. cn/9/ 368/2/39/59/2048319. html.

[2] GALLUCCI R H V，METZGER B. Statistical Character­

张笛，等!基于贝叶斯网络的船舶自沉事故后果预测

ization of Heat Release Rates from Electrical Enclosure Fires for Nuclear Power Plant Applications [ J ]. Fire Technology，2016： 1-23.

[']方泉根，王津，DATUBO A.综合安全评估（FSA)及

其在船舶安全中的应用[J].中国航海，2004 (1): 1-5.

[4]

FU S，ZHANG D，MONTEWKA J，et al. Towards a Probabilistic Model for Predicting Ship Besetting in Ice in Arctic Waters [ J ]. Reliability Engineering & System Safety，2016, 155： 124-136.

[5] ZHOU T，ZHANG D，FU S，et al. Safety Assessment of

LNG Carriers Based on Fault Tree Analysis [ C] //Trans- portation Information and Safety， 2015 International Conference on. IEEE，2015： 715-719.

[6] 黄影平.Bayes网络发展及其应用综述[J].北京理

工大学学报，2013, 12: 1211-1219.

[7] 贾立校，胡甚平.水上交通风险成因耦合作用诊断

[J].中国航海，2016, 39(4): 91-96.

[8] 张笛，万程鹏，严新平.基于事故特征分析的长江碍

航风险研究[J].中国航海，2013, 36(2): 94-99.

[9]刘 克中，干伟东，黄明，等.基于贝叶斯网络的船舶

溢油风险评价研究[J].中国航海，2012, 37(1): 85-89.

[10] 马雪婧，邵春福，钱剑培，等.交通事件持续时间预

测的贝叶斯网络模型[J].交通信息与安全，2015 (6): 65-71.

[12][11]

59

李贤功，葛家家，胡婷.煤矿顶板事故致因分析的贝 叶斯网络研究[J].中国安全科学学报，2014(7): 10-14.

张道玉，胡晓伟.基于改进贝叶斯网络模型的高速 公路交通设施风险评估[J].交通信息与安全， 2016, 34 (5): 102-107.

[13] LANGSETH H，PORTINALEL. Bayesian Networks in

Reliability [ J ]. Reliability Engineering and System Safe­ty， 2007, 92(1): 92-108.

[14] 姚成玉，陈东宁，王斌.基于T-S故障树和贝叶斯网

络的模糊可靠性评估方法[j].机械工程学报， 2014, 50(2) : 193-201.

[15] 毛承胜.基于贝叶斯决策理论的局部分类方法研究

及其应用[D].兰州：兰州大学，2016.

[16] 祝璞，黄章进.基于稀疏贝叶斯模型的特征选择

[J].计算机工程，2017,43(4):183-187.

[17] 张圣坤，白勇，唐文勇.船舶与海洋工程风险评估

[M].北京：国防工业出版社，2003.

[18] 交通部海事局.1995—2010年水上交通事故案例集

[M].北京：人民交通出版社，2010.

[19] YANG Y，ELFAYOUMY S. Anti-Spam Filtering Using

Neural Networks and Baysian Classifiers [ C ] //Interna­tional Symposium on Computational Intelligence in Ro­botics and Automation. IEEE，2007： 272-278.

[20] 交通运输部.水上交通事故统计办法[Z].北京:交

通运输部，2014.

(上接第47页）

[8] KIJIMA K，FURUKAWA Y. Automatic Collision Avoid­

ance System Using the Concept of Blocking Area[ C]// Proceeding of IFAC Conference on Manoeuvring and Control of Marine Craft，2003.

[9] WANG N. An Intelligent Spatial Collision Risl^ Based

on the Quaternion Ship Domain [ J ]. Journal of Naviga­tion， 2010, 63(4) :733-749.

[10] PIETRZYKOWSKI Z. Ship’ s Fuzzy Domain-a Criterion

for Navigational Safety in NarrowFairways [ J ]. Journal of Navigation，2008，61 (3):499-514.

[11]

周丹，郑中义.船舶领域与其影响因素的关系[j]. 大连海事大学学报，2016,42(3):25-30.

[12] 贾传荧.拥挤水域内船舶领域的探讨[J].大连海运

学院学报，1989,15(4): 15-19.

[13] 廖河树，彭国均.船舶在狭水道航行的碰撞危险性

评价研究[J].中国航海，2003 (1): 48-52.

[14] 徐周华，牟军敏，季永清.内河水域船舶领域三维模

型的研究[J].武汉理工大学学报（交通科学与工程 版），2004,28(3)： 380-383.

[15] 陈厚忠，郭国平.内河并列桥梁桥区水域船舶领域模

型与通过能力研究[J].船海工程，2008,37(5)： 113­116.

[16] 范贤华，张庆年，周锋，等.水流条件下内河船舶领域

模型[J].大连海事大学学报，2013, 39(1)： 46-8.

[17]齐 乐，郑中义，李国平.互见中基于AIS数据的船舶

领域[J].大连海事大学学报，2011，37(1 )：48-50.

[18] HANSEN M G，JENSEN T K，LEHN-SCHI0LER T，

et al. Empirical Ship Domain Based on AIS Data [ J ]. Journal of Navigation，2013，66(6) ： 931-940.

[19]向 哲，胡勤友，施朝健，等.基于AIS数据的受限水

域船舶领域计算方法[J].交通运输工程学报，2015 (5)： 110-117.