期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于关联规则挖掘和复杂网络理论的船舶碰撞事故影响因素分析
被引量：
1
1
作者
冯
胤
伟
刘正江
+4 位作者
蒋子怡
夏国庆
曹宇皓
王新建
王焕新
《大连海事大学学报》
CAS
CSCD
北大核心
2023年第3期31-44,共14页
为更加科学地分析船舶碰撞事故影响因素的交互关系,揭示船舶碰撞事故的演变机理,以全球船舶碰撞事故报告为依据,建立包含人为因素、船舶因素、管理因素、环境因素及事故时间等五类影响因素的船舶碰撞事故数据库;应用Apriori关联规则挖...
为更加科学地分析船舶碰撞事故影响因素的交互关系,揭示船舶碰撞事故的演变机理,以全球船舶碰撞事故报告为依据,建立包含人为因素、船舶因素、管理因素、环境因素及事故时间等五类影响因素的船舶碰撞事故数据库;应用Apriori关联规则挖掘算法识别船舶碰撞事故影响因素间的频繁模式、关联、共现或因果关系,运用复杂网络理论将关联规则挖掘的结果可视化;应用拓扑特征分析方法,基于互信息理论的重要节点排序算法和基于边介数中心性的边排序算法实现关键影响因素和边的识别,对事故影响因素交互网络进行鲁棒性分析。结果表明,大部分船舶碰撞事故的影响因素较活跃且影响因素交互网络联系紧密,船舶吨位、船龄、航行水域等影响因素在交互信息传递时较为重要。
展开更多
关键词
水路运输
影响因素
关联规则
碰撞事故
复杂网络
机器学习
原文传递
基于深度学习模型的船舶碳排放时空预测研究
被引量：
1
2
作者
栾建霖
冯
胤
伟
+3 位作者
李海江
王新建
贾鹏
匡海波
《科研管理》
CSCD
北大核心
2023年第3期75-85,共11页
船舶碳排放的预测研究在挖掘碳排放时空分布特征、揭示排放时空演化规律、制订和调整脱碳政策等方面具有重要的理论与实践意义。然而目前,船舶航行状态辨识的准确性依旧制约着船舶碳排放测算的精度,而且,船舶碳排放预测研究多集中于预...
船舶碳排放的预测研究在挖掘碳排放时空分布特征、揭示排放时空演化规律、制订和调整脱碳政策等方面具有重要的理论与实践意义。然而目前,船舶航行状态辨识的准确性依旧制约着船舶碳排放测算的精度,而且,船舶碳排放预测研究多集中于预测其在时间维度的演化规律,尚未考虑兼顾时空双重维度的多维预测。因此,为解决船舶碳排放测算中航行状态辨识误判率高,以及传统碳排放预测方法难以兼顾空间相关性等问题,首先,本文以轨迹段为基本单元,在综合考虑航行状态持续时间、地理活动范围和航向变化等多维运动特征的基础上,提出了一种新的时空轨迹搜索算法,实现了航行状态的精准辨识;其次,本文引入了深度预测学习领域的ConvLSTM模型,构建了一种新的船舶碳排放时空预测框架,并提出一种基于GIS空间识别技术的高分辨率时空序列数据集构建方法。该框架不仅可预测船舶碳排放在时间维度上的演化规律,还可通过卷积运算,充分挖掘碳排放在空间上的局部依赖关系;最后,以我国渤海海域为例,基于船舶AIS数据,开展了船舶航行状态辨识和碳排放预测实验,结果表明:本文提出的航行状态辨识算法准确率达90%以上,有效解决了仅依据实时航速和主机负载划分航行状态的误判问题;而且,本文提出的船舶碳排放测算模型可在排放数据集上稳定收敛,并且能够准确预测排放的热点区域。本研究为我国船舶碳排放核算制度的完善,碳排放峰值、时间和区域的研判,以及碳中和路径的制订提供了重要的理论依据。
展开更多
关键词
船舶碳排放
时空预测
航行状态辨识
深度预测学习
ConvLSTM
原文传递
题名
基于关联规则挖掘和复杂网络理论的船舶碰撞事故影响因素分析
被引量：
1
1
作者
冯
胤
伟
刘正江
蒋子怡
夏国庆
曹宇皓
王新建
王焕新
机构
大连海事大学航海学院
利物浦约翰摩尔斯大学LOOM研究所
出处
《大连海事大学学报》
CAS
CSCD
北大核心
2023年第3期31-44,共14页
基金
国家自然科学基金青年科学基金项目(52101399)
中央高校基本科研业务费专项资金资助项目(3132023138)
大连海事大学博联科研基金项目(3132023617)。
文摘
为更加科学地分析船舶碰撞事故影响因素的交互关系,揭示船舶碰撞事故的演变机理,以全球船舶碰撞事故报告为依据,建立包含人为因素、船舶因素、管理因素、环境因素及事故时间等五类影响因素的船舶碰撞事故数据库;应用Apriori关联规则挖掘算法识别船舶碰撞事故影响因素间的频繁模式、关联、共现或因果关系,运用复杂网络理论将关联规则挖掘的结果可视化;应用拓扑特征分析方法,基于互信息理论的重要节点排序算法和基于边介数中心性的边排序算法实现关键影响因素和边的识别,对事故影响因素交互网络进行鲁棒性分析。结果表明,大部分船舶碰撞事故的影响因素较活跃且影响因素交互网络联系紧密,船舶吨位、船龄、航行水域等影响因素在交互信息传递时较为重要。
关键词
水路运输
影响因素
关联规则
碰撞事故
复杂网络
机器学习
Keywords
waterway transportation
affecting factors
association rule
collisions
complex network
machine learning
分类号
U698 [交通运输工程—港口、海岸及近海工程]
原文传递
题名
基于深度学习模型的船舶碳排放时空预测研究
被引量：
1
2
作者
栾建霖
冯
胤
伟
李海江
王新建
贾鹏
匡海波
机构
大连海事大学综合交通运输协同创新中心
大连海事大学航运经济与管理学院
大连海事大学航海学院
出处
《科研管理》
CSCD
北大核心
2023年第3期75-85,共11页
基金
辽宁省社会科学规划基金项目(L21ACL002,2021-2023)。
文摘
船舶碳排放的预测研究在挖掘碳排放时空分布特征、揭示排放时空演化规律、制订和调整脱碳政策等方面具有重要的理论与实践意义。然而目前,船舶航行状态辨识的准确性依旧制约着船舶碳排放测算的精度,而且,船舶碳排放预测研究多集中于预测其在时间维度的演化规律,尚未考虑兼顾时空双重维度的多维预测。因此,为解决船舶碳排放测算中航行状态辨识误判率高,以及传统碳排放预测方法难以兼顾空间相关性等问题,首先,本文以轨迹段为基本单元,在综合考虑航行状态持续时间、地理活动范围和航向变化等多维运动特征的基础上,提出了一种新的时空轨迹搜索算法,实现了航行状态的精准辨识;其次,本文引入了深度预测学习领域的ConvLSTM模型,构建了一种新的船舶碳排放时空预测框架,并提出一种基于GIS空间识别技术的高分辨率时空序列数据集构建方法。该框架不仅可预测船舶碳排放在时间维度上的演化规律,还可通过卷积运算,充分挖掘碳排放在空间上的局部依赖关系;最后,以我国渤海海域为例,基于船舶AIS数据,开展了船舶航行状态辨识和碳排放预测实验,结果表明:本文提出的航行状态辨识算法准确率达90%以上,有效解决了仅依据实时航速和主机负载划分航行状态的误判问题;而且,本文提出的船舶碳排放测算模型可在排放数据集上稳定收敛,并且能够准确预测排放的热点区域。本研究为我国船舶碳排放核算制度的完善,碳排放峰值、时间和区域的研判,以及碳中和路径的制订提供了重要的理论依据。
关键词
船舶碳排放
时空预测
航行状态辨识
深度预测学习
ConvLSTM
Keywords
ship carbon emission
spatiotemporal prediction
navigation status identification
deep predictive learning
ConvLSTM
分类号
U692.3 [交通运输工程—港口、海岸及近海工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于关联规则挖掘和复杂网络理论的船舶碰撞事故影响因素分析
冯
胤
伟
刘正江
蒋子怡
夏国庆
曹宇皓
王新建
王焕新
《大连海事大学学报》
CAS
CSCD
北大核心
2023
1
原文传递
2
基于深度学习模型的船舶碳排放时空预测研究
栾建霖
冯
胤
伟
李海江
王新建
贾鹏
匡海波
《科研管理》
CSCD
北大核心
2023
1
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
