La predicción del riesgo de encuentro es fundamental para la seguridad de la navegación marítima, especialmente en aguas congestionadas, donde los buques navegan muy cerca unos de otros durante diversas situaciones de encuentro. Los estudios previos sobre el riesgo de colisión entre buques no han sido capaces de abordar la incertidumbre del proceso de encuentro al ignorar los complejos movimientos que constituyen el comportamiento dinámico de encuentro de los buques, lo que puede afectar seriamente al rendimiento de la predicción del riesgo. Para colmar esta laguna, se propone un nuevo enfoque basado en datos AIS para la predicción del riesgo de colisión de buques mediante el modelado de patrones de comportamiento entre embarcaciones. En particular, se extraen características multidimensionales de los comportamientos de intership a partir de los datos de rastreo AIS para capturar las dependencias espaciales entre los buques que se encuentran. A continuación, el reto de la predicción de riesgos consiste en descubrir la compleja e incierta relación entre los comportamientos de intership y el futuro riesgo de colisión. Para abordar esta cuestión, proponemos un marco de aprendizaje profundo. Para representar la dinámica temporal del proceso de encuentro, utilizamos la técnica de ventana deslizante para generar las secuencias de características de comportamiento. El nivel de riesgo de colisión en un momento futuro se toma como la etiqueta de clase de la secuencia. A continuación, la red de memoria a corto plazo, que tiene una gran capacidad para modelar la dependencia temporal y los patrones complejos, se amplía para establecer la relación. La ventaja de nuestro enfoque es que transforma el complejo problema de la predicción del riesgo en una tarea de clasificación de series temporales, lo que hace que la predicción del riesgo de colisión sea fiable y más fácil de aplicar. Se realizaron experimentos con un conjunto de datos naturalistas de varios escenarios de encuentro en el Canal Sur del estuario del río Yangtsé. Los resultados muestran que el método propuesto, basado en datos, puede predecir el riesgo de colisión con gran precisión y eficacia. Se espera que el enfoque se aplique para la predicción temprana de los buques que se encuentran y como apoyo a la toma de decisiones para mejorar la seguridad de la navegación.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un enfoque de minería de datos sobre la sobrecarga de los conductores de camiones en las vías urbanas de Teherán
Artículo:
Factores que influyen en la aceptabilidad de la tarificación de la congestión: Una revisión de la literatura
Artículo:
Predicción de trayectorias de vehículos mediante redes LSTM basadas en el conocimiento en entornos urbanos
Artículo:
Patrones de uso de las bicicletas eléctricas: Un análisis del proyecto WeBike
Video:
Cadena de Suministro Verde
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.