一种新颖的多任务因果表示学习方法,用于实现可解释的海事碰撞严重性预测

《Reliability Engineering & System Safety》:A Novel Multi-task Causal Representation Learning Approach for Interpretable Maritime Collision Severity Prediction

【字体: 大 中 小 】 时间:2026年01月18日 来源:Reliability Engineering & System Safety 11

编辑推荐:

  海事碰撞严重性预测面临数据异质性和类别不平衡挑战,本文提出多任务因果表示学习框架MCLF。其核心是结构化解耦机制区分直接与间接影响,结合对抗训练和正交约束减少数据干扰,利用TabDDPM交互合成模块增强小样本预测能力,通过动态多任务融合整合主预测与污染、财产损失等辅助任务,实现因果路径的透明解析与多维度预测。

  
王淼淼|王彦福|马志成|王金
中国石油大学机械与电子工程学院安全科学与工程系,青岛市266580,中华人民共和国

摘要

准确预测和稳健解释海上碰撞的严重程度至关重要。现有的基于相关性的方法缺乏稳健性且难以解释,难以处理混淆因素、数据异质性和类别不平衡问题。本文提出了一种新颖的多任务因果表示学习框架(MCLF)来解决这些限制。该框架的核心是一种结构化的解耦机制,它将影响分为直接效应和通过不安全因素介导的间接效应,并通过对抗性训练和正交性约束来减少观测协变量引起的表示级混淆,从而提高稳健性和可解释性。为了解决类别不平衡问题,使用了基于表格去噪扩散概率模型(TabDDPM)的交互式数据合成模块,该模块为难以分类的案例生成高质量样本,以增强模型的稳健性。然后,动态多任务融合策略将主要严重程度预测与辅助任务(污染、财产损失和死亡)进行自适应集成。这种整体方法通过提供结构化的效应分解,实现了更高的预测准确性并增强了可解释性,为海上安全决策提供了更透明的支持。

引言

随着全球海上交通密度的增加,船舶碰撞事故变得更为频繁。船舶碰撞占所有海上事故的约20%,涉及高吨位商船或油轮的碰撞往往导致特别严重的后果和高昂的恢复成本[1,2]。因此,理解因果特征如何影响碰撞的严重程度,并揭示产生严重后果的机制,对于改进严重程度预测和风险缓解至关重要。
因果分析长期以来一直是海上安全的基础工具,主要用于回顾性地归因根本原因和促成因素,以制定预防策略[3]。然而,本文的重点从仅仅调查事故的原因[[4], [5], [6], [7]]转向深入研究决定船舶碰撞后果严重程度的因果结构路径。现有的数据驱动分析框架通常将事故的发展视为一个黑箱,从而掩盖了其中的关键中间机制。大多数现有研究[8,9]将人为错误、观察不足或潜在设备故障等不安全因素视为可观察的输入变量。然而,在实践中,这些因素通常在事故发生之前是无法获得的。这引发了一个关键问题:外部条件(如天气)是否直接导致严重后果,还是通过引发不安全的中介状态(例如人为错误)间接起作用?忽视这些间接路径可能会导致对初始条件影响的误解。
从因果关系的角度来看,区分直接路径和间接路径是必要的。使用结构化表示来表达风险如何传播,可以提高可解释性,并通过建模外部因素如何触发潜在的不安全状态来支持主动预测,从而影响事故的严重程度。这使得从业者能够检查模型在特定场景中依赖的上下游因素和中间不安全状态,从而支持可操作的风险评估和有针对性的缓解措施。虽然最近的一项研究[10]已经证明了使用先进模型从观测特征推断事故原因的可行性,但这项任务本质上仍然是回顾性的。将这些因果见解整合到预防性严重程度预测模型中仍然是一个关键且未解决的挑战。
传统模型受到同质效应假设的限制,产生了一个单一的平均因果叙事,掩盖了不同事故场景之间的显著异质性。实际上,主导的因果路径及其重要性因事件而异[11]。此外,事故后果是多维的(例如人员伤亡、财产损失和污染),仅预测这些结果的模型无法捕捉到它们的共同因果驱动因素,导致见解碎片化。这些限制突显了建立一个能够量化具体实例、路径结构化关系并同时建模多个相关结果的框架的必要性。
为了解决这些限制,我们提出了一个基于因果表示学习的可解释多任务框架。本研究的主要贡献如下:
  • ●
    生成模型和分类模型之间的交互式训练机制:我们提出了一种反馈驱动的联合优化策略,将数据生成模型(TabDDPM)与分类模型集成在一起。通过适应性地生成接近决策边界的合成样本并将其反馈到分类器中,该框架使学习集中在难点案例上。
  • ●
    用于多任务预测的结构化因果建模:将因果解耦表示学习与多任务优化机制相结合,不仅提高了预测准确性和泛化能力,还能够系统地建模多维事故后果背后的复杂因果路径。
  • ●
    用于建模因果异质性的动态因果启发式结构化解耦机制:通过使用带有可学习因果查询的交叉注意力方法,在事件发生之前动态推断每个实例中最突出的潜在不安全状态,分析范式从估计同质平均效应根本性地转变为建模异质个体效应。
  • 本研究的其余部分安排如下:第2节回顾相关文献,第3节详细解释所提出的方法论,第4节提供实验结果及相应讨论,第5节总结结论。

    研究片段

    关于海上事故严重程度的相关研究

    事故很少由单一故障引起,而是由人员表现、设备状况、环境因素和组织流程之间的相互作用造成的[12,13]。这一认识促使越来越多地采用基于系统的方法来进行事故因果分析。Fu等人[14]使用AcciMap框架来识别北极航行条件下船舶搁浅事故中的潜在风险因素及其相互关系。同样,Ma等人[15]

    所提出方法论的概述

    所提出的方法论框架如图1所示,包括四个阶段:数据收集和统计(A)、数据合成(B)、核心模型构建(C)以及评估和解释(D)。从全球海上数据库中收集了事故报告,统计分析(图1-A)显示事故严重程度存在明显的类别不平衡,严重事故的代表性不足,这不利于模型学习和泛化。为了解决这个问题

    结果与讨论

    为了验证我们提出方法的有效性和可解释性,我们设计了一系列全面的实验,旨在回答从我们的目标中得出的以下关键研究问题。

    RQ1

    数据合成对预测性能的影响。鉴于海上事故数据中固有的类别不平衡,哪种数据合成技术最能有效提高我们预测模型的性能?

    RQ2

    预测性能。我们的因果模型是否达到或至少接近

    结论

    本研究提出了一种新颖的因果表示框架,超越了传统的相关性分析,提供了一种用于建模和估计事故后果背后动态和异质因果机制的方法。核心贡献在于学习和量化潜在表示中的动态因果中介效应,使得能够分解事故发生前条件如何通过直接和间接路径影响事故的严重程度。
    我们的结果

    CRediT作者贡献声明

    王淼淼:撰写——原始草稿、验证、软件、方法论、调查。王彦福:撰写——原始草稿、监督、方法论。马志成:可视化、监督。王金:撰写——审阅与编辑、验证、监督。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号