《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Predictive Framework for Damage Severity in Ship Collisions Involving Fishing Vessels in Korean Waters: A Data-Driven Bayesian Network Approach
编辑推荐：
•构建了一种通用贝叶斯网络，用于推断碰撞中配对船舶的损伤严重程度。•在按事件分组验证下比较了六种贝叶斯网络结构。•碰撞引起的速度变化是最具信息量的严重性因素。•每次碰撞的配对船舶均保留在同一验证折中。•重构碰撞场景展示了降速情况下的后验概率变化。引言碰撞事故仍然是海上安全的一
- •
构建了一种通用贝叶斯网络，用于推断碰撞中配对船舶的损伤严重程度。
- •
在按事件分组验证下比较了六种贝叶斯网络结构。
- •
碰撞引起的速度变化是最具信息量的严重性因素。
- •
每次碰撞的配对船舶均保留在同一验证折中。
- •
重构碰撞场景展示了降速情况下的后验概率变化。
引言
碰撞事故仍然是海上安全的一大隐患。安联安全与航运报告指出，碰撞是全球海上伤亡事故的第二大原因[1]。2023年全球船舶船壳保险保费达92亿美元，同比增长7.6%[23]。在韩国，2016年至2024年间共发生2986起碰撞事故，占所有海上事故的16.1%[33]。
海上碰撞研究已通过统计、机器学习和贝叶斯网络等方法探讨了碰撞的发生、成因、严重程度以及基于场景的风险评估[7,13,26,27,34,39,42,46,51,59,61,63]。一个尚存的方法论挑战是在统一的概率框架下整合船舶级物理损伤推断、经验贝叶斯网络结构选择、碰撞事件级分组验证以及重构的遭遇场景。
为弥补这一不足，本研究开发了一种数据驱动的贝叶斯网络框架，用于估算韩国水域涉及渔船的碰撞中船舶级严重船壳损伤概率。研究采用2016—2024年事故数据，在统一的碰撞事件级分组验证下比较了代表性贝叶斯网络结构。在评估候选模型的判别能力、概率质量和结构复杂度之后，对所选网络进行了结构稳定性验证，并将其应用于重构的碰撞场景。
本研究的主要贡献如下：
- 1.
本研究将贝叶斯网络结构视为经验模型选择问题，而非先验假设单一拓扑。在相同的碰撞事件级分组验证下评估了六种具有不同依赖灵活度层级的代表性贝叶斯网络结构。所选择的G贝叶斯网络随后通过精确BIC优化和碰撞事件级自助重采样进行了验证，为船舶级碰撞严重性推断提供了一套可复现的结构选择程序。
- 2.
本研究开发了一种船舶级概率框架，专门针对涉及渔船的双船碰撞中的严重船壳损伤。物理碰撞变量、船舶特征、碰撞几何关系以及非对称的撞击/被撞击状态在同一个G贝叶斯网络中得以表征，使得可以为每艘船舶分别估算后验船壳损伤概率，而不是将整个碰撞事件分配单一的后果。
- 3.
该框架的一个示例性应用是将拟合的G贝叶斯网络与船舶操纵仿真耦合，重构两起实际碰撞事故。从重构的遭遇中提取随时间变化的船舶状态，并在连续的仿真时间点输入网络，使得可以在碰撞发展过程中以及不同速度条件下比较后验严重损伤概率。这些仿真作为示例性场景应用，而非独立的外部验证。
- 4.
评估框架保留了碰撞事件分组，使同一事故中的两艘船舶保持在同一折中，减少了事件级信息泄露导致的乐观评估。通过折内SMOTENC敏感性分析考察了类别不平衡问题，在评估候选网络时综合考虑判别能力、严重类别检测、概率质量指标和模型复杂度。这些程序共同将模型选择与预测评估和后续的场景化应用区分开来。
章节摘要
船舶碰撞后果与严重性建模
海上碰撞研究通过几何和交通模型考察了碰撞的发生与频率[15,49]，并通过有序probit和伤害严重性等统计方法研究碰撞严重性[27,63]。近期研究采用机器学习和贝叶斯方法：Wang和Yang[61]比较了用于海上事故严重性的替代贝叶斯网络结构；Cao等[7]采用了基于TAN的贝叶斯网络；Lan等[34]将关联规则挖掘、复杂网络和随机森林相结合，
研究框架
图1展示了本研究提出的整体研究框架。研究包括四个主要阶段。首先，通过提取和处理海事事故报告中的碰撞事故数据构建参考数据集。其次，进行预处理和五折碰撞事件级分组验证，离散化边界从每个训练分区估计，SMOTENC仅应用于补充的不平衡处理分支。第三，六个候选
候选贝叶斯网络结构比较
表7在统一的碰撞事件级分组验证下，使用共同的对称Dirichlet参数估计规则比较了六种候选贝叶斯网络结构。没有任何单一模型在所有指标上表现最优。NB产生了最高的池化ROC-AUC（0.7844）和平均精度（0.4668），而G贝叶斯网络在严重类别F1得分（0.5650）和平衡准确率（0.7448）上表现最佳，同时具有最低的Brier分数（0.1449）和对数损失（0.4408）。
研究发现总结与启示
本研究开发了一种数据驱动的贝叶斯网络框架，用于估算涉及渔船的碰撞中船舶级严重船壳损伤概率。在相同的碰撞事件级分组验证下比较了六种结构，并选择了无约束G贝叶斯网络，因其具有平衡的预测和概率质量表现且结构精简。精确BIC优化和事件级自助分析进一步支持所选拓扑作为数据选择而非预设的
结论
本研究开发了一种数据驱动的贝叶斯网络框架，用于估算韩国水域涉及渔船的碰撞中船舶级严重船壳损伤概率，数据来自2016—2024年间记录的406起事件中的799艘船舶观测。在碰撞事件级分组验证下比较了六种贝叶斯网络结构，选择了具有10条弧和151个自由参数的精确BIC G贝叶斯网络。条件概率表采用对称Dirichlet平滑，SMOTENC仅在训练折内考察。因此，拓扑选择、
数据声明
所有支持结果的数据均可在本文中获得，也可应第一作者或通讯作者要求提供。
作者贡献：CRediT
Hyungoo Park：概念化、方法论、软件、原创手稿撰写、验证、可视化、调查、数据管理。Young-Soo Park：概念化、监督、项目管理、审阅与编辑。Sang-Won Park：概念化、资源、软件、审阅与编辑。
撰写过程中生成式人工智能及AI辅助技术的声明
在本工作准备过程中，作者使用了Gemini以提高手稿的语言、语法和可读性。使用此工具后，作者对所有内容进行了审阅和必要编辑，并对出版内容承担全部责任。
CRediT作者贡献声明
Hyungoo Park：原创手稿撰写、可视化、验证、软件、方法论、调查、数据管理、概念化。Young-Soo Park：审阅与编辑、监督、项目管理、概念化。Sang-Won Park：审阅与编辑、软件、资源、概念化。
Hyungoo Park|Young-Soo Park|Sang-Won Park
