Professional Documents
Culture Documents
The automatic identification system of maritime accident risk using rule-based reasoning
Bilal IDIRI, Aldo NAPOLI
Mines ParisTech Centre for Research on Risk and Crises
Plan
1 Introduction
1 2 3 4
2 Proposition
1 2 3
4 Conclusion et perspectives
Introduction
Contexte
Limportance de lactivit maritime
90% des changes internationaux, 80% du transport dnergie, 50 millions de passagers en mditerranes chaque anne, 1.19 milliard de tpl pour 2009 avec une croissance de 6.7% par rapport 2008 (CNUCED, 2009). Existence despaces internationaux libres, Plusieurs tats ctiers avec leur propre rglementations, Multitudes dacteurs, Multiplicit des risques (lis la scurit et la sret ) on sintresse aux systmes de surveillance maritime
Organismes en charge de la scurit et de la sret, Rglementations (ENC, paquets lgislatifs Erika I, II, III, etc.) Systmes daide la navigation (NavTrack, Marine GIS, ex-Trem, etc.) Systmes de surveillance maritime (SpatioNav, SIVE, SYTAR, etc.)
4
Dispositif daffichage
Plusieurs milliers daccidents par an dans le monde, 54 700 tonnes dhydrocarbures et de substances dangereuses dverses accidentellement en 2009 contre 7500 tonnes en 2008 (Cedre, 2009) 445 actes de piraterie recenss (+8.5% en un an) et 1181 marins pris en otage en 2010 (BMI, 2010),
5
Problmatique
Les systmes de surveillance maritime sont aujourdhui insuffisamment adapts pour lidentification des risques maritimes.
Pourquoi ?
Nombre important de pistes affiches (capteur AIS : 41 million de position/jour pour 62 milles navires selon la LIoyds), Multiplicit des risques et leur caractre imprvisible, vnements risques pars et parcellaires dans le temps et lespace,
Identification difficile
Amlioration SM
Probabilistes
Statistiques
Simulation numrique
(J. R. W. Merrick et al. 2000), (J. Merrick et al. 2002)
Clustering
Modlisation
(Darpa 2005) (Morel et al. 2008; 2009, 2010, 2011) (Roy 2008; Roy 2010) (Etienne et al. 2010) (Cledo 2010) (Nilsson et al. 2008) (Laere & Nilsson 2009) (Vandecasteele & Napoli, 2012) (IDIRI & Napoli, 2012a) (IDIRI & Napoli, 2012b)
Visualisation
(Amrozowicz 1996) (Maio et al. 1991), (Amrozowicz et al. 1997) (LeBlanc & Rucks (Kuroda et al. 1982) 1996) (Chaze et al., 2012)
(Willems et al. 2009; 2011) (Riveiro et al. 2008; Riveiro & Goran Falkman 2009; Riveiro & Gran Falkman 2011) (Gouin et al. 2011; Lavigne & Gouin 2011) (Vatin & Napoli, 2013) !
Amlioration SM
Statistiques
Simulation numrique
Clustering
Visualisation
Modlisation des connaissances maritimes bases souvent sur le brainstorming (Nilsson et al. 2008) (Roy 2008) et la modlisation mathmatique : Intressantes mais compliques et couteuses,
Rsultats dpendent de lexprience des experts, Connaissances connues auparavant par les experts.
Modlisation des connaissances par fouille de donnes automatique peu explore (Darpa 2005) : Facile et permet la dcouverte de nouvelles connaissances,
Evolutif.
Limite de la dfinition des risques maritimes base sur des comportements de navires (anormal, inhabituel, etc.) et sur des zonage. un comportement anormal ne correspond pas forcement un risque, un comportement normal peut correspondre ou induire un risque.
Proposition
Hypothses
Une exploitation de nouvelles donnes doit permettre une meilleure analyse des risques maritimes, Lemploi de nouvelles mthodes de traitement de linformation doit permettre une meilleure identification des risques.
Objectifs
Proposer une nouvelle approche de modlisation des risques maritimes base sur la fouille de donnes, Proposer une identification automatise des risques maritimes, Etendre la dfinition du risque maritime,
10
Le Spatial data mining permet une exploration automatique des donnes la recherche de connaissances. Dfinition de J Han
11
Le raisonnement automatique simule le raisonnement humaine sur une machine pour dduire de nouvelles connaissances partir des vnements en entre et des connaissances mmorises au pralable.
connaissances
RAPC
Connaissance Modularit Rsolution des problmes Raisonnement Acquisition Cas problme Adaptation de cas
RAPR
Gnration de cas rgle Application de rgles (rapide) dductif Difficile (comment faire pour rsoudre un problme)
Comportement de navires dcrivant des situations risques (trajectoire aberrante, perte de vitesse, etc.)
Situation risque
13
Raisonnement
A3
A2 A1
Oprateurs/experts
Affichage dalertes
Amlioration
14
Systme actuel
Data mining
Base de faits Gnration
Oprateurs/experts
Connaissances Dans
Base de connaissances
15
Connaissances
Base de connaissances
Moteur de rgles
1. Vrification
Rgles applicables
2. Rsolution de conflits
Rgles slectionnes
3. Excution
Faits
Base de faits
16
Donnes MERRA :
Historique des vents et des courants marins 1991-2009, Tlchargement rgulier (1fois/jour) pour alimenter les faits.
Donnes AIS :
Historique des donnes depuis ~3 mois, Flux continue des dplacements de navires.
18
19
Situation risque
Zone risque
Comportement risque
Data mining
Algorithme Apriori
Package Rattle 2.6.4 de R
Rsultats
Rgle de prdiction : {Vessel_Category=Fishcatching/processing}{Incident_Type=Machinery Failure} supp=0.39 ;conf= 0.6 ;lift=1.23. Rgle de ciblage : {Vessel_Category=Fishcatching/processing}{Vessel_Type=Trawler} supp=0.14; conf=0.43 ; Lift=3. Rgle Banale : {Vessel_Category=Passenger}{Pollution_Caused=No} supp=0.15; conf=0.73; lift=1.2.
21
Application du clustering
Les zones risques
mthodes par densit (DBSCAN, OPTICS, etc.) Identification automatique du nombre de clusters, Cluster avec des formes arbitraires.
Choix de lalgorithme OPTICS (Ankerst et al. 1999) BD accidents de navires britanniques Algorithme OPTICS
22
Dcouverte de trajectoires aberrantes (Outlier Trajectory) et plus particulirement les sous-trajectoires (Outling sub-trajectory) qui ne suivent pas la mme tendance que les autres sous-trajectoires
en 2 phase : 1. Partitionnement : compression individuelle des trajectoires en sous-partition (t-partition), 2. Dtection : identifier les sous-trajectoires aberrantes en se basant sur la distance des trajectoires voisines.
Source (J. Lee, 2008)
23
Measures Interpretation
Add a fact:
Rule Add Ship Course When then insert (new Course ()); end
24
Conclusion et perspectives
Bilan Nouvelle approche daide la modlisation des risques maritimes base sur la fouille de donnes, Extension de la dfinition du risque maritime pour maximiser lidentification des risques maritimes, Perspectives Implmenter, moyen terme, le clustering de trajectoires aberrantes et lappliquer aux donnes AIS, concevoir et raliser linterface daide la dfinition/validation des connaissances, tudier les bases de donnes mobiles actualises (mises jour frquentes),
25
?
Centre de recherche sur les Risques et les Crises