Prediction of risky maritime encounters in narrow and congested waterways via clustering based ensemble machine learning and sequential deep learning
Dar ve trafiği yoğun su yollarında riskli gemi karşılaşmalarının kümeleme tabanlı yapay öğrenme ve sıralı derin öğrenme ile tahminlenmesi
- Tez No: 815017
- Danışmanlar: DR. ÖĞR. ÜYESİ YİĞİT CAN ALTAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Gemi Mühendisliği, Kazalar, Computer Engineering and Computer Science and Control, Marine Engineering, Accidents
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Bu tez, gemiler arasında riskli karşılaşmaları dar ve trafiği yoğun suyollarında görsel temas kurulmadan önce öngörmek için bir yapay öğrenme modeli sunmaktadır. Bu tez üç bölümden oluşmaktadır. İlk bölüm, karşılaşmaların detaylı keşfi için kümelemedir; ikinci bölüm, mesafe faktörünü kullanmaksızın riskli karşılaşmaları tahmin etmek için yapay öğrenme uygulamasıdır; üçüncü bölüm ise riskli karşılaşmaların ardışık derin öğrenmeye dayalı tahminidir. İstanbul Boğazı (İB) bir vaka çalışması olarak kullanılmaktadır. Gemi-gemi karşılaşma veritabanı, geçmiş Otomatik Tanımlama Sistemi (AIS) mesajları kullanılarak oluşturulmuştur. Karşılaşmalar, gemi alan ihlali miktarını kullanarak riskli karşılaşmaları keşfetmek için kümeleme yoluyla analiz edilmiştir. Bulgular, gemi uzunluğu ve gemi hızının riskli karşılaşmaları anlamak için güvenilir göstergeler olarak kullanılabileceğini doğrulamaktadır. Sonuçlar, gemi alan ihlalinin nüanslı gri bir bölgede var olduğunu, katı kategorizasyon yerine dikkatli bir düşünce gerektirdiğini göstermektedir. Bu temelde, kümeleme tabanlı bir yapay öğrenme şeması geliştirilerek yakın karşılaşmaları tahmin etmek ve sınıf dengesizliğini aşmak için kullanılmıştır. Model, iki gemi arasındaki mesafeyi bilmeden riskli karşılaşmaların 5'te 4'ünü başarıyla tahmin etmektedir. Riskli karşılaşma tahmininin gerçek zamanlı uygulanabilirliğini göstermek için son adım olarak pratik bir ardışık tahmin uygulaması tanıtılmıştır. Uzun Kısa Dönemli Hafıza (LSTM) ağları, ardışık navigasyon verilerine dayanarak riskli karşılaşmaları tahmin etmek için kullanılmaktadır. Yöntem, karşılaşmaları riskli, gri bölge veya riskli olmayan karşılaşmalar olarak sınıflandırır. Geliştirilen yaklaşım, deniz güvenliğini iyileştirmek için dar ve yoğun suyollarında bir karar destek aracı olarak entegre edilebilir ve güvenli seyir için otonom gemilere bir rehber olabilir.
Özet (Çeviri)
This thesis provides a machine learning framework to predict risky encounters between ships before ships establish visual contact in narrow and congested waterways. There are three parts in this thesis. The first one is clustering for exploration of encounters, the second is ensemble machine learning application to predict risky encounters without distance as a decision factor, and the third one is sequential deep learning based prediction of risky encounters. The Strait of Istanbul (SOI) serves as a case study. Ship–ship interaction database is constructed using historical Automatic Identification System (AIS) messages. Interactions are analyzed via clustering to explore risky encounters using degree of ship domain violation. Findings confirm that ship length and ship speed can serve as reliable indicators to understand the patterns in risky encounters. Results suggest that ship domain violation exists within a nuanced grey zone, requiring cautious consideration instead of rigid categorization. On this basis, clustering based ensemble machine learning framework is developed to predict close encounters and overcome class imbalance. The model successfully predicts each 4 out of 5 risky encounters without the knowledge of distance between two ships. To demonstrate applicability of risky encounter prediction in real time, a practical sequential prediction framework is introduced as the final step. Long Short-Term Memory (LSTM) networks are used to predict risky encounters based on sequential navigation data. The methodology presents an improved encounter model to identify ship-to-ship interactions and classify them as risky, gray-zone, or non-risky encounters based on ship domain violations. The developed approach can be integrated to narrow and congested waterways as a decision support tool to improve maritime safety, and can be a guide to autonomous vessels for safe navigation.
Benzer Tezler
- Gemi sefer yönetiminde enerji verimliliğinin optimizasyonu
The optimization of ship voyage management energy efficiency
ELİF BAL BEŞİKÇİ
Doktora
Türkçe
2015
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZCAN ARSLAN
- Doğu Akdeniz ülkelerinin milli güç unsurlarının çok kriterli karar verme teknikleri ile incelenmesi
Multi-criteria decision-making of national power elements of Eastern Mediterranean countries examining with techniques
MUHAMMET CÖMEZ
Yüksek Lisans
Türkçe
2021
İşletmeErzurum Teknik Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET MUTLU AKINCI
- A dynamic risk assessment model proposal in chemical tanker ship
Kimyasal tanker gemilerinde dinamik bir risk değerlendirme modeli önerisi
ŞÜKRÜ İLKE SEZER
Doktora
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE AKYÜZ
- Design of seafarer-centric safety system; mental workload (MWL) prediction
Gemi insanı-merkezli emniyet sisteminin tasarımı; mental iş yükü öngörüsü
BARIŞ ÖZSEVER
Doktora
İngilizce
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. LEYLA TAVACIOĞLU
- Kuruyük gemi kiralarının tahmini ve mevsimsellik etkisi
Forecasting dry cargo hire rates and seasonality effects
HARUN ÇALIŞKAN
Yüksek Lisans
İngilizce
2021
DenizcilikDokuz Eylül ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL BİLGE ÇETİN