Scribd Logo
Hochladen

Willkommen bei Scribd!

  • EGC2012

    Hochgeladen von

    Bilal_Idiri_8744
    23 Ansichten9 Seiten
    Résumé. Les systèmes de surveillance maritime permettent la récupération et la fusion des informations sur les navires (position, vitesse, etc.) à des fins de suivi du trafic maritime sur un dispositif d’affichage. Aujourd’hui, l’identification des risques à partir de ces systèmes est difficilement automatisable compte-tenu de l’expertise à formaliser, du nombre important de navires et de la multiplicité des risques (collision, échouement, etc). De plus, le remplacement périodique des opérateurs de surveillance complique la reconnaissance d’événements anormaux qui sont épars et parcellaires dans le temps et l’espace. Dans l’objectif de faire évoluer ces systèmes de surveillance maritime, nous proposons dans cet article, une approche originale fondée sur le data mining pour l’extraction de motifs fréquents. Cette approche se focalise sur des règles de prévision et de ciblage pour l’identification automatique des situations induisant ou constituant le cadre des accidents maritimes.

    Copyright

    © Attribution Non-Commercial (BY-NC)

    Stufen Sie dieses Dokument als nützlich ein?

    Sind diese Inhalte unangemessen?

    Dieses Dokument melden
    Résumé. Les systèmes de surveillance maritime permettent la récupération et la fusion des informations sur les navires (position, vitesse, etc.) à des fins de suivi du trafic maritime sur un dispositif d’affichage. Aujourd’hui, l’identification des risques à partir de ces systèmes est difficilement automatisable compte-tenu de l’expertise à formaliser, du nombre important de navires et de la multiplicité des risques (collision, échouement, etc). De plus, le remplacement périodique des opérateurs de surveillance complique la reconnaissance d’événements anormaux qui sont épars et parcellaires dans le temps et l’espace. Dans l’objectif de faire évoluer ces systèmes de surveillance maritime, nous proposons dans cet article, une approche originale fondée sur le data mining pour l’extraction de motifs fréquents. Cette approche se focalise sur des règles de prévision et de ciblage pour l’identification automatique des situations induisant ou constituant le cadre des accidents maritimes.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Markieren Sie unangemessene Inhalte
    23 Ansichten9 Seiten

    EGC2012

    Hochgeladen von

    Bilal_Idiri_8744
    Résumé. Les systèmes de surveillance maritime permettent la récupération et la fusion des informations sur les navires (position, vitesse, etc.) à des fins de suivi du trafic maritime sur un dispositif d’affichage. Aujourd’hui, l’identification des risques à partir de ces systèmes est difficilement automatisable compte-tenu de l’expertise à formaliser, du nombre important de navires et de la multiplicité des risques (collision, échouement, etc). De plus, le remplacement périodique des opérateurs de surveillance complique la reconnaissance d’événements anormaux qui sont épars et parcellaires dans le temps et l’espace. Dans l’objectif de faire évoluer ces systèmes de surveillance maritime, nous proposons dans cet article, une approche originale fondée sur le data mining pour l’extraction de motifs fréquents. Cette approche se focalise sur des règles de prévision et de ciblage pour l’identification automatique des situations induisant ou constituant le cadre des accidents maritimes.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Markieren Sie unangemessene Inhalte
    von 9

    Dcouverte de rgles dassociation pour la prvision des accidents maritimes

    Bilal IDIRI, Aldo NAPOLI


    Mines ParisTech Centre de recherche sur les Risques et les Crises - CRC

    EGC 2012

    21/10/2012

    EGC'2012

    Sommaire

    2
    3 4

    Contexte et problmatique Dmarche mthodologique Exprimentation et rsultats Conclusion et perspectives

    21/10/2012

    EGC'2012

    1. Contexte et problmatique (1/2)

    Limportance de lactivit maritime

    90% des changes internationaux,


    80% du transport dnergie, 50 millions de passagers en Mditerranes chaque anne, Croissance de 6.7% de la capacit de charge des navires entre 2008 et 2009
    (CNUCED, 2009).

    Les systmes de surveillance maritime comme dispositif de scurit


    Dfinition : ils permettent la rcupration et la fusion des informations sur les navires (position, vitesse, etc.) des fins de suivi du trafic maritime sur un dispositif daffichage.

    21/10/2012

    EGC'2012

    3/8

    1. Contexte et problmatique (2/2)


    Identification des navires risques partir des systmes de surveillance maritime est complique et difficilement automatisable. Pourquoi ?

    Comment amliorer lidentification des Nombre important de navires voluant dans un espace ouvert, risques daccidents vnements risque pars et parcellaires dans le temps et lespace, maritimes ?

    Multiplicit des risques (collision, chouement, etc.),

    Expertise humaine difficile formaliser.

    Vision quasi temps-rel du trafic maritime

    21/10/2012

    EGC'2012

    4/8

    2. Dmarche mthodologique
    Proposer une approche base sur les rgles dassociations (Agrawal et al., 1993) pour dcouvrir les connaissances rgissant la survenue des accidents maritimes.
    Dfinition : lextraction de rgles dassociations est un problme non supervis de data mining qui permet, partir des occurrences dobjets apparaissant frquemment ensemble dans une base de donnes, dextraire des rgles de connaissance (Antcdent Consquent).
    Interprtation/Validation

    21/10/2012

    EGC'2012

    5/8

    3. Exprimentation et rsultats (1/2)


    Donnes dexprimentation : application de notre dmarche sur une base de donnes britannique daccidentologie fournie par le bureau denqute accidents maritimes britanniques (MAIB).
    14 900 accidents 16 230 navires Annes 1991-2009

    Algorithme : Apriori, Outil : Package Rattle 2.6.4 de R 2.14.0. BD accidents de navires britanniques Algorithme Apriori

    21/10/2012

    EGC'2012

    6/8

    3. Exprimentation et rsultats (2/2)

    Rgle 1 (Rgle de prdiction) : {Vessel_Category=Fish catching/processing} {Incident_Type=Machinery Failure} supp=0.39 ;conf= 0.6 ;lift=1.23.
    Rgle 2 (Rgle de ciblage) : {Vessel_Category=Fish catching/processing} {Vessel_Type=Trawler} supp=0.14; conf=0.43 ; Lift=3.

    Rgle 3 (Rgle Banale) : {Vessel_Category=Passenger} {Pollution_Caused=No} supp=0.15; conf=0.73; lift=1.2.

    21/10/2012

    EGC'2012

    7/8

    4. Conclusion et perspectives
    Nous proposons une nouvelle approche de modlisation de la connaissance experte pour une identification automatique des accidents maritimes
    Avantages de lapproche

    Dcouverte de rgles de connaissance sans intervention des experts, Exploration pouvant donner des rgles nouvelles, Rgles dassociation simples comprendre et faciles exploiter.

    Limites de lapproche

    Mthode classique de data mining, Dimensions spatio-temporelles non prises en compte. Prise en compte des aspects spatio-temporels (analyse de la cinmatique des navires, etc.), Utilisation des rgles de connaissances dans un moteur dinfrence pour la dtection en temps-rel des situations risque.
    EGC'2012 8/8

    Perspectives

    21/10/2012

    Merci pour votre attention

    21/10/2012

    EGC'2012

    Das könnte Ihnen auch gefallen