Découverte de règles d’association             pour la prévision des accidents                        maritimes           ...
Sommaire           1   Présentation de notre équipe           2   Contexte et problématique           3   Démarche méthodo...
1. Notre équipe de recherche sur les Risques Maritimes (1/2)   Notre équipe fait partie du Centre de Recherche sur les Ris...
1. Notre équipe de recherche sur les Risques Maritimes (2/2)                       Les axes de recherche                  ...
2. Contexte et problématique (1/3)                             L’importance de l’activité maritime          90% des échan...
2. Contexte et problématique (2/3)                                                 Source (Vandecasteele, 2011)   01/08/12...
2. Contexte et problématique (3/3) Identification des navires à risques à partir des systèmes de surveillance maritime est...
3. Démarche méthodologique   Proposer une approche basée sur les règles d’associations (Agrawal et al., 1993)     pour déc...
4. Expérimentation et résultats (1/2)   Données d’expérimentation : application de notre démarche sur une base de données ...
4. Expérimentation et résultats (2/2) Règle 1 (Règle de prédiction) : {Vessel_Category=Fish catching/processing}  {Incide...
5. Conclusion et perspectives     Nous proposons une nouvelle approche de modélisation de la      connaissance experte pou...
?                              Merci pour votre attention01/08/12   Atelier AIDE@EGC2012
Prochain SlideShare
Chargement dans…5
×

Découverte de motifs fréquents pour la prévision des accidents maritimes

1 080 vues

Publié le

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, échouage, etc). De plus, le remplacement périodique des opérateurs de surveillance complique la reconnaissance d’événements anormaux qui sont éparses 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.

Publié dans : Formation
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 080
Sur SlideShare
0
Issues des intégrations
0
Intégrations
391
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Découverte de motifs fréquents pour la prévision des accidents maritimes

  1. 1. Découverte de règles d’association pour la prévision des accidents maritimes Bilal IDIRI, Aldo NAPOLI Mines ParisTech Centre de recherche sur les Risques et les Crises - CRC Atelier AIDE@EGC 201201/08/12 Atelier AIDE@EGC2012
  2. 2. Sommaire 1 Présentation de notre équipe 2 Contexte et problématique 3 Démarche méthodologique 4 Expérimentation et résultats 5 Conclusion et perspectives01/08/12 Atelier AIDE@EGC2012
  3. 3. 1. Notre équipe de recherche sur les Risques Maritimes (1/2) Notre équipe fait partie du Centre de Recherche sur les Risques et les Crises de Mines ParisTech  Thèmes de recherche :  Analyse du trafic maritime,  Conception de systèmes d’aide à la décision pour la gestion des risques maritimes.  Projets R&D: SCANMARIS, SISMARIS, TAMARIS, SARGOS, I2C. 01/08/12 Atelier AIDE@EGC2012 3/11
  4. 4. 1. Notre équipe de recherche sur les Risques Maritimes (2/2) Les axes de recherche Spatial OLAP Géocollaboration Data Mining Spatial SI maritime de nouvelle génération Visualisation et Gestion de Interface données Modélisation et simulation 01/08/12 Atelier AIDE@EGC2012 4/11
  5. 5. 2. Contexte et problématique (1/3) L’importance de l’activité maritime  90% des échanges internationaux,  80% du transport d’énergie,  50 millions de passagers en Méditerranées chaque année,  Croissance de 6.7% de la capacité de charge des navires entre 2008 et 2009 (CNUCED, 2009). Les systèmes de surveillance maritime comme dispositif de sécurité Définition : ils 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. 01/08/12 Atelier AIDE@EGC2012 5/11
  6. 6. 2. Contexte et problématique (2/3) Source (Vandecasteele, 2011) 01/08/12 Atelier AIDE@EGC2012 6/11
  7. 7. 2. Contexte et problématique (3/3) Identification des navires à risques à partir des systèmes de surveillance maritime est compliquée et difficilement automatisable. Pourquoi ?  Multiplicité des risques (collision, échouement, etc.),  Nombre important de navires évoluant dans un espace ouvert,  Événements à risque épars et parcellaires dans le temps et l’espace,  Expertise humaine difficile à formaliser. Comment améliorer l’identification des risques d’accidents maritimes ? Vision quasi temps-réel du trafic maritime 01/08/12 Atelier AIDE@EGC2012 7/11
  8. 8. 3. Démarche méthodologique Proposer une approche basée sur les règles d’associations (Agrawal et al., 1993) pour découvrir les connaissances régissant la survenue des accidents maritimes. Définition : l’extraction de règles d’associations est un problème non supervisé de data mining qui permet, à partir des occurrences d’un objet apparaissant fréquemment ensemble dans une base de données, d’extraire des règles de connaissance (Antécédent  Conséquent). Interprétation/Validation 01/08/12 Atelier AIDE@EGC2012 8/11
  9. 9. 4. Expérimentation et résultats (1/2) Données d’expérimentation : application de notre démarche sur une base de données britannique d’accidentologie fournie par le bureau d’enquête accidents maritimes britanniques (MAIB).  14 900 accidents  16 230 navires  Années 1991-2009 Algorithme : Apriori, Outil : Package Rattle 2.6.4 de R 2.14.0. BD accidents de navires britanniques Algorithme Apriori 01/08/12 Atelier AIDE@EGC2012 9/11
  10. 10. 4. Expérimentation et résultats (2/2) Règle 1 (Règle de prédiction) : {Vessel_Category=Fish catching/processing}  {Incident_Type=Machinery Failure} supp=0.39 ;conf= 0.6 ;lift=1.23. Règle 2 (Règle de ciblage) : {Vessel_Category=Fish catching/processing}  {Vessel_Type=Trawler} supp=0.14; conf=0.43 ; Lift=3. Règle 3 (Règle Banale) : {Vessel_Category=Passenger}  {Pollution_Caused=No} supp=0.15; conf=0.73; lift=1.2. 01/08/12 Atelier AIDE@EGC2012 10/11
  11. 11. 5. Conclusion et perspectives Nous proposons une nouvelle approche de modélisation de la connaissance experte pour une identification automatique des accidents maritimes Avantages de l’approche  Découverte de règles de connaissance sans intervention des experts,  Exploration pouvant donner des règles nouvelles,  Règles d’association simples à comprendre et faciles à exploiter. Limites de l’approche  Méthode classique de data mining,  Dimensions spatio-temporelles non prises en compte. Perspectives  Prise en compte des aspects spatio-temporels (analyse de la cinématique des navires, etc.),  Utilisation des règles de connaissances dans un moteur d’inférence pour la détection en temps-réel des situations à risque. 01/08/12 Atelier AIDE@EGC2012 11/11
  12. 12. ? Merci pour votre attention01/08/12 Atelier AIDE@EGC2012

×