Vous êtes sur la page 1sur 12

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

Atelier AIDE@EGC 2012

21/10/2012

Atelier AIDE@EGC'2012

Sommaire

1 2 3 4 5

Prsentation de notre quipe Contexte et problmatique Dmarche mthodologique Exprimentation et rsultats Conclusion et perspectives

21/10/2012

Atelier AIDE@EGC'2012

1. Notre quipe de recherche sur les Risques Maritimes (1/2)


Notre quipe fait partie du Centre de Recherche sur les Risques et les Crises de Mines ParisTech

Thmes de recherche :

Analyse du trafic maritime,

Conception de systmes daide la dcision pour la gestion des risques maritimes.

Projets R&D: SCANMARIS, SISMARIS, TAMARIS, SARGOS, I2C.

21/10/2012

Atelier AIDE@EGC'2012

3/11

1. Notre quipe de recherche sur les Risques Maritimes (2/2)


Les axes de recherche
Spatial OLAP

Gocollaboration

SI maritime de nouvelle gnration


Visualisation et Interface

Data Mining Spatial

Gestion de donnes Modlisation et simulation

21/10/2012

Atelier AIDE@EGC'2012

4/11

2. Contexte et problmatique (1/3)

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

Atelier AIDE@EGC'2012

5/11

2. Contexte et problmatique (2/3)

Source (Vandecasteele, 2011)


21/10/2012 Atelier AIDE@EGC'2012 6/11

2. Contexte et problmatique (3/3)


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

Multiplicit des risques (collision, chouement, etc.), Nombre important de navires voluant dans un espace ouvert, vnements risque pars et parcellaires dans le temps et lespace, Expertise humaine difficile formaliser.
Comment amliorer lidentification des risques daccidents maritimes ?

Vision quasi temps-rel du trafic maritime

21/10/2012

Atelier AIDE@EGC'2012

7/11

3. 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 dun objet apparaissant frquemment ensemble dans une base de donnes, dextraire des rgles de connaissance (Antcdent Consquent).
Interprtation/Validation

21/10/2012

Atelier AIDE@EGC'2012

8/11

4. 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

Atelier AIDE@EGC'2012

9/11

4. 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

Atelier AIDE@EGC'2012

10/11

5. 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.
Atelier AIDE@EGC'2012 11/11

Perspectives

21/10/2012

Merci pour votre attention

21/10/2012

Atelier AIDE@EGC'2012