張葉 任鴻翔 王德龍

摘要：為降低主觀因素對船舶操縱評估結(jié)果的影響，提出一種基于K近鄰（K-nearest neighbor， KNN）算法和多目標(biāo)優(yōu)化理論的船舶操縱智能評估模型。根據(jù)安全、平穩(wěn)、高效的航行要求，建立這個模型的評價指標(biāo)體系;采用變異系數(shù)法獲得各評價指標(biāo)的權(quán)重;根據(jù)評價指標(biāo)提取對應(yīng)特征值，構(gòu)建未標(biāo)記樣本集;基于多目標(biāo)優(yōu)化理論建立評價指標(biāo)目標(biāo)函數(shù)，得到每個樣本的成績并排序，根據(jù)樣本成績構(gòu)建標(biāo)記樣本集;利用KNN算法對待評估樣本進(jìn)行分類，得到本次操作的結(jié)果。利用C+ +語言開發(fā)船舶操縱智能評估系統(tǒng)，測試結(jié)果表明，系統(tǒng)評估結(jié)果與專家評估結(jié)果基本一致，能客觀、準(zhǔn)確實現(xiàn)船舶操縱自動評估。

關(guān)鍵詞： K近鄰（KNN）算法; 船舶操縱評估; 智能評估系統(tǒng); 航海模擬器; 評價指標(biāo)

中圖分類號： U666.158 ? ?文獻(xiàn)標(biāo)志碼： A

Abstract： In order to reduce the impact of subjective factors on ship maneuvering evaluation results， an intelligent evaluation model for ship maneuvering is put forward based on the K-nearest neighbor （KNN） algorithm and the multi-objective optimization theory. The evaluation index system of the model is established according to the safe， stable and efficient navigation requirements. The weights of evaluation indices are obtained by the coefficient of variation method. The unlabeled sample set is constructed by extracting relevant characteristic values according to evaluation indices. The evaluation index objective function is established based on the multi-objective optimization theory， the sample scores are obtained and sorted， and the labeled sample set is constructed based on the sample scores. The KNN algorithm is used to classify the samples to be evaluated and get the evaluation score. The C+ + language is used to develop the intelligent evaluation system for ship maneuvering. Test results show that the system evaluation results are basically consistent with the expert evaluation results. The system can objectively and accurately realize the automatic evaluation of ship maneuvering.

Key words： K-nearest neighbor （KNN） algorithm; ship maneuvering evaluation; intelligent evaluation system; navigation simulator; evaluation index

0 引 言

STCW78/95公約馬尼拉修正案將對船舶駕駛員采用船舶操縱模擬器進(jìn)行訓(xùn)練和考核的要求列入了船員業(yè)務(wù)培訓(xùn)的范圍。我國船員理論考試已實現(xiàn)上機(jī)考試，而船員操縱實操評估仍然采用評估員現(xiàn)場評估方式，評估工作量大[1]，評估結(jié)果易受評估員主觀因素影響。為實現(xiàn)船舶操縱的自動評估，國內(nèi)外學(xué)者已經(jīng)做了很多研究工作，如：陳錦標(biāo)等[2]利用灰色模糊綜合評價法建立了大型船舶操縱評估模型;薛滿福等[3]利用模糊綜合評價法建立了船舶靠離泊評估模型;王德龍等[4-5]構(gòu)建了基于航海模擬器的船舶操縱和避碰自動評估系統(tǒng);蔣效彬等[6]利用模糊綜合評價法建立了船舶錨泊操縱評估模型，并初步實現(xiàn)了錨泊操縱自動評估系統(tǒng)的搭建;劉洋等[7]利用計算機(jī)模擬仿真技術(shù)實現(xiàn)了船舶操縱安全自動評估系統(tǒng)的開發(fā);HUANG等[8]使用交叉線和蒙特卡洛方法對航道航行船舶進(jìn)行安全性評估;DUAN等[9]提出了基于智能優(yōu)化的人船資源系統(tǒng)模型和評估方法實現(xiàn)了船舶機(jī)艙操作自動評估;NAGI等[10]采用風(fēng)險矩陣的方法對船舶操縱過程中的潛在危險進(jìn)行評價。然而，目前國內(nèi)對于航海模擬器中船舶操縱自動評估的評估規(guī)則設(shè)定仍需人工參與，評估結(jié)果易受評估員主觀因素影響，導(dǎo)致不合理現(xiàn)象出現(xiàn)。因此有必要進(jìn)一步深入研究船舶操縱評估理論，并開發(fā)出一套智能化、自動化的實操評估系統(tǒng)。一方面，可以檢驗海員掌握船舶操縱的理論知識及實操水平，促進(jìn)海員船舶操縱水平的提高;另一方面，可以有效減少評估員主觀因素對評估結(jié)果的影響，使評估結(jié)果更加客觀、科學(xué)。

本文基于前人的研究，首先對操縱理論進(jìn)行深入研究，建立合適的評價體系;其次，提出智能化評估模型，使評估模型具有自學(xué)習(xí)、自組織和自適應(yīng)等特征;最后，基于航海模擬器開發(fā)船舶操縱智能評估系統(tǒng)，實現(xiàn)評估員出題、考生答題和智能評估等功能。

1 基于KNN算法的船舶操縱智能評估模型 ?在船員操縱航海模擬器的過程中，船舶操縱智能評估系統(tǒng)實時獲取船舶操縱數(shù)據(jù)，操縱結(jié)束后船舶操縱智能評估系統(tǒng)計算出最終成績。智能評估模型是評估系統(tǒng)的核心，建立科學(xué)、合理的評估模型是保證評估結(jié)果公平、準(zhǔn)確的關(guān)鍵。本文提出的智能評估模型以數(shù)據(jù)為驅(qū)動，首先根據(jù)船舶操縱原理及專家經(jīng)驗建立評價指標(biāo)體系;其次對船舶自動識別系統(tǒng)（automatic identification system，AIS）數(shù)據(jù)做預(yù)處理，并根據(jù)評價指標(biāo)體系對數(shù)據(jù)進(jìn)行進(jìn)一步處理;再次以處理后的船舶數(shù)據(jù)為驅(qū)動求解各評價指標(biāo)權(quán)重;最后根據(jù)K近鄰（K-nearest neighbor， KNN）算法原理建立智能評估模型。智能評估模型建立之后，將待評估人員數(shù)據(jù)輸入到模型接口，并處理成未標(biāo)記的待評估樣本集，利用已建立的KNN分類器處理待評估樣本，求得此次評估的最終結(jié)果，即完成一次船舶操縱智能評估。

1.1 智能評估模型評價指標(biāo)體系的建立

傳統(tǒng)的評價指標(biāo)體系建立的方法較多[4]，如模糊綜合評價法、層次分析法和專家經(jīng)驗法?；趥鹘y(tǒng)方法建立的評估模型仍受評估員主觀印象和專家經(jīng)驗的影響，沒有真正實現(xiàn)船舶操縱智能評估。本文采用基于KNN算法的智能化綜合評價[11]方法，其指標(biāo)體系建立準(zhǔn)則與傳統(tǒng)方法的相同，都以保障船舶安全、高效和穩(wěn)定運行為目標(biāo)。

影響船舶操縱的因素眾多，且有些因素難以量化，不適合用于智能評估，因此本文根據(jù)評價指標(biāo)體系建立的準(zhǔn)則和船舶操縱原理，提出航向、航向變化、航速、航速變化和船舶軌跡等5個評價指標(biāo)。

1.1.1 評價指標(biāo)的建立

1.5 KNN智能評估模型流程

智能評估模型以KNN算法為核心，對現(xiàn)有AIS數(shù)據(jù)分段、聚類處理后，根據(jù)建立的評價指標(biāo)體系，對每個評價指標(biāo)數(shù)據(jù)處理后得到未標(biāo)記的樣本集，利用變異系數(shù)法求解樣本集中各個指標(biāo)的權(quán)重，以目標(biāo)函數(shù)為約束條件求解每個樣本的目標(biāo)值，將求解后的樣本目標(biāo)值進(jìn)行離散、分類，并構(gòu)建已標(biāo)記基本樣本集。智能評估模型的具體流程如下：

步驟1 判斷待評估數(shù)據(jù)是否是被評估人員的數(shù)據(jù)，如果不是則進(jìn)入步驟2，否則進(jìn)入步驟9。

步驟2 判定待評估數(shù)據(jù)為原始樣本數(shù)據(jù)，需對AIS原始數(shù)據(jù)按照操縱過程標(biāo)準(zhǔn)分類，采用DBSCAN對同一靠泊位置或拋錨位置的航跡進(jìn)行聚類，并將聚類后的數(shù)據(jù)作為評估模型的基本樣本集。

步驟3 建立航向、航向變化、航速、航速變化和船舶軌跡等5個指標(biāo)組成的評價指標(biāo)體系，并根據(jù)評價指標(biāo)的數(shù)學(xué)描述處理基本樣本數(shù)據(jù)。

步驟4 以經(jīng)過處理后的樣本數(shù)據(jù)構(gòu)建未標(biāo)記樣本集。

步驟5 利用變異系數(shù)法處理各個評價指標(biāo)數(shù)據(jù)，計算出各個評價指標(biāo)的權(quán)重。

步驟6 根據(jù)多目標(biāo)優(yōu)化函數(shù)求解出每個樣本的目標(biāo)值，對結(jié)果進(jìn)行排序，1、2、3、4分別代表優(yōu)秀、良好、中等、及格。

步驟7 取已標(biāo)記樣本的80%作為訓(xùn)練集，未標(biāo)記樣本的20%作為測試集，測試KNN算法的精度。

步驟8 用求解后的結(jié)果構(gòu)建已標(biāo)記樣本集，進(jìn)入步驟10。

步驟9 判定待評估數(shù)據(jù)是被評估人員的數(shù)據(jù)，并重復(fù)步驟2、3、4，構(gòu)建出待分類樣本，然后進(jìn)入步驟10。

步驟10 利用KNN算法對待分類樣本進(jìn)行分類，并根據(jù)分類標(biāo)簽得到評估結(jié)果。

船舶操縱智能評估流程見圖2。流程主要將被評估人員數(shù)據(jù)處理后得到待分類樣本集，通過與KNN分類器中已標(biāo)記樣本對比得到待評估人員的評估結(jié)果。

2 基于航海模擬器的船舶操縱智能評估系統(tǒng) ?基于航海模擬器的船舶操縱評估系統(tǒng)是為培訓(xùn)和考試服務(wù)的，因此評估系統(tǒng)需要具備考試系統(tǒng)相關(guān)功能，即包括試題編輯、試題管理、考試組織和實操評估等。評估系統(tǒng)由出題端和評估端兩部分組成：出題端主要完成組織考試功能;評估端內(nèi)含智能評估模型，對實操記錄進(jìn)行評價并給出最終考試成績。船舶操縱智能評估系統(tǒng)架構(gòu)見圖3。

2.1 船舶操縱評估實例

以天津港為例，對學(xué)員開展船舶靠泊操縱評估。首先提取100組靠泊天津港的船舶軌跡歷史數(shù)據(jù)，根據(jù)評價指標(biāo)體系和式（9）處理原始數(shù)據(jù)，求解模型，對求解后的目標(biāo)值進(jìn)行排序，并按照第1.5節(jié)中的步驟6定義的分類標(biāo)簽對成績進(jìn)行標(biāo)記。樣本處理后的部分?jǐn)?shù)據(jù)見表1。

靠泊操縱的出題界面見圖4。出題過程為：先從題庫中選取靠泊天津港的試題;選擇考生姓名、考試等級（船長、大副、二副和三副）及其他相關(guān)信息。在考生實際操船過程中，考生操作動作將被實時記錄并保存到數(shù)據(jù)庫中。

本次評估均采用離線評估模式。在考生操縱結(jié)束后，評估程序?qū)⒏鶕?jù)存儲到數(shù)據(jù)庫中的操作記錄，利用本文建立的KNN智能評估模型進(jìn)行計算，得到考生成績?？荚嚦煽?、各評價指標(biāo)處理后的特征值及船舶運動曲線的顯示見圖5。

由圖6可知，在考生操船過程中船舶基本沿計劃航線航行，航速變化平穩(wěn)，船舶軌跡比較平滑，但在靠泊最后階段航向及靠泊位置稍有偏差。因此，圖5中評估模型給出86.78分的成績，與考生實際的操縱行為比較相符。

2.2 結(jié)果對比分析

為驗證智能評估模型的有效性，分別采用KNN智能評估模型、模糊綜合評價模型和專家評估方式給出20位考生靠泊操縱的結(jié)果，結(jié)果對比見圖7。對比后發(fā)現(xiàn)，KNN智能評估模型、模糊綜合評價模型與專家評估的結(jié)果基本一致。為進(jìn)一步比較KNN智能評估模型與模糊綜合評價模型的差異，分別用KNN智能評估結(jié)果、模糊綜合評價結(jié)果與專家評估結(jié)果作差求取誤差比例，結(jié)果見圖8。由圖8可知，KNN智能評估結(jié)果的誤差基本都小于模糊綜合評價模型的誤差。

以上實驗結(jié)果表明，使用KNN智能評估模型進(jìn)行船舶操縱實操評估是可行的，在一定程度上KNN智能評估模型優(yōu)于模糊綜合評價模型，且智能評估模型不需要像傳統(tǒng)評價模型那樣設(shè)置一系列的隸屬度參數(shù)，可極大地減少評估員的工作量，真正實現(xiàn)評估過程的自動化和智能化。

3 結(jié)束語

在傳統(tǒng)航海模擬器船舶操縱評估模型的基礎(chǔ)上，通過深入研究，提出基于KNN算法的智能評估模型，開發(fā)出船舶操縱智能評估系統(tǒng)，在大連海事大學(xué)自主研發(fā)的航海模擬器上進(jìn)行多次測試。結(jié)果表明，智能評估系統(tǒng)的評估結(jié)果與專家評估結(jié)果基本一致，相比于模糊綜合評價模型的結(jié)果更接近專家結(jié)果，能基本滿足船舶操縱自動評估要求。

另外，該系統(tǒng)目前只能對船舶操縱進(jìn)行評估，且智能評估模型的精度在一定程度上受到評價樣本集的影響。今后的工作可從提高模型精度及解決船舶避碰自動評估的角度進(jìn)行進(jìn)一步研究。

參考文獻(xiàn)：

[1] 王德龍. 船舶操縱避碰智能評估模型[D]. 大連： 大連海事大學(xué)， 2018.

[2] 陳錦標(biāo)， 吳廣宇， 應(yīng)士君. 基于灰色模糊綜合評估法的大型船舶模擬操縱評價[J]. 上海海事大學(xué)學(xué)報， 2008， 29（4）： 1-5.

[3] 薛滿福， 房希旺， 任鴻翔. 船舶靠泊操縱評估模型[J]. 中國航海， 2013， 36（3）： 46-49.

[4] 王德龍， 任鴻翔， 趙月林， 等. 船舶操縱模擬器進(jìn)出港操縱自動評估系統(tǒng)[J]. 大連海事大學(xué)學(xué)報， 2014， 40（2）： 27-30.

[5] 王德龍， 任鴻翔， 肖方兵. 船舶操縱模擬器單船避碰自動評估系統(tǒng)[J]. 中國航海， 2015， 38（1）： 44-48.

[6] 蔣效彬， 任鴻翔， 王德龍， 等. 航海模擬器的錨泊操縱自動評估系統(tǒng)[J]. 上海海事大學(xué)學(xué)報， 2016， 37（1）： 82-86. DOI： 10.13340/j.jsmu.2016.01.015.

[7] 劉洋， 李鐵山， 沈海青， 等. 基于VC的船舶操縱安全自動評估系統(tǒng)的開發(fā)[J]. 船海工程， 2017， 46（1）： 181-184， 188. DOI： 10.3963/j.issn.1671-7953.2017.01.044.

[8] HUANG J C， NIEH C Y， KUO H C. Risk assessment of ships maneuvering in an approaching channel based on AIS data[J]. Ocean Engineering， 2019， 173： 399-414. DOI： 10.1016/j.oceaneng.2018.12.058.

[9] DUAN Zunlei， CAO Hui， REN Guang， et al. Assessment method for engine-room resource management based on intelligent optimization[J]. Journal of Marine Science and Technology， 2017， 25（5）： 571-580. DOI： 10.6119/JMST-017-0710-1.

[10] NAGI A， MOHAMED D， ISMAIL E， et al. Risk assessment of LNG and FLNG vessels during maneuvering in open sea[J]. Journal of Ocean Engineering and Science， 2018， 3： 56-66. DOI： 10.1016/j.joes.2017.12.002.

[11] 楊勇. 智能化綜合評價理論與方法研究[D]. 杭州： 浙江工商大學(xué)， 2014.

[12] 張玉玲， 遲國泰， 祝志川. 基于變異系數(shù)-AHP的經(jīng)濟(jì)評價模型及中國十五期間實證研究[J]. 管理評論， 2011， 23（1）： 3-13. DOI： 10.14120/j.cnki.cn11-5057/f.2011.01.002.

[13] 趙梁濱， 史國友， 楊家軒. 基于DBSCAN算法的船舶軌跡自適應(yīng)層次聚類[J]. 中國航海， 2018， 41（3）： 53-58.

[14] 朱念芳， 林善明. 基于鄰域KNN算法的風(fēng)電功率短期預(yù)測模型[J]. 電測與儀表， 2017， 54（16）： 20-24.

（編輯 賈裙平）