內(nèi)河船舶安全缺陷的要素關(guān)聯(lián)性

郝 勇， 黃 強(qiáng)

(1.武漢理工大學(xué)，航運(yùn)學(xué)院, 武漢 430063； 2.國(guó)家水運(yùn)安全工程技術(shù)研究中心， 武漢 430063；3.湖北省內(nèi)河航運(yùn)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 武漢 430063)

內(nèi)河船舶安全缺陷的要素關(guān)聯(lián)性

郝 勇1,2,3， 黃 強(qiáng)1,3

(1.武漢理工大學(xué)，航運(yùn)學(xué)院, 武漢 430063； 2.國(guó)家水運(yùn)安全工程技術(shù)研究中心， 武漢 430063；3.湖北省內(nèi)河航運(yùn)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 武漢 430063)

對(duì)內(nèi)河船舶安全缺陷之間隱含的關(guān)聯(lián)規(guī)則進(jìn)行研究，有助于準(zhǔn)確定位船舶缺陷，提高內(nèi)河船舶安全檢查水平及船公司安全自查質(zhì)量，保障水上交通安全。對(duì)此,基于長(zhǎng)江海事局船舶安檢數(shù)據(jù)進(jìn)行數(shù)據(jù)處理,并將其存入到數(shù)據(jù)庫(kù)中;采用Apriori算法開(kāi)發(fā)關(guān)聯(lián)規(guī)則挖掘軟件進(jìn)行數(shù)據(jù)挖掘，并結(jié)合置信度對(duì)關(guān)聯(lián)規(guī)則進(jìn)行可靠性分析。結(jié)果表明,采用該方法可得到可靠的內(nèi)河船舶安全缺陷的關(guān)聯(lián)規(guī)則。

水路運(yùn)輸;內(nèi)河船舶；安全檢查；缺陷；關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘；Apriori算法

Abstract: To discover the implicit association rules relating to the different safety defects of inland ship is useful to find the defects, therefore, to improve the safety inspection. A database based on the data of Inland Ship’s safety inspection from Changjiang Maritime Safety Administration and develops a software to mining safety defects association rules is developed with Apriori algorithm. The credibility of the association rules is examined with confidence degree check.

Keywords: waterway transportation; inland ship； safety inspection； defect； association rule； data mining； Apriori algorithm

船舶安全對(duì)保障水上人命和財(cái)產(chǎn)安全，防止船舶造成水域污染有著重要的意義。內(nèi)河船舶安全檢查作為保障船舶安全的重要手段越來(lái)越受重視，但目前內(nèi)河船舶安檢員工作繁重、業(yè)務(wù)能力參次不齊，安全檢查以抽查為主，難以準(zhǔn)確發(fā)現(xiàn)安全缺陷，亟需科學(xué)的方法提升安檢效率。目前海事管理機(jī)構(gòu)有大量船舶安全檢查缺陷數(shù)據(jù)，若缺陷之間存在隱含的關(guān)聯(lián)性，則可通過(guò)該性質(zhì)快速找到更多的安全缺陷，進(jìn)而提高船舶安檢效率，監(jiān)督船舶的適航性；船公司也可利用該性質(zhì)提高安全自查的質(zhì)量。

在船舶安全檢查中，若發(fā)現(xiàn)某項(xiàng)缺陷時(shí)另一項(xiàng)缺陷在高于一定概率的情況下同時(shí)被發(fā)現(xiàn)，則稱(chēng)兩缺陷間的這種關(guān)聯(lián)性關(guān)系為船舶安全缺陷的關(guān)聯(lián)規(guī)則。目前已有大量針對(duì)港口國(guó)監(jiān)督(Port State Control，PSC)的船舶缺陷關(guān)聯(lián)規(guī)則的研究，HNNINEN等[1]使用貝葉斯網(wǎng)絡(luò)模型對(duì)芬蘭PSC檢查數(shù)據(jù)和事故進(jìn)行關(guān)聯(lián)規(guī)則研究，分析導(dǎo)致事故發(fā)生的缺陷指標(biāo)。然而，要得到一個(gè)好的貝葉斯網(wǎng)絡(luò)模型需比較復(fù)雜的訓(xùn)練，數(shù)據(jù)挖掘以其能從海量數(shù)據(jù)中高效地發(fā)現(xiàn)潛在信息而得到越來(lái)越廣泛的應(yīng)用。[2-3]中國(guó)港口國(guó)監(jiān)督數(shù)據(jù)管理中心[4]對(duì)PSC檢查缺陷及滯留缺陷等數(shù)據(jù)進(jìn)行詳細(xì)的統(tǒng)計(jì)分析，但不能發(fā)現(xiàn)缺陷間深層的隱含關(guān)系。戴耀存等[5]采用頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘的方式對(duì)港口國(guó)監(jiān)督滯留缺陷進(jìn)行關(guān)聯(lián)規(guī)則研究，通過(guò)統(tǒng)計(jì)缺陷關(guān)聯(lián)規(guī)則數(shù)量得到導(dǎo)致船舶滯留的重要缺陷。

上述研究未涉及內(nèi)河船舶安全缺陷，且多側(cè)重于安全缺陷本身，未能就缺陷間的關(guān)系進(jìn)行關(guān)聯(lián)性研究。對(duì)此，基于長(zhǎng)江海事局轄區(qū)內(nèi)河船舶安全檢查數(shù)據(jù)，研究發(fā)現(xiàn)適用于內(nèi)河船舶安全缺陷的數(shù)據(jù)挖掘方法。該方法以?xún)?nèi)河船舶安全檢查數(shù)據(jù)的挖掘過(guò)程為落腳點(diǎn)，在此過(guò)程中解析數(shù)據(jù)內(nèi)涵，確定安全缺陷挖掘?qū)ο蠛蛿?shù)據(jù)形式；采用Apriori算法設(shè)計(jì)內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘軟件，進(jìn)行數(shù)據(jù)挖掘；對(duì)挖掘結(jié)果進(jìn)行定量評(píng)估，驗(yàn)證內(nèi)河船舶安全缺陷之間的關(guān)聯(lián)性，并加以探討和應(yīng)用。

1 內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘算法

采用數(shù)據(jù)挖掘中的量化型關(guān)聯(lián)規(guī)則挖掘形式，運(yùn)用Apriori算法[6]對(duì)經(jīng)過(guò)處理的船舶安全缺陷數(shù)據(jù)進(jìn)行挖掘。Apriori算法按目標(biāo)項(xiàng)集從小到大的順序?qū)ふ翌l繁項(xiàng)集。

假設(shè)樣本數(shù)據(jù)集D為內(nèi)河船舶安全缺陷項(xiàng)代碼記錄，每個(gè)項(xiàng)集表示一次安全檢查的缺陷代碼項(xiàng)集，其示例見(jiàn)表1。

表1 樣本數(shù)據(jù)集D示例

“事務(wù)”是指船舶安檢過(guò)程中所有缺陷項(xiàng)目的集合，每個(gè)事務(wù)都有一個(gè)唯一標(biāo)志編號(hào)，如表1中的每個(gè)事務(wù)為一個(gè)船舶安全缺陷代碼集合；事務(wù)數(shù)據(jù)庫(kù)D={No1,No2，…，Non}由一系列具有唯一標(biāo)志的事務(wù)組成；“項(xiàng)”是指事務(wù)數(shù)據(jù)庫(kù)的一個(gè)屬性字段，在該數(shù)據(jù)集中是指某個(gè)船舶安全缺陷代碼；“項(xiàng)集”是指包含若干個(gè)項(xiàng)的集合。

Apriori算法的第一次遍歷找出所有項(xiàng)的候選頻繁項(xiàng)集的集合C1，由最小支持度確定候選頻繁項(xiàng)集的集合L1;然后遍歷迭代，在第k次迭代中找到上次迭代的頻繁項(xiàng)集的集合Lk-1和本次迭代的候選項(xiàng)集的集合Ck，為Ck的每個(gè)項(xiàng)目集分配初始值為零的計(jì)數(shù)器以保存其支持度。掃描數(shù)據(jù)集D中的事務(wù),若Ck中的項(xiàng)目集在其中一個(gè)事務(wù)中出現(xiàn)，則該項(xiàng)目集計(jì)數(shù)器數(shù)值加1;在數(shù)據(jù)集D掃描結(jié)束后可得到Ck中各項(xiàng)集的支持度，根據(jù)最小支持度可確定其頻繁項(xiàng)集，繼續(xù)迭代，直到不能生成新的頻繁項(xiàng)集為止。

Apriori算法具有算法簡(jiǎn)單和數(shù)據(jù)量少時(shí)性能好的優(yōu)點(diǎn)，但在項(xiàng)集關(guān)系復(fù)雜且數(shù)量相對(duì)較多時(shí)將增加數(shù)據(jù)的空間復(fù)雜度,進(jìn)而影響算法的效率。該研究的缺陷數(shù)據(jù)量相對(duì)較少且關(guān)系簡(jiǎn)單，適宜采用該算法。

2 內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘方法

在數(shù)據(jù)挖掘過(guò)程中，采用適當(dāng)?shù)姆绞竭M(jìn)行數(shù)據(jù)處理和識(shí)別是數(shù)據(jù)挖掘的基礎(chǔ)及關(guān)鍵，但由于原始數(shù)據(jù)的特征和挖掘目標(biāo)不盡相同，需針對(duì)內(nèi)河船舶缺陷數(shù)據(jù)采用合適的數(shù)據(jù)挖掘方法。對(duì)此,首先將具體的船舶安檢缺陷項(xiàng)目數(shù)字化，然后進(jìn)行數(shù)據(jù)去噪和分類(lèi)得到有價(jià)值的信息，最后根據(jù)需求反饋調(diào)整數(shù)據(jù)集形式,以得到適宜挖掘的數(shù)據(jù)。[7]用關(guān)系數(shù)據(jù)庫(kù)管理系統(tǒng)(Relational Database Management System,RDBMS)技術(shù)將數(shù)據(jù)集轉(zhuǎn)換成數(shù)據(jù)庫(kù)形式來(lái)存儲(chǔ)，并借助專(zhuān)門(mén)軟件挖掘關(guān)聯(lián)規(guī)則。整個(gè)數(shù)據(jù)挖掘過(guò)程以知識(shí)發(fā)現(xiàn)模式進(jìn)行。[8]

2.1數(shù)據(jù)準(zhǔn)備

2.1.1目標(biāo)數(shù)據(jù)集成和選擇

從原始數(shù)據(jù)中提取有效的目標(biāo)數(shù)據(jù)是進(jìn)行關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘的基礎(chǔ)。首先從各分支海事局內(nèi)河船舶安全檢查數(shù)據(jù)中提取出原始船舶安全缺陷數(shù)據(jù)信息,進(jìn)行統(tǒng)計(jì)，分析其宏觀規(guī)律;隨后以研究需求為驅(qū)動(dòng),從原始數(shù)據(jù)中提取出有用數(shù)據(jù)組，解決數(shù)據(jù)語(yǔ)義的模糊性問(wèn)題,處理數(shù)據(jù)可能存在的缺失和噪聲,從而縮小數(shù)據(jù)處理范圍。[9]

該研究的數(shù)據(jù)來(lái)自于2010年長(zhǎng)江海事局各分支局檢查的22艘船舶的安全檢查記錄。對(duì)其中的缺陷項(xiàng)進(jìn)行分類(lèi)統(tǒng)計(jì),形成原始船舶安檢數(shù)據(jù)集，繪制成頻數(shù)分布圖(見(jiàn)圖1)，其中橫軸為船舶安檢缺陷代碼，其間每個(gè)數(shù)字標(biāo)志表示一項(xiàng)缺陷大類(lèi)代碼，每條柱狀圖表示缺陷大類(lèi)中一個(gè)缺陷的頻數(shù)。

圖1 船舶安全檢查原始缺陷數(shù)據(jù)頻數(shù)分布圖

由圖1可知，由于安全缺陷項(xiàng)種類(lèi)較多，缺陷出現(xiàn)的頻數(shù)都比較低，因此難以采用數(shù)據(jù)挖掘的方法尋找到高支持度的項(xiàng)集。對(duì)此，將船舶安檢缺陷按大類(lèi)來(lái)分類(lèi)。[10]例如,缺陷0120符合證明(Document of Compliance,DOC)副本和缺陷0130最低安全配員證書(shū)統(tǒng)一歸為0100船舶證書(shū)及有關(guān)文件大類(lèi)中。內(nèi)河船舶安全檢查主要缺陷分類(lèi)見(jiàn)表2。

表2 內(nèi)河船舶安全檢查主要缺陷分類(lèi)

根據(jù)船舶安檢項(xiàng)目大類(lèi)進(jìn)行分類(lèi)之后，得到處理后船舶安全檢查缺陷數(shù)據(jù)頻數(shù)分布圖(見(jiàn)圖2)。

圖2 處理后船舶安全檢查缺陷數(shù)據(jù)頻數(shù)分布圖

由圖2可知,采用大類(lèi)統(tǒng)計(jì)后,缺陷頻數(shù)都有提高，高頻缺陷都集中在0700和1400附近。數(shù)據(jù)經(jīng)過(guò)歸類(lèi)處理，復(fù)雜程度降低，規(guī)律更加明顯，便于后期對(duì)數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘。但是,基于頻數(shù)統(tǒng)計(jì)得到的只是簡(jiǎn)單的規(guī)律，難以在大量數(shù)據(jù)中找到隱含規(guī)律。

2.1.2目標(biāo)數(shù)據(jù)轉(zhuǎn)換

經(jīng)過(guò)上述分析，確定數(shù)據(jù)挖掘的目標(biāo)數(shù)據(jù)，即缺陷大類(lèi)。由于該研究的目標(biāo)是尋找高頻關(guān)聯(lián)缺陷項(xiàng)集，因此低頻項(xiàng)可當(dāng)作數(shù)據(jù)噪聲剔除。對(duì)長(zhǎng)江海事局各分支海事局的船舶安檢數(shù)據(jù)進(jìn)行匯總，剔除低頻數(shù)據(jù)之后按照頻率排序，統(tǒng)計(jì)出10個(gè)高頻缺陷大類(lèi)候選項(xiàng)(見(jiàn)表3)。為保證數(shù)據(jù)挖掘能得到最有用的結(jié)果，避免產(chǎn)生過(guò)多無(wú)用的候選集而影響數(shù)據(jù)挖掘算法的效率[11]，對(duì)每艘船舶的安檢記錄中屬于這10個(gè)高頻缺陷大類(lèi)的缺陷集合進(jìn)行統(tǒng)計(jì)，得到的缺陷信息集合即為數(shù)據(jù)挖掘的原始樣本集。

表3 主要缺陷信息列表

若將大量船舶安全缺陷信息直接存儲(chǔ)到數(shù)據(jù)庫(kù)中進(jìn)行分析，則不僅在查詢(xún)?cè)O(shè)計(jì)上語(yǔ)句復(fù)雜、時(shí)間復(fù)雜度高，而且對(duì)計(jì)算性能有很高的要求。因此，需對(duì)缺陷信息進(jìn)行抽象轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換的目的是對(duì)數(shù)據(jù)進(jìn)行降維處理，找到真正有用的特征，減少數(shù)據(jù)挖掘時(shí)的變量個(gè)數(shù)。[12]基于該思想，定義船舶安檢過(guò)程中所有高頻缺陷大類(lèi)的集合為事務(wù)，將現(xiàn)實(shí)的船舶安檢缺陷事務(wù)抽象為數(shù)字形式的代碼集合，去除船名、船型等信息，以減少數(shù)據(jù)挖掘時(shí)要考慮的因素，并克服數(shù)據(jù)挖掘工具的局限性。[13]由此，將原始樣本集的船舶安檢缺陷信息進(jìn)一步抽象為0～9這10個(gè)數(shù)字的代碼集合，每個(gè)抽象代碼對(duì)應(yīng)一個(gè)船舶安檢大類(lèi)代碼；在各個(gè)事務(wù)中消除重復(fù)的項(xiàng)形成缺陷項(xiàng)集，并賦予唯一的事務(wù)標(biāo)志數(shù)字，格式為{事務(wù)標(biāo)志(No)；項(xiàng)集(ITEM)}(如{1；1,2,7,8,9})，將這樣的信息存至數(shù)據(jù)庫(kù)中。至此，將數(shù)據(jù)轉(zhuǎn)化為數(shù)據(jù)挖掘所需的格式，完成數(shù)據(jù)挖掘前的數(shù)據(jù)準(zhǔn)備工作。

2.2數(shù)據(jù)挖掘

2.2.1內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘軟件

為更好地進(jìn)行數(shù)據(jù)存儲(chǔ)，數(shù)據(jù)庫(kù)采用RDBMS技術(shù)，使用SQL Server進(jìn)行內(nèi)河船舶缺陷數(shù)據(jù)庫(kù)開(kāi)發(fā)。由于SQL語(yǔ)言[14]難以實(shí)現(xiàn)靈活深入的數(shù)據(jù)分析表達(dá)，因此開(kāi)發(fā)內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘軟件，采用C#語(yǔ)言連接數(shù)據(jù)庫(kù)接口調(diào)用數(shù)據(jù)，通過(guò)可視化界面簡(jiǎn)化數(shù)據(jù)挖掘操作，并提供直觀的結(jié)果展示界面。程序運(yùn)行和結(jié)果演示見(jiàn)圖3。

圖3 數(shù)據(jù)挖掘程序運(yùn)行和結(jié)果演示

內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘軟件首先通過(guò)連接內(nèi)河船舶缺陷數(shù)據(jù)庫(kù)調(diào)用船舶缺陷數(shù)據(jù)，利用Apriori算法找到數(shù)據(jù)中的所有缺陷項(xiàng)并將其形成候選缺陷項(xiàng)集合Ck；然后根據(jù)這些缺陷項(xiàng)在每艘船舶中出現(xiàn)的次數(shù)，在計(jì)數(shù)器COUNT中進(jìn)行初次賦值，刪除集合中低于支持度的項(xiàng)，形成頻繁項(xiàng)集Lk;最后通過(guò)迭代，找到在所有船舶中出現(xiàn)頻率高于支持度的缺陷項(xiàng)集，并在軟件界面中以頻繁項(xiàng)集展示。

2.2.2挖掘結(jié)果

由于該研究旨在對(duì)船舶缺陷項(xiàng)進(jìn)行關(guān)聯(lián)分析，以獲取其中隱含的關(guān)聯(lián)規(guī)則，因此需選擇項(xiàng)集的支持度最小值，以確定頻繁項(xiàng)集。支持度的定義如下。

假定X是一個(gè)項(xiàng)集，D是一個(gè)事務(wù)集合或事務(wù)數(shù)據(jù)庫(kù)，稱(chēng)D中包含X的缺陷個(gè)數(shù)與D中總的缺陷個(gè)數(shù)之比為X在D中的支持度，記作Support(X)[7]，即

(1)

取0.2～0.5內(nèi)的支持度進(jìn)行數(shù)據(jù)挖掘測(cè)試，得到支持度與頻繁項(xiàng)集統(tǒng)計(jì)圖(見(jiàn)圖4)。

圖4 支持度與頻繁項(xiàng)集統(tǒng)計(jì)圖

由圖4可知:在取支持度為0.3時(shí)，頻繁項(xiàng)集個(gè)數(shù)為13，數(shù)量較多且支持度不高；在取支持度為0.5時(shí)，只有一個(gè)頻繁項(xiàng)集，難以進(jìn)行分析比較;在取支持度為0.4時(shí)，支持度較高且有多樣的關(guān)聯(lián)規(guī)則。因此,取支持度為0.4進(jìn)行數(shù)據(jù)挖掘。[15]統(tǒng)計(jì)支持度在0.4時(shí)挖掘到的結(jié)果(見(jiàn)表4)。

表4 頻繁項(xiàng)集

2.3結(jié)果分析

對(duì)于一個(gè)項(xiàng)集X，若其支持度不小于最小支持度，則稱(chēng)X為頻繁項(xiàng)集，在得到船舶安檢缺陷的頻繁項(xiàng)集后，需將抽象的數(shù)據(jù)還原為客觀的船舶安全缺陷進(jìn)行解釋和評(píng)價(jià)。

表4中,只含有1項(xiàng)的項(xiàng)集為高頻缺陷項(xiàng);含有2個(gè)及2個(gè)以上項(xiàng)的項(xiàng)集為頻繁項(xiàng)集，為該研究的重點(diǎn)。項(xiàng)集{1,4}即消防設(shè)備和主動(dòng)力及輔助設(shè)備,這2項(xiàng)缺陷的關(guān)聯(lián)規(guī)則的支持度最高，為0.62，表明其在一艘船舶的安檢過(guò)程中同時(shí)出現(xiàn)的概率高達(dá)62%。可據(jù)此規(guī)劃下一步檢查目標(biāo)，或作為判定船舶不符合初步檢查要求的依據(jù)等。

為進(jìn)一步研究這2項(xiàng)缺陷的規(guī)律，引入置信度進(jìn)行分析。置信度定義為：對(duì)形如X→Y的關(guān)聯(lián)規(guī)則，X和Y分別稱(chēng)為關(guān)聯(lián)規(guī)則的先導(dǎo)及后繼，其中X和Y都是項(xiàng)集，規(guī)則的置信度為事務(wù)集合D中既包含X也包含Y的事務(wù)個(gè)數(shù)與D中包含X的個(gè)數(shù)之比，記作Confidence(X→Y)[7]，即

(2)

以項(xiàng)集{1,4}為例，根據(jù)置信度定義得：Confidence(1→4)=86.7%;Confidence(4→1)=68.4%。

由于關(guān)聯(lián)規(guī)則(1→4)有更高的置信度，因此可認(rèn)為規(guī)則(1→4)為項(xiàng)集{1,4}唯一的關(guān)聯(lián)規(guī)則,即在船舶安檢中若出現(xiàn)缺陷項(xiàng)1，則當(dāng)0700消防設(shè)備有缺陷時(shí)，檢測(cè)1400主動(dòng)力及輔助設(shè)備有缺陷的概率高達(dá)86.67%。由此,通過(guò)關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘可得出結(jié)論：當(dāng)消防設(shè)備出現(xiàn)缺陷時(shí)，主動(dòng)力及輔助設(shè)備也很可能出現(xiàn)缺陷。

統(tǒng)計(jì)支持度為0.4時(shí)各頻繁項(xiàng)集的置信度，結(jié)果見(jiàn)表5。

為保證關(guān)聯(lián)規(guī)則的有效性，取支持度為0.4，最小置信度為60%的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，將數(shù)據(jù)制作成關(guān)聯(lián)規(guī)則路徑圖(見(jiàn)圖5)。

表5 關(guān)聯(lián)規(guī)則置信度

圖5 關(guān)聯(lián)規(guī)則路徑圖

圖5中，置信度大于80%的關(guān)聯(lián)規(guī)則為(1→4),(9→4)和(8→4)，即出現(xiàn)消防設(shè)備缺陷及ISM/NSM/安全制度或操作性檢查缺陷時(shí)，都會(huì)有>80%的概率出現(xiàn)主動(dòng)力及輔助設(shè)備缺陷。

當(dāng)置信度>60%時(shí)，根據(jù)最大置信度進(jìn)行路徑選擇可得關(guān)聯(lián)規(guī)則(9→4→1)和(8→4→1),即在內(nèi)河船舶安全檢查時(shí)，當(dāng)出現(xiàn)ISM/NSM/安全制度缺陷或操作性檢查缺陷時(shí)，繼續(xù)檢查主動(dòng)力和輔助設(shè)備,其會(huì)有83.3%的概率出現(xiàn)缺陷;再繼續(xù)檢查消防設(shè)備缺陷，其產(chǎn)生缺陷的概率達(dá)68.4%。

至此，通過(guò)關(guān)聯(lián)規(guī)則挖掘的方法找到可靠性較高的內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則，證明內(nèi)河船舶安全缺陷之間存在關(guān)聯(lián)性，可用于指導(dǎo)船舶安全檢查。

3 結(jié)束語(yǔ)

基于數(shù)據(jù)挖掘理論、內(nèi)河船舶安全檢查的實(shí)際情況和長(zhǎng)江海事局的船舶安檢數(shù)據(jù)，研究得到適用的內(nèi)河船舶關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法。對(duì)該方法進(jìn)行數(shù)據(jù)挖掘和分析，得到以下結(jié)論。

1) 內(nèi)河船舶的安全缺陷之間存在關(guān)聯(lián)性。例如,當(dāng)產(chǎn)生消防設(shè)備缺陷時(shí)，主動(dòng)力及輔助設(shè)備有較高的概率也同時(shí)產(chǎn)生缺陷。

2) 存在支持度較高的關(guān)聯(lián)規(guī)則，即該類(lèi)規(guī)則下缺陷同時(shí)產(chǎn)生的概率較高，可重點(diǎn)檢查該類(lèi)缺陷，避免隨機(jī)抽查安檢效率不高的問(wèn)題。

3) 某些缺陷形成的關(guān)聯(lián)規(guī)則存在較高的置信度，在安檢過(guò)程中發(fā)現(xiàn)該類(lèi)缺陷時(shí)可通過(guò)高置信度的關(guān)聯(lián)規(guī)則迅速找到其他缺陷。

由于目前內(nèi)河船舶安檢數(shù)據(jù)有限，因此該研究對(duì)船舶安檢大類(lèi)進(jìn)行數(shù)據(jù)挖掘并建立關(guān)聯(lián)規(guī)則旨在研究適用于內(nèi)河船舶安全檢查的數(shù)據(jù)挖掘方法及驗(yàn)證船舶缺陷間是否存在關(guān)聯(lián)性。隨著數(shù)據(jù)逐漸豐富，可對(duì)細(xì)分的缺陷項(xiàng)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，或引入滯留、事故參數(shù)，為船舶安全檢查工作提供更好的技術(shù)決策支持。

[2] 劉曉葳,朱建平.大數(shù)據(jù)內(nèi)涵的挖掘角度辨析[J].中國(guó)統(tǒng)計(jì),2013(4):59-61.

[3] 滕廣青,毛英爽.國(guó)外數(shù)據(jù)挖掘應(yīng)用研究與發(fā)展分析[J]. 統(tǒng)計(jì)研究,2005(12):68-70.

[4] 中國(guó)港口國(guó)監(jiān)督數(shù)據(jù)管理中心. 2012年中國(guó)港口國(guó)監(jiān)督數(shù)據(jù)分析年報(bào)[EB/OL]. [2013-05-10](2013-12-07).http://www.moc.gov.cn/zizhan/zhishuJG/haishiju/chuanbojiandu/201305/P020130523308494046 599.pdf.

[5] 戴耀存，陳興偉，陳雪峰.船舶港口國(guó)檢查的滯留原因分析[J].中國(guó)航海,2010,33(3):64-68.

[6] 梁靜國(guó).決策支持系統(tǒng)與決策知識(shí)發(fā)現(xiàn)[M].哈爾濱：哈爾濱工程大學(xué)出版社,2007:207-215.

[7] 胡可云,田鳳占,黃厚寬. 數(shù)據(jù)挖掘理論與應(yīng)用[M].北京:北京交通大學(xué)出版社, 2008:4-12,103-106.

[8] FAYYAD U.From Data Mining to Knowledge Discovery in Databases[J]. AI Magazine, 1996,17(3):37-54.

[9] 熊平.基于雜度削減的連續(xù)屬性離散化方法[J].統(tǒng)計(jì)與決策,2012(5)：35-37.

[10] 陳晶,金永興,袁建中,等. PSC數(shù)據(jù)中船齡與缺陷相關(guān)性的可視化挖掘[J]. 船舶工程,2013,35(5):109-111.

[11] SZCZUKA M, SOSNOWSKI L, KRASUSKI A, et al. Using Domain Knowledge in Initial Stages of KDD: Optimization of Compound Object Processing[J]. Fundamenta Informaticae,2014,129(4): 341-364.

[12] 史忠植.知識(shí)發(fā)現(xiàn)[M].2版.北京：清華大學(xué)出版社,2011:2-5.

[13] 黃常海,高德毅,胡甚平,等.基于Apriori算法的船舶交通事故關(guān)聯(lián)規(guī)則分析[J]. 上海海事大學(xué)學(xué)報(bào),2014,35(3):18-22.

[14] 覃雄派,王會(huì)舉,杜小勇,等.大數(shù)據(jù)分析——RDBMS與MapReduce的競(jìng)爭(zhēng)與共生[J].軟件學(xué)報(bào),2012,23(1):32-45.

[15] 劉正江,吳兆麟.基于船舶碰撞事故調(diào)查報(bào)告的人的因素?cái)?shù)據(jù)挖掘[J].中國(guó)航海,2004(2):1-6.

AssociationAmongSafetyDefectsforInlandShip

HAOYong1,2,3，HUANGQiang1,3

(1. School of Navigation， Wuhan University of Technology， Wuhan 430063， China；2. National Engineering Research Center for Water Transport Safety, Wuhan 430063， China；3. Hubei Key Laboratory of Inland Shipping Technology, Wuhan 430063， China)

U691+.6;U698

A

2016-04-15

郝 勇(1966—),男,湖北潛江人,副教授,博士,主要從事海事管理和水上交通工程教學(xué)與研究。E-mail:marinehao@126.com

1000-4653(2016)03-0077-05