汪益兵， 王 捷， 徐顯文

(浙江國(guó)際海運(yùn)職業(yè)技術(shù)學(xué)院， 浙江 舟山 316021)

數(shù)據(jù)挖掘聚類算法在船岸一體化平臺(tái)中的應(yīng)用

汪益兵， 王 捷， 徐顯文

(浙江國(guó)際海運(yùn)職業(yè)技術(shù)學(xué)院， 浙江 舟山 316021)

船舶的遠(yuǎn)程動(dòng)態(tài)跟蹤及數(shù)據(jù)采集、處理與應(yīng)用是船岸一體化平臺(tái)的一項(xiàng)主要內(nèi)容。船岸一體化平臺(tái)收集的數(shù)據(jù)呈現(xiàn)復(fù)雜的關(guān)系，而利用數(shù)據(jù)挖掘技術(shù)能從中發(fā)現(xiàn)知識(shí)或規(guī)律，及時(shí)分析以提供決策支持。介紹船岸一體化平臺(tái)的數(shù)據(jù)采集過(guò)程、對(duì)數(shù)據(jù)的要求以及數(shù)據(jù)挖掘方法的相關(guān)理論。以船舶節(jié)能為研究目標(biāo)，舉例說(shuō)明k均值聚類算法的應(yīng)用過(guò)程，為船岸一體化平臺(tái)的數(shù)據(jù)處理與功能實(shí)現(xiàn)提供一個(gè)新的思路。

水路運(yùn)輸；數(shù)據(jù)挖掘；k-means聚類算法；船岸一體化平臺(tái)；船舶節(jié)能

數(shù)據(jù)挖掘技術(shù)是隨著數(shù)據(jù)庫(kù)和人工智能發(fā)展起來(lái)的，現(xiàn)已成為信息決策領(lǐng)域研究的前沿，得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。[1]近年來(lái)，該技術(shù)在海上交通的交通流數(shù)據(jù)特征分析、交通事故分析與預(yù)防、船舶行為研究等領(lǐng)域得到了研究或應(yīng)用。[2-6]日漸發(fā)展的船岸一體化平臺(tái)在航運(yùn)公司管理人員實(shí)時(shí)、高效管理船舶方面顯示出廣闊的應(yīng)用前景。在船岸一體化平臺(tái)中，運(yùn)用數(shù)據(jù)挖掘聚類分析技術(shù)處理平臺(tái)收集的船舶數(shù)據(jù)，獲得相關(guān)知識(shí)、規(guī)律，為實(shí)現(xiàn)成本控制、節(jié)能減排、決策分析等功能提供技術(shù)支持。

1 船岸一體化平臺(tái)及其對(duì)船舶數(shù)據(jù)的要求

船岸一體化平臺(tái)是航運(yùn)公司將利用現(xiàn)代通信、信息技術(shù)采集到的船舶各類運(yùn)行數(shù)據(jù)進(jìn)行集中管理與綜合應(yīng)用，然后將其作為船岸安全與技術(shù)管理決策依據(jù)的管理平臺(tái)。該平臺(tái)將公司(岸基)與所屬船舶(船端)所有日常管理、技術(shù)管理、安全管理、航運(yùn)管理、成本控制集于一體，實(shí)現(xiàn)船岸信息資源共享與管理一體化，其核心是實(shí)現(xiàn)對(duì)船舶航行安全、設(shè)備運(yùn)行狀態(tài)、在船人員、所載貨物與突發(fā)事件等的控制與跟蹤。該平臺(tái)能夠提高管理層的調(diào)度和經(jīng)營(yíng)、決策能力，實(shí)現(xiàn)快速、動(dòng)態(tài)地指導(dǎo)一線船員生產(chǎn)實(shí)踐以及船舶管理的現(xiàn)代化。[7-9]

船岸一體化平臺(tái)由船基數(shù)據(jù)采集處理、船岸數(shù)據(jù)通信以及岸基數(shù)據(jù)挖掘與遠(yuǎn)程監(jiān)控等幾部分組成。船基數(shù)據(jù)(包括船舶航行數(shù)據(jù)、機(jī)艙工況數(shù)據(jù)、海上氣象數(shù)據(jù)和船舶AIS(Automatic Identification System)數(shù)據(jù)等)經(jīng)采集處理，在文本文件加密或壓縮后，通過(guò)海事衛(wèi)星和網(wǎng)絡(luò)傳輸，以郵件方式發(fā)送到岸基。岸基將收到的郵件進(jìn)行解壓縮和解密后，分發(fā)到相應(yīng)的應(yīng)用系統(tǒng)或儲(chǔ)存到指定的數(shù)據(jù)庫(kù)中，實(shí)現(xiàn)船岸數(shù)據(jù)的同步與共享。[10-11]

通過(guò)數(shù)據(jù)交換平臺(tái)，將不同的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)格式轉(zhuǎn)換成統(tǒng)一的、便于應(yīng)用的形式，包括數(shù)據(jù)的解密或解壓縮、數(shù)據(jù)類型的轉(zhuǎn)換、數(shù)據(jù)長(zhǎng)度的轉(zhuǎn)換等。為滿足不同業(yè)務(wù)對(duì)數(shù)據(jù)的要求，在對(duì)數(shù)據(jù)進(jìn)行重組分類的基礎(chǔ)上，再應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)行分析與處理。以船舶減少油耗實(shí)現(xiàn)節(jié)能目標(biāo)為例，進(jìn)行船舶數(shù)據(jù)挖掘與研究，研究對(duì)象除船舶航行數(shù)據(jù)外主要是機(jī)艙監(jiān)測(cè)數(shù)據(jù)。此外，為簡(jiǎn)化船舶營(yíng)運(yùn)過(guò)程中的油耗分析和得到精確的決策規(guī)則，收集的是排除了特殊航行狀態(tài)(如船舶抵離港、在港靠泊、錨地錨泊等)后兩個(gè)連續(xù)掛靠港口間的船舶數(shù)據(jù)。

2 數(shù)據(jù)挖掘中的k均值聚類算法

數(shù)據(jù)挖掘是通過(guò)分析大量數(shù)據(jù)揭示新的關(guān)系、趨勢(shì)和模式的過(guò)程，其主要任務(wù)是對(duì)數(shù)據(jù)庫(kù)中的大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和模型化處理，從中提取可輔助決策的關(guān)鍵性數(shù)據(jù)和隱藏的預(yù)測(cè)性信息。通過(guò)數(shù)據(jù)挖掘，能發(fā)掘數(shù)據(jù)間潛在的模式，找出可能忽略的信息，以可理解和觀察的形式反映給用戶，并給出基于知識(shí)的決策分析意見和結(jié)論。[12]

聚類算法是數(shù)據(jù)挖掘中的一個(gè)重要研究領(lǐng)域。聚類是一種常見的數(shù)據(jù)分析工具，其目的是把大量數(shù)據(jù)點(diǎn)的集合分成若干類，使得同類中的數(shù)據(jù)最大程度地相似，而不同類中的數(shù)據(jù)最大程度地不同。聚類的實(shí)質(zhì)是將性質(zhì)相似的點(diǎn)聚在一起，以發(fā)現(xiàn)其中的規(guī)律?；趧澐值姆椒ㄊ亲畛Ｓ玫木垲惙治龇椒ㄖ唬琸均值聚類算法是其代表算法。[13]

k均值聚類算法又稱基于k-means聚類算法，在數(shù)據(jù)挖掘領(lǐng)域中得到了廣泛應(yīng)用。k均值聚類算法給定一個(gè)例子的集合X(其中包括n個(gè)數(shù)據(jù)對(duì)象)，并將數(shù)據(jù)對(duì)象劃分為k個(gè)聚類(k≤n)，通常會(huì)采用一個(gè)劃分準(zhǔn)則(稱為相似度函數(shù))，以使同一簇中的對(duì)象是相似的，而不同簇中的對(duì)象是相異的。k均值聚類算法的處理過(guò)程是：對(duì)于給定的一個(gè)包含n個(gè)d維數(shù)據(jù)點(diǎn)的數(shù)據(jù)集X={x1，x2，…，xi，…，xn}(其中xi∈Rd)以及要生成的數(shù)據(jù)子集的數(shù)目k，k-means聚類算法將數(shù)據(jù)對(duì)象組織為k個(gè)劃分C={ck，i=1，2，…，k},每個(gè)劃分代表一個(gè)類ck，每個(gè)類ck有一個(gè)類別中心μi。選取歐氏距離作為相似性和距離判斷準(zhǔn)則，計(jì)算該類內(nèi)各點(diǎn)到聚類中心μi的距離平方和J(ck)為

(1)

(2)

式(2)中:若xi∈ci，則dki=1；若xi?ci，則dki=0。

顯然，根據(jù)最小二乘法和拉格朗日原理，聚類中心μk應(yīng)該取為ck類各數(shù)據(jù)點(diǎn)的平均值。

k均值聚類算法從一個(gè)初始的k類別劃分開始，將各數(shù)據(jù)點(diǎn)指派到各個(gè)類別中，以減小總的距離平方和。該算法是一個(gè)反復(fù)迭代過(guò)程，目的是使聚類域中所有的樣品到聚類中心距離的平方和J(C)最小，算法具體流程見圖1。

圖1 k均值聚類算法流程圖

實(shí)踐中，著重發(fā)掘與主要因素相關(guān)的船舶運(yùn)行特性與規(guī)律。k均值聚類算法需要用戶提前輸入聚類作業(yè)所要形成簇的數(shù)量，即k值。k值的選取對(duì)聚類的結(jié)果具有很大影響，通過(guò)調(diào)整k值評(píng)價(jià)不同的可能性。k均值聚類算法的優(yōu)勢(shì)在于能夠挖掘出包含多個(gè)屬性信息的潛在趨勢(shì)，可用于識(shí)別特定情況與趨勢(shì)，但結(jié)果分析需要基礎(chǔ)資料的支撐。

3 數(shù)據(jù)挖掘聚類算法在船岸一體化平臺(tái)實(shí)現(xiàn)船舶節(jié)能功能中的應(yīng)用

3.1在船岸一體化平臺(tái)中數(shù)據(jù)挖掘聚類算法的基本程序

1) 針對(duì)船岸一體化平臺(tái)收集的船舶數(shù)據(jù)，把船舶節(jié)能作為研究目標(biāo)，明確數(shù)據(jù)挖掘的要求與任務(wù)。

2) 對(duì)船舶數(shù)據(jù)采集與監(jiān)控系統(tǒng)收集的數(shù)據(jù)進(jìn)行清洗，即對(duì)原始數(shù)據(jù)進(jìn)行加工(一般包含數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)平整、丟失數(shù)據(jù)處理、時(shí)間相關(guān)數(shù)據(jù)處理以及異常數(shù)據(jù)的分析和處理等)，以生成用于數(shù)據(jù)挖掘的數(shù)據(jù)庫(kù)。

3) 采用k均值聚類算法實(shí)施數(shù)據(jù)挖掘任務(wù)，從船岸一體化平臺(tái)的大量數(shù)據(jù)中尋找船舶主機(jī)高效(率)數(shù)據(jù)集(簇)，在各聚類中心點(diǎn)(簇的中心點(diǎn))與負(fù)荷的對(duì)應(yīng)關(guān)系上建立基準(zhǔn)值模型;針對(duì)所屬類別，設(shè)計(jì)或選擇有效的算法,實(shí)施數(shù)據(jù)挖掘。

4) 對(duì)挖掘結(jié)果進(jìn)行解釋、評(píng)估與優(yōu)化。

5) 通過(guò)分析、整理，將結(jié)果輸出到航運(yùn)管理實(shí)際工作中，為決策提供依據(jù)。

3.2船舶油耗數(shù)據(jù)的預(yù)處理

為處理模糊和不確定知識(shí)，將粗糙集理論作為數(shù)據(jù)挖掘的數(shù)學(xué)工具，把研究對(duì)象的屬性分為決策屬性和條件屬性。在對(duì)船舶營(yíng)運(yùn)油耗的研究中，決策屬性采用的是船舶主機(jī)日耗油量與日累積航程的比值，稱作單位航程油耗。而影響耗油的可能條件屬性有：

1) 船舶因素：船舶種類與大小、裝載狀態(tài)、船舶吃水和吃水差、船舶穩(wěn)性與搖擺性、船殼狀況等。

2) 機(jī)器因素：主要指船舶主機(jī)、副機(jī)、鍋爐等裝備及其性能、技術(shù)狀態(tài)等。

3) 燃油因素：主要指燃油品質(zhì)與性能等。

4) 環(huán)境因素：風(fēng)、流、浪和天氣狀況等。

5) 操縱因素：航向、航速和主機(jī)轉(zhuǎn)速等運(yùn)轉(zhuǎn)工況。

在船岸一體化平臺(tái)中，采集的數(shù)據(jù)來(lái)自于公司所屬的各船舶。由于公司同系列船舶在船舶、機(jī)器等方面存在許多相似的屬性，應(yīng)用數(shù)據(jù)挖掘技術(shù)具有更豐富、科學(xué)的數(shù)據(jù)基礎(chǔ)。這也是利用船岸一體化平臺(tái)進(jìn)行數(shù)據(jù)挖掘的有利條件。

在進(jìn)行油耗分析前，需將油耗相關(guān)數(shù)據(jù)轉(zhuǎn)換為船舶油耗信息系統(tǒng)的形式，以確定條件屬性和決策屬性。由于船岸不同的軟硬件設(shè)備，數(shù)據(jù)結(jié)構(gòu)各異，可能造成彼此不能識(shí)別對(duì)方的數(shù)據(jù)。因此，需對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。同時(shí)，設(shè)備故障或其他因素可能導(dǎo)致個(gè)別船舶數(shù)據(jù)不確定或缺失的現(xiàn)象，需對(duì)經(jīng)典粗糙集理論進(jìn)行擴(kuò)充，以適應(yīng)不完備的信息系統(tǒng)。

3.3建立基準(zhǔn)值模型

對(duì)某一具體船舶節(jié)能而言，在一定負(fù)荷和環(huán)境參數(shù)下，單位航程油耗最小時(shí)對(duì)應(yīng)的主機(jī)工況為最佳工況，在此工況下，主機(jī)效率及相關(guān)運(yùn)行監(jiān)控參數(shù)稱為參數(shù)基準(zhǔn)值。采用k均值聚類算法,在大量數(shù)據(jù)中尋找船舶機(jī)器高效數(shù)據(jù)集(簇)，利用各聚類中心點(diǎn)(簇的重心點(diǎn))與負(fù)荷的對(duì)應(yīng)關(guān)系建立基準(zhǔn)值模型。隨后，對(duì)船舶主機(jī)運(yùn)行數(shù)據(jù)進(jìn)行分析，尋找各負(fù)荷工況下船舶主機(jī)的高效運(yùn)行工況，將其對(duì)應(yīng)的運(yùn)行參數(shù)作為基準(zhǔn)值建模的樣本數(shù)據(jù)，并確定其基準(zhǔn)值模型。[14]

選擇船舶主機(jī)功率、單位航程油耗和主機(jī)轉(zhuǎn)速3個(gè)屬性進(jìn)行分析。

1) 將主機(jī)功率分成N個(gè)區(qū)間，如果一個(gè)區(qū)間的點(diǎn)數(shù)太少，則與相鄰的區(qū)間合并，這樣就保證了每個(gè)主機(jī)功率區(qū)段有足夠多的記錄。

2) 對(duì)每個(gè)區(qū)段的點(diǎn)進(jìn)行聚類，找到各簇?cái)?shù)據(jù)對(duì)應(yīng)的聚類中心中單位航程油耗最小的一簇?cái)?shù)據(jù)，其聚類中心對(duì)應(yīng)的主機(jī)功率和主機(jī)轉(zhuǎn)速就是要找的一個(gè)基準(zhǔn)值樣本點(diǎn)。

3) 對(duì)每一個(gè)主機(jī)功率區(qū)間進(jìn)行相同的操作，直到找到所有劃分區(qū)間的樣本點(diǎn)。

4) 將樣本點(diǎn)進(jìn)行正交曲線擬合，得到主機(jī)轉(zhuǎn)速的基準(zhǔn)值模型。

3.4實(shí)施數(shù)據(jù)挖掘

為方便說(shuō)明，以某公司對(duì)3 590 TEU同系列全集裝箱船采集的數(shù)據(jù)為例，對(duì)通過(guò)數(shù)據(jù)挖掘聚類算法實(shí)現(xiàn)船舶節(jié)能的目標(biāo)作詳細(xì)描述。

1) 采集船舶主機(jī)功率、單位航程油耗和主機(jī)轉(zhuǎn)速3個(gè)屬性參數(shù)的所有數(shù)據(jù)，在對(duì)數(shù)據(jù)預(yù)處理后，把該類船舶正常航行時(shí)主機(jī)功率在10 000～22 000 kW內(nèi)的所有有效數(shù)據(jù)生成用于數(shù)據(jù)挖掘的數(shù)據(jù)庫(kù)，并以每2 000 kW劃分主機(jī)功率區(qū)間，共把數(shù)據(jù)分為6個(gè)區(qū)間。

2) 采用k均值聚類算法對(duì)主機(jī)功率在各個(gè)區(qū)間的單位航程油耗進(jìn)行聚類分析，并列出聚類分析結(jié)果，其中主機(jī)功率在14 001～16 000 kW的聚類分析結(jié)果見表1。

在完成聚類分析后，從分析結(jié)果中找出單位航程油耗最小的一類，如果該類又包含足夠多的數(shù)據(jù)記錄，則可被認(rèn)定為主機(jī)功率在該區(qū)間的一個(gè)樣本點(diǎn)。例如在表1中，可認(rèn)定Cluster-5為主機(jī)功率在14 001～16 000 kW的一個(gè)樣本點(diǎn)。對(duì)其他功率區(qū)間依次類推，得到船舶主機(jī)功率在各區(qū)間對(duì)應(yīng)單位航程油耗最小的樣本點(diǎn)集合(見表2)。

根據(jù)表2，以主機(jī)功率、轉(zhuǎn)速分別為橫、縱坐標(biāo)作樣本點(diǎn)位置圖(見圖2)，從圖中可直觀地發(fā)現(xiàn)船舶單位航程油耗最小時(shí)主機(jī)功率、轉(zhuǎn)速的變化規(guī)律。公司根據(jù)船岸一體化平臺(tái)的數(shù)據(jù)挖掘處理結(jié)果，獲得同類型船舶在具體航次承受不同負(fù)荷下為實(shí)現(xiàn)船舶單位航程油耗最小可采用的主機(jī)轉(zhuǎn)速，再把該運(yùn)行工況應(yīng)用于其他同類型船舶的航行實(shí)踐中。

表1 主機(jī)功率在14 001～16 000 kW下的船舶主機(jī)轉(zhuǎn)速聚類分析結(jié)果

表2 主機(jī)功率各區(qū)間對(duì)應(yīng)船舶單位航程油耗最小的樣本點(diǎn)

圖2 樣本點(diǎn)位置圖

3.5評(píng)估優(yōu)化與結(jié)果應(yīng)用

從數(shù)據(jù)挖掘結(jié)果可以看出，船舶在每個(gè)主機(jī)功率區(qū)段采用對(duì)應(yīng)主機(jī)轉(zhuǎn)速的條件下，該樣本點(diǎn)的單位航程油耗最小，與基準(zhǔn)值定義的高效運(yùn)行工況的定義是一致的。船舶在海上航行時(shí),如果受風(fēng)影響，單位航程油耗將會(huì)受到較大影響。海上天氣對(duì)船舶單位航程燃油消耗的影響主要是通過(guò)影響船舶航程和航速產(chǎn)生的。增加主機(jī)轉(zhuǎn)速和航速也會(huì)提高船舶單位航程的燃油消耗。為降低單位航程油耗，在實(shí)踐中通常運(yùn)用良好的船藝，通過(guò)調(diào)整、控制和穩(wěn)定船舶航向，并采用數(shù)據(jù)挖掘處理得到一定主機(jī)功率下相對(duì)應(yīng)的主機(jī)轉(zhuǎn)速，實(shí)現(xiàn)船舶節(jié)能的目標(biāo)。

4 結(jié) 語(yǔ)

鑒于數(shù)據(jù)挖掘技術(shù)的人工智能特征和針對(duì)復(fù)雜數(shù)據(jù)的處理能力及其已在多個(gè)行業(yè)的分析預(yù)測(cè)中取得的良好效果，提出在船岸一體化平臺(tái)中利用數(shù)據(jù)挖掘技術(shù)對(duì)數(shù)據(jù)進(jìn)行處理以輔助管理人員決策分析的思想。結(jié)合船舶節(jié)能實(shí)例，運(yùn)用k均值聚類算法挖掘出影響船舶節(jié)能因素的潛在規(guī)律，給管理決策提供信息支撐，為航運(yùn)公司提高船舶營(yíng)運(yùn)效率、降低營(yíng)運(yùn)成本提供科學(xué)依據(jù)。船舶營(yíng)運(yùn)油耗是一個(gè)受多因素影響的綜合性過(guò)程，采用數(shù)據(jù)挖掘聚類算法研究分析船舶節(jié)能問(wèn)題，為更好地發(fā)揮船岸一體化平臺(tái)功能提供了一個(gè)新的思路。

[1] 殷瑞飛．?dāng)?shù)據(jù)挖掘中的聚類方法及其應(yīng)用[D]．廈門：廈門大學(xué)，2008．

[2] 鄭濱，陳錦標(biāo)，夏少生,等．基于數(shù)據(jù)挖掘的海上交通流數(shù)據(jù)特征分析[J]．中國(guó)航海，2009，32(1)：60-63．

[3] 牟軍敏，鄒早建，齊傳新．?dāng)?shù)據(jù)挖掘技術(shù)在內(nèi)河交通事故分析和預(yù)防中的應(yīng)用[J]．中國(guó)航海，2004，27(1)：27-29．

[4] 朱飛祥，張英俊，高宗江．基于數(shù)據(jù)挖掘的船舶行為研究[J]．中國(guó)航海，2012，35(2)：50-54．

[5] 潘家財(cái)，邵哲平，姜青山．?dāng)?shù)據(jù)挖掘在海上交通特征分析中的應(yīng)用研究[J]．中國(guó)航海，2010，33(2)：60-62．

[6] 朱飛祥．遠(yuǎn)洋船舶調(diào)度數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用[D]．大連：大連海事大學(xué)，2008．

[7] 岳躍申，鄭士君，黃愛平．新型船岸一體化管理平臺(tái)的設(shè)計(jì)及其功能[J]．航海技術(shù)，2009(9)：70-72．

[8] 汪益兵，聶建濤．基于嵌入式技術(shù)的船岸一體化管理平臺(tái)設(shè)計(jì)與開發(fā)[J]．上海海事大學(xué)學(xué)報(bào)，2013，34(4)：23-26．

[9] 蔡曄敏，周亞蘭，朱蕊．船舶自動(dòng)化系統(tǒng)網(wǎng)絡(luò)的設(shè)計(jì)進(jìn)展[J]．上海工程技術(shù)大學(xué)學(xué)報(bào)，2010，24(2)：142-144．

[10] 韓建鋒，陳星．嵌入式船舶數(shù)據(jù)采集與監(jiān)控系統(tǒng)[J]．儀表技術(shù)與傳感器，2008(8)：61-62．

[11] 薛明剛，徐承飛，趙衛(wèi)麗,等．船岸一體化數(shù)據(jù)同步的實(shí)現(xiàn)[J]．中國(guó)修船，2011，24(1):21-24．

[12] 劉同明．?dāng)?shù)據(jù)挖掘技術(shù)及其應(yīng)用[M]．北京：國(guó)防工業(yè)出版社，2001．

[13] 行小帥，焦李成．?dāng)?shù)據(jù)挖掘的聚類方法[J]．電路與系統(tǒng)學(xué)報(bào)，2003，8(1)：59-67．

[14] 錢瑾，王培紅，李琳．聚類算法在鍋爐運(yùn)行參數(shù)基準(zhǔn)值分析中的應(yīng)用[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2007，27(23)：71-74．

ApplicationofClusteringAlgorithmforDataMininginShip-ShoreIntegrationPlatform

WANGYibing，WANGJie，XUXianwen
(Zhejiang International Maritime College， Zhoushan 316021， China)

Ship-shore integration platform performs ship tracking, data acquisition and processing, and management services. The large amount of data collected in ship-shore integration platform shows a complex relationship and the data mining technique is necessary for extracting knowledge and discovering laws from data and timely supporting decision making. The data acquisition process of the platforms and their requirements for the information as well as some concepts of data mining are introduced. The practical application ofk-means clustering algorithm aiming for energy saving is illustrated. This study demonstrates a new approach of developing a ship-shore integration platform.

waterway transportation; data mining；k-means clustering algorithm； ship-shore integration platform； ship energy saving

2013-12-22

浙江省公益性技術(shù)應(yīng)用研究計(jì)劃項(xiàng)目(2013C33084)

汪益兵(1970-)，男，浙江蘭溪人，副教授,船長(zhǎng),從事航海技術(shù)、交通運(yùn)輸管理研究。E-mail:zimcwyb@126.com.

1000-4653(2014)02-0122-05

TP311.13

A