郝 勇， 黃 強(qiáng)

(1.武漢理工大學(xué)，航運學(xué)院, 武漢 430063； 2.國家水運安全工程技術(shù)研究中心， 武漢 430063；3.湖北省內(nèi)河航運技術(shù)重點實驗室， 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)，航運學(xué)院, 武漢 430063； 2.國家水運安全工程技術(shù)研究中心， 武漢 430063；3.湖北省內(nèi)河航運技術(shù)重點實驗室， 武漢 430063)

對內(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。對此,基于長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)庫中;采用Apriori算法開發(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

船舶安全對保障水上人命和財產(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)某項缺陷時另一項缺陷在高于一定概率的情況下同時被發(fā)現(xiàn)，則稱兩缺陷間的這種關(guān)聯(lián)性關(guān)系為船舶安全缺陷的關(guān)聯(lián)規(guī)則。目前已有大量針對港口國監(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越廣泛的應(yīng)用。[2-3]中國港口國監(jiān)督數(shù)據(jù)管理中心[4]對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]采用頻繁項集和關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘的方式對港口國監(jiān)督滯留缺陷進(jìn)行關(guān)聯(lián)規(guī)則研究，通過統(tǒng)計缺陷關(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。對此，基于長江海事局轄區(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。該方法以內(nèi)河船舶安全檢查數(shù)據(jù)的挖掘過程為落腳點，在此過程中解析數(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；對挖掘結(jié)果進(jìn)行定量評估，驗證內(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，運用Apriori算法[6]對經(jīng)過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)項集從小到大的順序?qū)ふ翌l繁項集。

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

表1 樣本數(shù)據(jù)集D示例

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

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

Apriori算法具有算法簡單和數(shù)據(jù)量少時性能好的優(yōu)點，但在項集關(guān)系復(fù)雜且數(shù)量相對較多時將增加數(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)量相對較少且關(guān)系簡單，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)挖掘過程中，采用適當(dāng)?shù)姆绞竭M(jìn)行數(shù)據(jù)處理和識別是數(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。對此,首先將具體的船舶安檢缺陷項目數(shù)字化，然后進(jìn)行數(shù)據(jù)去噪和分類得到有價值的信息，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)庫形式來存儲，并借助專門軟件挖掘關(guān)聯(lián)規(guī)則。整個數(shù)據(jù)挖掘過程以知識發(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，分析其宏觀規(guī)律;隨后以研究需求為驅(qū)動,從原始數(shù)據(jù)中提取出有用數(shù)據(jù)組，解決數(shù)據(jù)語義的模糊性問題,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)來自于2010年長江海事局各分支局檢查的22艘船舶的安全檢查記錄。對其中的缺陷項進(jìn)行分類統(tǒng)計,形成原始船舶安檢數(shù)據(jù)集，繪制成頻數(shù)分布圖(見圖1)，其中橫軸為船舶安檢缺陷代碼，其間每個數(shù)字標(biāo)志表示一項缺陷大類代碼，每條柱狀圖表示缺陷大類中一個缺陷的頻數(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，由于安全缺陷項種類較多，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集。對此，將船舶安檢缺陷按大類來分類。[10]例如,缺陷0120符合證明(Document of Compliance,DOC)副本和缺陷0130最低安全配員證書統(tǒng)一歸為0100船舶證書及有關(guān)文件大類中。內(nèi)河船舶安全檢查主要缺陷分類見表2。

表2 內(nèi)河船舶安全檢查主要缺陷分類

根據(jù)船舶安檢項目大類進(jìn)行分類之后，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,采用大類統(tǒng)計后,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)過歸類處理，復(fù)雜程度降低，規(guī)律更加明顯，便于后期對數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘。但是,基于頻數(shù)統(tǒng)計得到的只是簡單的規(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。由于該研究的目標(biāo)是尋找高頻關(guān)聯(lián)缺陷項集，因此低頻項可當(dāng)作數(shù)據(jù)噪聲剔除。對長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)計出10個高頻缺陷大類候選項(見表3)。為保證數(shù)據(jù)挖掘能得到最有用的結(jié)果，避免產(chǎn)生過多無用的候選集而影響數(shù)據(jù)挖掘算法的效率[11]，對每艘船舶的安檢記錄中屬于這10個高頻缺陷大類的缺陷集合進(jìn)行統(tǒng)計，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到數(shù)據(jù)庫中進(jìn)行分析，則不僅在查詢設(shè)計上語句復(fù)雜、時間復(fù)雜度高，而且對計算性能有很高的要求。因此，需對缺陷信息進(jìn)行抽象轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換的目的是對數(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)挖掘時的變量個數(shù)。[12]基于該思想，定義船舶安檢過程中所有高頻缺陷大類的集合為事務(wù)，將現(xiàn)實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個數(shù)字的代碼集合，每個抽象代碼對應(yīng)一個船舶安檢大類代碼；在各個事務(wù)中消除重復(fù)的項形成缺陷項集，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)；項集(ITEM)}(如{1；1,2,7,8,9})，將這樣的信息存至數(shù)據(jù)庫中。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，數(shù)據(jù)庫采用RDBMS技術(shù)，使用SQL Server進(jìn)行內(nèi)河船舶缺陷數(shù)據(jù)庫開發(fā)。由于SQL語言[14]難以實現(xiàn)靈活深入的數(shù)據(jù)分析表達(dá)，因此開發(fā)內(nèi)河船舶安全缺陷關(guān)聯(lián)規(guī)則挖掘軟件，采用C#語言連接數(shù)據(jù)庫接口調(diào)用數(shù)據(jù)，通過可視化界面簡化數(shù)據(jù)挖掘操作，并提供直觀的結(jié)果展示界面。程序運行和結(jié)果演示見圖3。

圖3 數(shù)據(jù)挖掘程序運行和結(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連接內(nèi)河船舶缺陷數(shù)據(jù)庫調(diào)用船舶缺陷數(shù)據(jù)，利用Apriori算法找到數(shù)據(jù)中的所有缺陷項并將其形成候選缺陷項集合Ck；然后根據(jù)這些缺陷項在每艘船舶中出現(xiàn)的次數(shù)，在計數(shù)器COUNT中進(jìn)行初次賦值，刪除集合中低于支持度的項，形成頻繁項集Lk;最后通過迭代，找到在所有船舶中出現(xiàn)頻率高于支持度的缺陷項集，并在軟件界面中以頻繁項集展示。

2.2.2挖掘結(jié)果

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

假定X是一個項集，D是一個事務(wù)集合或事務(wù)數(shù)據(jù)庫，稱D中包含X的缺陷個數(shù)與D中總的缺陷個數(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)挖掘測試，得到支持度與頻繁項集統(tǒng)計圖(見圖4)。

圖4 支持度與頻繁項集統(tǒng)計圖

由圖4可知:在取支持度為0.3時，頻繁項集個數(shù)為13，數(shù)量較多且支持度不高；在取支持度為0.5時，只有一個頻繁項集，難以進(jìn)行分析比較;在取支持度為0.4時，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)計支持度在0.4時挖掘到的結(jié)果(見表4)。

表4 頻繁項集

2.3結(jié)果分析

對于一個項集X，若其支持度不小于最小支持度，則稱X為頻繁項集，在得到船舶安檢缺陷的頻繁項集后，需將抽象的數(shù)據(jù)還原為客觀的船舶安全缺陷進(jìn)行解釋和評價。

表4中,只含有1項的項集為高頻缺陷項;含有2個及2個以上項的項集為頻繁項集，為該研究的重點。項集{1,4}即消防設(shè)備和主動力及輔助設(shè)備,這2項缺陷的關(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程中同時出現(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項缺陷的規(guī)律，引入置信度進(jìn)行分析。置信度定義為：對形如X→Y的關(guān)聯(lián)規(guī)則，X和Y分別稱為關(guān)聯(lián)規(guī)則的先導(dǎo)及后繼，其中X和Y都是項集，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)個數(shù)與D中包含X的個數(shù)之比，記作Confidence(X→Y)[7]，即

(2)

以項集{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1，則當(dāng)0700消防設(shè)備有缺陷時，檢測1400主動力及輔助設(shè)備有缺陷的概率高達(dá)86.67%。由此,通過關(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，主動力及輔助設(shè)備也很可能出現(xiàn)缺陷。

統(tǒng)計支持度為0.4時各頻繁項集的置信度，結(jié)果見表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，將數(shù)據(jù)制作成關(guān)聯(lián)規(guī)則路徑圖(見圖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，都會有>80%的概率出現(xiàn)主動力及輔助設(shè)備缺陷。

當(dāng)置信度>60%時，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，當(dāng)出現(xiàn)ISM/NSM/安全制度缺陷或操作性檢查缺陷時，繼續(xù)檢查主動力和輔助設(shè)備,其會有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

基于數(shù)據(jù)挖掘理論、內(nèi)河船舶安全檢查的實際情況和長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，主動力及輔助設(shè)備有較高的概率也同時產(chǎn)生缺陷。

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

3) 某些缺陷形成的關(guān)聯(lián)規(guī)則存在較高的置信度，在安檢過程中發(fā)現(xiàn)該類缺陷時可通過高置信度的關(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，因此該研究對船舶安檢大類進(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，可對細(xì)分的缺陷項進(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].中國統(tǒng)計,2013(4):59-61.

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

[4] 中國港口國監(jiān)督數(shù)據(jù)管理中心. 2012年中國港口國監(jiān)督數(shù)據(jù)分析年報[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.船舶港口國檢查的滯留原因分析[J].中國航海,2010,33(3):64-68.

[6] 梁靜國.決策支持系統(tǒng)與決策知識發(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,2014,35(3):18-22.

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

[15] 劉正江,吳兆麟.基于船舶碰撞事故調(diào)查報告的人的因素數(shù)據(jù)挖掘[J].中國航海,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