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果的影響，提出一種基于K近鄰（K-nearest neighbor， KNN）算法和多目標優(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體系;采用變異系數(shù)法獲得各評價指標的權重;根據(jù)評價指標提取對應特征值，構建未標記樣本集;基于多目標優(yōu)化理論建立評價指標目標函數(shù)，得到每個樣本的成績并排序，根據(jù)樣本成績構建標記樣本集;利用KNN算法對待評估樣本進行分類，得到本次操作的結果。利用C+ +語言開發(fā)船舶操縱智能評估系統(tǒng)，測試結果表明，系統(tǒng)評估結果與專家評估結果基本一致，能客觀、準確實現(xiàn)船舶操縱自動評估。

關鍵詞： 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

中圖分類號： U666.158 ? ?文獻標志碼： 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行訓練和考核的要求列入了船員業(yè)務培訓的范圍。我國船員理論考試已實現(xiàn)上機考試，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，國內外學者已經做了很多研究工作，如：陳錦標等[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]利用計算機模擬仿真技術實現(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)了船舶機艙操作自動評估;NAGI等[10]采用風險矩陣的方法對船舶操縱過程中的潛在危險進行評價。然而，目前國內對于航海模擬器中船舶操縱自動評估的評估規(guī)則設定仍需人工參與，評估結果易受評估員主觀因素影響，導致不合理現(xiàn)象出現(xiàn)。因此有必要進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果的影響，使評估結果更加客觀、科學。

本文基于前人的研究，首先對操縱理論進行深入研究，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習、自組織和自適應等特征;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、合理的評估模型是保證評估結果公平、準確的關鍵。本文提出的智能評估模型以數(shù)據(jù)為驅動，首先根據(jù)船舶操縱原理及專家經驗建立評價指標體系;其次對船舶自動識別系統(tǒng)（automatic identification system，AIS）數(shù)據(jù)做預處理，并根據(jù)評價指標體系對數(shù)據(jù)進行進一步處理;再次以處理后的船舶數(shù)據(jù)為驅動求解各評價指標權重;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體系的建立

傳統(tǒng)的評價指標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，其指標體系建立準則與傳統(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。

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)評價指標體系建立的準則和船舶操縱原理，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。

1.1.1 評價指標的建立

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)建立的評價指標體系，對每個評價指標數(shù)據(jù)處理后得到未標記的樣本集，利用變異系數(shù)法求解樣本集中各個指標的權重，以目標函數(shù)為約束條件求解每個樣本的目標值，將求解后的樣本目標值進行離散、分類，并構建已標記基本樣本集。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)，如果不是則進入步驟2，否則進入步驟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)按照操縱過程標準分類，采用DBSCAN對同一靠泊位置或拋錨位置的航跡進行聚類，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個指標組成的評價指標體系，并根據(jù)評價指標的數(shù)學描述處理基本樣本數(shù)據(jù)。

步驟4 以經過處理后的樣本數(shù)據(jù)構建未標記樣本集。

步驟5 利用變異系數(shù)法處理各個評價指標數(shù)據(jù)，計算出各個評價指標的權重。

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

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

步驟8 用求解后的結果構建已標記樣本集，進入步驟10。

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

步驟10 利用KNN算法對待分類樣本進行分類，并根據(jù)分類標簽得到評估結果。

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分類器中已標記樣本對比得到待評估人員的評估結果。

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)是為培訓和考試服務的，因此評估系統(tǒng)需要具備考試系統(tǒng)相關功能，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;評估端內含智能評估模型，對實操記錄進行評價并給出最終考試成績。船舶操縱智能評估系統(tǒng)架構見圖3。

2.1 船舶操縱評估實例

以天津港為例，對學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)評價指標體系和式（9）處理原始數(shù)據(jù)，求解模型，對求解后的目標值進行排序，并按照第1.5節(jié)中的步驟6定義的分類標簽對成績進行標記。樣本處理后的部分數(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。在考生操縱結束后，評估程序將根據(jù)存儲到數(shù)據(jù)庫中的操作記錄，利用本文建立的KNN智能評估模型進行計算，得到考生成績?？荚嚦煽?、各評價指標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果，結果對比見圖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果基本一致。為進一步比較KNN智能評估模型與模糊綜合評價模型的差異，分別用KNN智能評估結果、模糊綜合評價結果與專家評估結果作差求取誤差比例，結果見圖8。由圖8可知，KNN智能評估結果的誤差基本都小于模糊綜合評價模型的誤差。

以上實驗結果表明，使用KNN智能評估模型進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 結束語

在傳統(tǒng)航海模擬器船舶操縱評估模型的基礎上，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)，在大連海事大學自主研發(fā)的航海模擬器上進行多次測試。結果表明，智能評估系統(tǒng)的評估結果與專家評估結果基本一致，相比于模糊綜合評價模型的結果更接近專家結果，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行進一步研究。

參考文獻：

[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， 2018.

[2] 陳錦標， 吳廣宇， 應士君. 基于灰色模糊綜合評估法的大型船舶模擬操縱評價[J]. 上海海事大學學報， 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. 船舶操縱模擬器進出港操縱自動評估系統(tǒng)[J]. 大連海事大學學報， 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]. 上海海事大學學報， 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， 2014.

[12] 張玉玲， 遲國泰， 祝志川. 基于變異系數(shù)-AHP的經濟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算法的風電功率短期預測模型[J]. 電測與儀表， 2017， 54（16）： 20-24.

（編輯 賈裙平）