大数据背景下的船舶管理风险评估

大数据背景下的船舶管理风险评估
杜 力
(长江职业学院，湖北 武汉 430074)
摘要: 船舶安全管理工作对于保障船舶安全航行起着十分重要的作用，传统方法如层次分析法、模糊评估法难以对船舶的管理风险进行科学的评价。

为了提高船舶的管理风险评估精度，构建了粒子群算法优化RBF神经网络的船舶管理风险评估方法，首先利用粒子群算法对RBF神经网络的参数进行优化，然后利用优化的RBF神经网络对船舶管理风险进行评估，最后进行仿真测试，实验结果表明，本文方法的评估精度比对比方法的评估精度更高，同时耗时更少，可以满足对船舶的风险进行实时监控与管理。

关键词：大数据；风险评估；粒子群算法；RBF神经网络
中图分类号：U698 文献标识码：A
文章编号： 1672 – 7649(2019)1A – 0085 – 03 doi：10.3404/j.issn.1672 – 7649.2019.1A.029
Risk assessment of ship management in the context of big data
DU Li
(Changjiang Polytechnic, Wuhan 430074, China)
Abstract: Ship safety management plays an important role in ensuring the safe navigation of ships. Traditional meth-ods such as AHP and fuzzy evaluation are difficult to evaluate the risk of ship management scientifically. In order to im-prove the accuracy of ship management risk assessment, a ship management risk assessment method based on particle swarm optimization (PSO) and RBF neural network is constructed. First, the parameters of RBF neural network are optimized by PSO, then the optimized RBF neural network is used to evaluate the ship management risk, and finally the simulation meas-urement is carried out. The experimental results show that the evaluation accuracy of this method is higher than that of the comparison method, and the time-consuming is less. It can satisfy the real-time risk monitoring and management of ships.
Key words: big data；risk assessment；particle swarm optimization；RBF neural network
0 引　言
海上货物运输一直是一个高风险的行业，每次事故的发生，都会造成极大的人身、财产的损失，同时，亦会给家庭、社会带来难以弥补的损失。

要保障海上货物运输以及航海事业的发展，必须最大限度地对船舶的安全进行有效的保障，近年来，随着船舶安全得到了全社会的关注，船舶安全管理技术得到较快的发展，然而，由于船舶安全受到多种因素的影响，船舶安全管理的风险仍旧很高，因此，进行船舶管理风险评估，利用科学有效的方法制定有效的风险防范措施，是一个值得社会关注的问题[1]。

船舶工作环境复杂多变，船舶管理出现越来越多的大规模复杂应用，安全管理所处理的信息都属于大数据范畴[2]，因此，传统的评估方法如层次分析法、模糊评估法等方法不仅计算量大，而且在评估过程中要参考专家的意见，使得评估的结果不够客观；而利用决策树的方法进行评估亦存在着一定的局限性，其评估结果对于阈值取值十分敏感，可能引起评估结果的偏差。

在大数据驱动的浪潮下，大数据云计算等技术越来越多地被用于进行交通、航运、预测等领域[3]。

针对大数据特征，从船舶航行的自然条件、交通条件、安全保障、社会条件等方面构建评估指标，构建了径向基核函数神经网络的船舶管理风险评估模型，利用粒子群算法对RBF神经网络的参数进行优化，获取了最优的评估模型，验证试验表明，在大数据背景下，本文模型对船舶管理风险评估的有效性。

第41 卷 第 1A 期舰 船 科 学 技 术Vol. 41, No. 1A 2019 年 1 月SHIP SCIENCE AND TECHNOLOGY Jan. , 2019
收稿日期: 2018 – 11 – 02
作者简介: 杜力(1965 – )，男，硕士，副教授，主要从事软件技术、嵌入式技术教学及研究。

1 船舶管理风险评估指标体系的构建与量化
为了对船舶管理风险进行评价，从自然条件、交通条件、安全保障、社会条件等4个方面构建15个评估指标体系，如表1所示。

评估指标由专家与实践经验丰富的一线操作人员按照优、良、中、差、劣5个等级，采用百分制计分。

2 船舶管理风险评估模型的构建
2.1 RBF 神经网络
对船舶管理安全进行评估时，RBF 神经网络是一种前馈式的神网网络，由输入层、隐含层与输出层3层组成，首先将船舶安全评估指标原始数据输入到输入层，然后在输入层与隐含层之间进行信号映射，最后由输出层输出船舶的安全等级[4]。

设输入层的输入向量为X k =（x 1k ，x 2k ，…，x mk ）T ，其中k =1，2，…，n ，n 为输入向量的个数，k 表示隐含层神经元的个数，隐含层采向高斯径向基函数作为核函数，隐含层用来接收输入层的输入向量，并对数据进行处理，并将处理结果传递到输出层，此时，隐含层的输出为：
R (x i )=exp(−∥X k −c i ∥
2
2σ2i
)。

(1)
c i σi 式中，和为中心向量和宽度。

隐含层到输出层之间采用线性映射，其传递方式如下：
y =
I ∑i =1
w i R (x i )，(2)
w i 式中，表示隐含层与输出层之间的权值。

σi w i 由式（1）和式（2）可知，利用RBF 神经网络进行船舶管理风险评估时，需要确定4个参数，即：隐含层的神经元个数k ，核函数的中心向量c i 与宽度，以及隐含层与输出层之间的权值。

在评估过程中，为了得到最客观的评估结果，利用粒子群算法对这4个参数进行优化，最到最优的参数。

2.2 粒子群算法优化RBF 神经网络参数
X i =
(x i 1,x i 2,···,x id )V i =(v i 1,v i 2,···,v id )利用粒子群算法对RBF 神经网络的4个参数进行优化，假设粒子群有m 个粒子，第i 个粒子的位置为 ，速度为，在每次迭代时，粒子都是依据个体最优值P best 与全局最优值P gbest 进行寻优，在寻找到个体最优值与全局最优值时，粒子根据下式进行更新：
v id (k +1)=wv id (k )+c 1r 1(p id (k )−
x id (k ))+c 2r 2(p gd (k )−x id (k ))，(3)x id (k +1)=x id (k )+v id (k )。

(4)
为了获得最优的RBF 神经网络的参数，利用均方根作为适应度函数对寻优精度进行评价，适应度函数如下：
f (t )=
k ∑t =1
(ˆY
t −Y t )2
，(5)
ˆY
t Y t 式中：和分别表示RBF 神经网络第k 个神经元的期望输出与实际输出。

2.3 粒子群算法优化RBF 神经网络参数的步骤
1）收集船舶管理风险数据，每一个粒子向量表示一组参数，对粒子进行评价，确定个体和全局最优变量的初始值。

2）根据粒子群得到RBF 神经网络参数，并将船舶管理风险训练样本输入到神经网络，计算得到粒子的适应度值。

3）更新粒子的状态变量。

4）对个体和全局最优值进行更新。

5）若满足终止条件，转到步骤6，否则返回步骤2继续对RBF 神经网络的参数进行优化。

表 1 船舶管理风险评估指标体系
Tab. 1 Index system for risk assessment of ship management
目标层
准则层
指标层x 1风险等级
自然条件
风浪x 2涌浪x 3
热带气旋x 4海雾x 5洋流x 6交通条件
航线复杂度x 7
交通结构x 8
交通密度x 9安全保障
导航设施x 10
引航条件x 11水上交通安全管理x 12社会条件
经济技术发展水平x 13
社会稳定性x 14航运业发展水平x 15
· 86 ·
舰 船 科 学 技 术
第 41 卷
6）将粒子群的全局最优解进行解码，并将其转换成为RBF 神经网络的参数，然后利用RBF 神经网络对船舶管理风险进行评估。

3 仿真室验
3.1 实验环境
根据图1所构建的船舶管理风险评估指标体系，对船舶的管理风险进行评估。

利用Matlab 2016a 平台进行仿真，为了说明本文模型的科学性，利用层次分析法与RBF 神经网络作为对比方法。

3.2 船舶管理风险等级分类
船舶在航行过程中，其风险类型可以分为5类，如表2所示。

当出现不同类型的风险时，需要采取不同的管理方式进行风险处理，以防止风险的扩大，从而消除潜在的危险。

3.3 评估精度对比
利用图1构建的船舶管理风险评估指标体系，对船舶在航行过程中的管理风险进行评估，在大数据环境下，利用网络爬虫技术获取了各类船舶的风险类型，为了使评估结果更具科学性，对获取的原始数据进行筛选，踢除掉部分不完整的样本数据，保留了100组风险原始数据，每次随机利用80组数据作为训练样本，20组数据作为测试样本，各进行5次试验，统计各种评估方法的平均准确率。

从图1可知，本文模型的评估精度分别比层次分析法高21.29%，比RBF 神经网络高8.49%，主要原因是层次分析法主要依靠专家经验进行赋值，受到专家主观意愿的影响，使得评估的精度不高，而RBF 神经网络在进行船舶管理风险评估时，没有对网络的参数进行优化，从而影响了模型的评估精度。

4 结　语
船舶在航海过程中，其工作环境复杂多变，为了最大程度保障船舶安全，必须对船舶面临的风险进行监控与管理，而传统方法难以对船舶存在的风险进行科学评估。

为了提高船舶管理风险的评估精度，利用粒子群算法对RBF 神经网络的参数进行优化，得到了比层次分析法与传统RBF 神经网络更高的评估精度，同时评估效率更高，可以满足对船舶的风险进行实时监控与管理。

参考文献：
李国庆, 翟晓娟, 李扬, 等. 基于改进蚁群算法的微电网多目
标模糊优化运行[J]. 太阳能学报, 2018, 39(8): 2310–2317.[1]尹健. 大数据时代的船舶安全监管模式探析[J]. 世界海运,
2016, 39(3): 25–28.
[2]朱曼, 文元桥, 肖长诗, 等. 船舶通航适应性综合评价的云模
型研究[J]. 武汉理工大学学报, 2013, 35(7): 63–68.
[3]范济秋. 船舶海上风险管理的研究[J]. 航海技术, 2010, 22(6):
68–69.
[4]
表 2 船舶管理风险等级分类
Tab. 2 Risk classification of ship management
风险等级
危险程度管理方式1轻微风险保持监控，防止扩大
2不严重风险保持相应控制措施，无需额外控制方式3较严重风险应采取行动降低风险，平衡成本与效益4严重风险若风险涉及了进行中的工作，则必须停止相应的工作，采取积极的应对措施5
非常重要风险
马上采取措施，防止重大事故产生
图 1 船舶管理风险评估精度
Fig. 1 Risk assessment accuracy of ship management
第 41 卷杜 力：大数据背景下的船舶管理风险评估
· 87 ·。