基于主成分分析-极限学习机的选船模型

doi:10.3969/j.issn.1674-0696.2020.12.06

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (12): 31-36.DOI: 10.3969/j.issn.1674-0696.2020.12.06

基于主成分分析-极限学习机的选船模型

郑中义，牟家奇

(大连海事大学航海学院，辽宁大连 116026)

收稿日期:2019-03-29 修回日期:2019-10-09 出版日期:2020-12-18 发布日期:2020-12-18
作者简介:郑中义（1964—)，男，河北安国人，教授，博士，主要从事海上交通工程方面的研究。E-mail: dlzzyi@sina.com 通信作者：牟家奇（1994—)，男，山东烟台人，硕士研究生，主要从事海上交通工程方面的研究。E-mail: mujq0064@dlmu.edu.cn
基金资助:

Ship Selection Model Based on Principal Component Analysis and Extreme Learning Machine

ZHENG Zhongyi, MU Jiaqi

(Navigation College, Dalian Maritime University, Dalian 116026, Liaoning, China)

Received:2019-03-29 Revised:2019-10-09 Online:2020-12-18 Published:2020-12-18
Supported by:

摘要/Abstract

摘要： 针对东京备忘录新检查机制难以划分可检船检查优先顺序的问题，利用主成分分析和极限学习机相结合的方法进行了可检船的选船研究。基于东京备忘录的港口国监督数据，对建立的模型进行实例分析，将预测结果与实际数据进行对比。研究结果表明：建立的选船模型基于主成分分析，降低了指标样本的维度和复杂度，并利用极限学习机对可检船的滞留和缺陷情况进行拟合和预测，能够在90%的准确率下减少一半的检查量，验证了模型的有效性，可为港口国监督选船提供决策支持。

关键词: 交通运输工程, 可检船, 选船模型, 主成分分析, 极限学习机

Abstract: In order to solve the problem that the new inspection regime of the Tokyo MOU is difficult to identify the inspection order of the inspected ships, the method of principal component analysis and extreme learning machine was used to study the selection of the inspected ships. Based on the port state control data of the Tokyo MOU, the targeting model was analyzed in case study and the predicted results were compared with the actual data. The research results show that the proposed ship selection model is based on principal component analysis to reduce the dimension and complexity of the index samples and the extreme learning machine is used to fit and predict the detention and defects of the inspected ships, which can reduce the inspection volume by half with the accuracy rate of 90%. The validity of the proposed model is verified, which can provide decision support for the port state control for ship selection.

Key words: traffic and transportation engineering, inspection ship, ship selection model, principal component analysis, extreme learning machine

中图分类号:

U691+.6

郑中义，牟家奇. 基于主成分分析-极限学习机的选船模型[J]. 重庆交通大学学报（自然科学版）, 2020, 39(12): 31-36.

ZHENG Zhongyi, MU Jiaqi. Ship Selection Model Based on Principal Component Analysis and Extreme Learning Machine[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(12): 31-36.

参考文献

［1］ CARIOU P, MEJIA M, WOLFF F. On the effectiveness of port state control inspections ［J］. Transportation Research Part E: Logistics and Transportation Review,
2008, 44(3): 491-503.
［2］李正莲.港口国监督选船系统研究［D］.大连：大连海事大学，2008.
LI Zhenglian. Research on Ship-selecting System of Port State Control ［D］. Dalian: Dalian Maritime University, 2008.
［3］周驰.具有自动进化及优化功能的综合港口国监督选船模型［J］.中国海事，2009(11)：32-35.
ZHOU Chi. Research on automatic-update and self-improving ship targeting system for PSC ［J］. China Maritime Safety, 2009(11): 32-35.
［4］孙墨林，郑中义.基于正反馈修正-支持向量机的PSC选船模型［J］.大连海事大学学报，2014，40(2)：31-33.
SUN Molin, ZHENG Zhongyi. PSC targeting model based on positive feedback correction model and SVM method ［J］. Journal of Dalian Maritime University, 2014, 40(2):
31-33.
［5］孙忠华.基于智能优化算法的港口国监督选船模型研究［D］.大连：大连海事大学，2013.
SUN Zhonghua.Research on PSC Targeting Model Based on Intelligent Optimization Algorithms ［D］. Dalian: Dalian Maritime University, 2013.
［6］ XU R F, LU Q, LI W J, et al. Web mining for improving risk assessment in Port State control inspection ［C］∥ Natural Language Processing and Knowledge
Engineering. Beijing: IEEE Computer Society, 2007: 427-434.
［7］ GUANMING L, MENGJUE L, MENG C. A novel risk assessment system for Port State Control inspection ［C］∥ Intelligence and Security Informatics. Taipei: IEEE
Computer Society, 2008: 242-244.
［8］ HANNINEN M, KUJALA P. Bayesian network modeling ofport state control inspection findings and ship accident involvement ［J］. Expert Systems with
Applications, 2014, 41(4): 1632-1646.
［9］ YANG Z S, YANG Z L, YIN J B.Realizing advanced risk-based port state control inspection using data-driven Bayesian networks ［J］. Transportation Research
Part A: Policy and Practice, 2018, 110(4): 38-56.
［10］张霖.2017年我国港口国监督数据分析［J］.中国海事，2018(1)：17.
ZHANG Lin. Main PSC inspection data of China in 2017 ［J］. China Maritime Safety, 2018(1): 17.
［11］ KNAPP S.The Econometrics of Maritime Safety-Recommendation to Enhance Safety at Sea ［D］. Rotterdam: Erasmus University, 2007.
［12］中华人民共和国海事局关于实施东京备忘录港口国监督新检查机制有关事项的通知［EB/OL］.(2013-12-15)［2018-6-30］.
http:∥www.msa.gov.cn/html/ZTLM/CYFGHH/20160608/B494631B-FDC6-44E1-B0B7-2B1FF1B422F4.html.
Notice of the maritime administration of the peoples Republic of China on the implementation of the new inspection mechanism for port state supervision under the
Tokyo memorandum ［EB/OL］. (2013-12-15)［2018-6-30］. http:∥www.msa.gov.cn/html/ZTLM/CYFGHH/20160608/B494631B-FDC6-44E1-B0B7-2B1FF1B422F4.html.
［13］许爱东，李昊飞，程乐峰，等.PCA-PSO-ELM配网供电可靠性预测模型［J］.哈尔滨工程大学学报，2018，39(6)：1116-1122.
XU Aidong, LI Haofei, CHENG Lefeng, et al. Prediction model forpower supply reliability of distribution network using PCA-PSO-ELM ［J］. Journal of Harbin
Engineering University, 2018, 39(6): 1116-1122.
［14］ HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: Theory and applications ［J］. Neurocomputing, 2006, 70(1): 489-501.
［15］谢新连，陈紫薇，魏照坤，等.基于极限学习机的船舶航行行为预测［J］.重庆交通大学学报(自然科学版)，2019，38(8)：7-12+123.
XIE Xinlian, CHEN Ziwei, WEI Zhaokun, et al. Ship navigation behavior prediction based on extreme learning machine ［J］. Journal of Chongqing Jiaotong University
(Natural Science), 2019, 38(8): 7-12+123.

[1]	李晶1,2，钟鹏1，吕靖1,2. 基于系统动力学的陆港与城市经济互动研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 1-7.
[2]	李军1，朱云升2. 三角模糊层次分析的综合评价在黄河库区船舶安全评估中的应用[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 16-22.
[3]	邓萍1,2，宋莲1，黄承锋1,2. 三峡坝区过闸船舶拥堵成本测算及对坝区货物总价值影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 23-30.
[4]	程谦1 ，朱晓宁2 ，卢万胜3. 中长运距城际旅客出行方式选择行为模型——以高铁、民航为例[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 39-45.
[5]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[6]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[7]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[8]	杨庆芳1,2,3，王立强2，郑黎黎1,2,3，孟凡运2. 一种环形交叉口交通排放及燃油消耗模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 67-73.
[9]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[10]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[11]	张重阳,黄淑萍. 路网抗震可靠性及震后运输调度路径选择研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 43-51.
[12]	郭文文1，计明军2，祝慧灵3，周文杰2. 集装箱码头场桥调度优化模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 66-72.
[13]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[14]	孙元广1，茧敏2，金华2，陈绍宽2. 城市轨道交通列车故障救援延误计算与仿真[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 6-12.
[15]	王宏刚1,2，白朋1，邹庆茹2，赵玲1. 地铁车辆段股道运用优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 13-18.

基于主成分分析-极限学习机的选船模型

Ship Selection Model Based on Principal Component Analysis and Extreme Learning Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics