基于FP-tree算法的船舶滯留原因關(guān)聯(lián)性分析

顧洵瑜， 胡甚平， 吳建軍， 陳興偉,2

(1. 上海海事大學(xué) 商船學(xué)院，上海 201306; 2. 浙江交通職業(yè)技術(shù)學(xué)院 海運(yùn)學(xué)院，杭州 311112)

?

基于FP-tree算法的船舶滯留原因關(guān)聯(lián)性分析

顧洵瑜1， 胡甚平1， 吳建軍1， 陳興偉1,2

(1. 上海海事大學(xué) 商船學(xué)院，上海 201306; 2. 浙江交通職業(yè)技術(shù)學(xué)院 海運(yùn)學(xué)院，杭州 311112)

為提高船舶安全檢查的效率，提出對(duì)港口國(guó)監(jiān)督(Port State Control,PSC)中船舶安全檢查要素之間關(guān)聯(lián)性的研究.引入關(guān)聯(lián)規(guī)則進(jìn)行相關(guān)性分析，從給定的數(shù)據(jù)中尋找頻繁的項(xiàng)目知識(shí)模式，通過(guò)置信度和重要性閾值的約束，挖掘出船舶滯留原因間的潛在規(guī)律.算例結(jié)果表明，通過(guò)關(guān)聯(lián)規(guī)則對(duì)船舶滯留原因的分析，可以直觀地發(fā)現(xiàn)滯留原因間的關(guān)聯(lián)，利于港口主管機(jī)關(guān)在實(shí)際工作中采取更具針對(duì)性的方法進(jìn)行檢查.

港口國(guó)監(jiān)督(PSC)； 數(shù)據(jù)挖掘； 關(guān)聯(lián)規(guī)則； 滯留； 缺陷

0 引 言

港口國(guó)監(jiān)督(Port State Control，PSC)被人們譽(yù)為海上安全的最后一道防線[1]，是由國(guó)際海事組織(International Maritime Organization, IMO)建立，由港口國(guó)政府的海事主管機(jī)關(guān)針對(duì)抵港外籍船舶實(shí)施的專門性檢查.PSC檢查以限制低標(biāo)準(zhǔn)船舶為手段，目的是將低標(biāo)準(zhǔn)船舶從市場(chǎng)中清除，保證船舶航行安全，防止船舶污染海洋環(huán)境.借助現(xiàn)存的10個(gè)港口國(guó)區(qū)域備忘錄體系，PSC已經(jīng)可以覆蓋全球絕大部分重要港口.[2]

近年來(lái)，隨著相關(guān)國(guó)際公約以及修正案的生效，全球范圍內(nèi)PSC檢查的依據(jù)已發(fā)生巨大改變，不斷修訂的公約對(duì)船舶以及PSC檢查提出更高的要求.與此同時(shí)，隨著航運(yùn)競(jìng)爭(zhēng)的日益激烈，航運(yùn)業(yè)對(duì)船舶營(yíng)運(yùn)效率的要求日益提高，同時(shí)也要求PSC檢查具有更高的效率，高效的航運(yùn)已經(jīng)成為IMO追求的新內(nèi)容.[3]

對(duì)于PSC檢查而言，信息界的決策支持和數(shù)據(jù)挖掘理念仍屬于新鮮課題，業(yè)界一直在探索.楊丹等[4]介紹美國(guó)采用的“選擇登輪打分表”和巴黎備忘錄國(guó)家采用的“綜合目標(biāo)因素法”，提出新的綜合評(píng)估等級(jí)法.尤慶華等[5]介紹船舶安全檢查的質(zhì)量船體系和模型設(shè)計(jì)的基本思路、理論基礎(chǔ)、體系結(jié)構(gòu)和實(shí)施步驟.戴耀存等[6]運(yùn)用關(guān)聯(lián)規(guī)則挖掘技術(shù)對(duì)PSC檢查滯留數(shù)據(jù)進(jìn)行研究，通過(guò)頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則挖掘船舶滯留缺陷的潛在規(guī)律.孫墨林等[7]提出基于正反饋修正-支持向量機(jī)的PSC選船模型，得到合理的結(jié)果.孫忠華[8]提出基于粗糙集和層次分析法的PSC選船系統(tǒng)目標(biāo)因素算法，并進(jìn)一步提出基于改進(jìn)粒子群-BP神經(jīng)網(wǎng)絡(luò)算法的PSC選船模型.陳晶等[9]設(shè)計(jì)編制船舶滯留規(guī)律挖掘與表達(dá)算法，通過(guò)缺陷代碼組合的復(fù)雜化呈現(xiàn)船舶的各種滯留規(guī)律.

隨著PSC數(shù)據(jù)的擴(kuò)展，采用現(xiàn)代決策支持技術(shù)及數(shù)據(jù)挖掘的方法，可以對(duì)PSC檢查的記錄進(jìn)行更科學(xué)、高效的信息揀選與處理，從而提取船舶缺陷的內(nèi)在規(guī)律.[7]本文利用船舶安全檢查的歷史數(shù)據(jù)，采用數(shù)據(jù)挖掘技術(shù)，通過(guò)對(duì)船舶滯留原因間的關(guān)系進(jìn)行關(guān)聯(lián)強(qiáng)度分析，確定原因間的關(guān)聯(lián)性，引導(dǎo)PSC檢查官?gòu)囊寻l(fā)現(xiàn)的某一缺陷確定下一步重點(diǎn)檢查因素，“順藤摸瓜”，從而提高安全檢查效率，推進(jìn)PSC檢查技術(shù)的發(fā)展.

1 PSC檢查要素體系

結(jié)合國(guó)內(nèi)航行海船實(shí)際情況和我國(guó)海事管理機(jī)關(guān)的檢查實(shí)踐，船舶安全檢查體系包含14個(gè)要素，見(jiàn)圖1.

2 PSC檢查方法的發(fā)展

自20世紀(jì)80年代以來(lái)，備忘錄的實(shí)施推進(jìn)了安全檢查全球化的發(fā)展，也使得安全檢查的標(biāo)準(zhǔn)化、規(guī)范化成為業(yè)內(nèi)人員討論的問(wèn)題之一.[10]依據(jù)PSC檢查數(shù)據(jù)的積累以及大量的數(shù)據(jù)分析技術(shù)的引入，PSC檢查總體上經(jīng)歷了3個(gè)階段.

圖1 船舶安全檢查體系

第一階段：要素檢查.要素檢查是在對(duì)整個(gè)系統(tǒng)的構(gòu)成要素進(jìn)行逐一檢查時(shí)，主要檢查構(gòu)成要素的符合性，也就是檢查是否具有安全系統(tǒng)的組成要素.若組成要素有缺失，則認(rèn)為不符合安全標(biāo)準(zhǔn)的要求.東京備忘錄的檢查要素與第1節(jié)中提到的14個(gè)要素有相同的部分，也有一些差異.比如，東京備忘錄中提出19個(gè)要素，包括警報(bào)信號(hào)、貨物、事故預(yù)防、船舶保安及其他等.要素檢查是一種符合性檢查.

第二階段：缺陷檢查.缺陷檢查是在對(duì)整個(gè)系統(tǒng)的構(gòu)成要素進(jìn)行逐一檢查時(shí)，主要檢查構(gòu)成要素的有效性，也就是檢查安全系統(tǒng)的組成要素是否有缺陷.若缺陷形成鏈?zhǔn)椒磻?yīng)，則認(rèn)為整個(gè)系統(tǒng)具有缺陷，不能達(dá)成系統(tǒng)安全的標(biāo)準(zhǔn)要求.對(duì)于船舶安全檢查而言，整個(gè)船舶安全系統(tǒng)要素中某些缺陷之間形成鏈?zhǔn)?，則認(rèn)為系統(tǒng)失效.現(xiàn)階段PSC檢查仍處于這個(gè)階段.

第三階段：關(guān)聯(lián)性檢查.關(guān)聯(lián)性檢查是在對(duì)整個(gè)系統(tǒng)的構(gòu)成要素進(jìn)行抽查時(shí)，主要檢查構(gòu)成要素之間的關(guān)聯(lián)性，也就是檢查這些缺陷之間是否相互影響,若相互影響，且在系統(tǒng)中具有很重要的地位，對(duì)系統(tǒng)安全的影響很大，則認(rèn)為系統(tǒng)失效的跡象明顯.該階段主要是基于第二階段檢查結(jié)果數(shù)據(jù)的積累實(shí)現(xiàn)基于大數(shù)據(jù)的數(shù)據(jù)挖掘，動(dòng)態(tài)地、實(shí)時(shí)地反映檢查的重點(diǎn)，提高檢查的績(jī)效和針對(duì)性.

從第二階段發(fā)展到第三階段，需要有數(shù)據(jù)的支持，也需要數(shù)據(jù)挖掘技術(shù)平臺(tái).

3 基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘

數(shù)據(jù)挖掘可以用于發(fā)現(xiàn)決策所需要的知識(shí)模式.而關(guān)聯(lián)分析就是從給定的數(shù)據(jù)中發(fā)現(xiàn)頻繁出現(xiàn)的項(xiàng)目知識(shí)模式，又稱關(guān)聯(lián)規(guī)則.關(guān)聯(lián)規(guī)則廣泛應(yīng)用于事務(wù)分析領(lǐng)域.在大量用戶的數(shù)據(jù)中，存在很多關(guān)聯(lián)規(guī)則，但并非所有的關(guān)聯(lián)規(guī)則對(duì)用戶都是有用的.在實(shí)際應(yīng)用中，一般采取支持度(Support)和置信度(Confidence)篩選有用的規(guī)則.

為分析PSC檢查中船舶滯留原因間的關(guān)聯(lián)性，運(yùn)用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則進(jìn)行對(duì)應(yīng)的分析，找出各滯留原因間的關(guān)系，便于有關(guān)部門在實(shí)際工作中更有針對(duì)性地檢查船舶.

3.1 關(guān)聯(lián)規(guī)則

設(shè)I是數(shù)據(jù)項(xiàng)的集合，D為與其相關(guān)的數(shù)據(jù)集合，在D中每個(gè)事務(wù)T(Transaction)都是I的非空子集，即T?I，每個(gè)事務(wù)都有對(duì)應(yīng)的識(shí)別號(hào)，稱為TID(Transaction ID).

若A和B為項(xiàng)目集，且A∩B=?，則定義關(guān)聯(lián)規(guī)則A?B的支持度(Support)為D中事務(wù)同時(shí)包含A和B的概率P(A∪B)，其置信度(Confidence)為當(dāng)D中事務(wù)已包含A的同時(shí)包含B的百分比，即條件概率P(B|A).

(1)

(2)

支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集.當(dāng)關(guān)聯(lián)規(guī)則同時(shí)滿足大于最小支持度閾值(min_sup)和最小置信度閾值(min_conf)的要求時(shí)，該關(guān)聯(lián)規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則，反之稱為弱關(guān)聯(lián)規(guī)則.以上閾值需要根據(jù)數(shù)據(jù)挖掘自行設(shè)定.為便于計(jì)算，支持度和置信度的值一般用0～100%之間的值而不是0～1.0之間的值表示.[11]

3.2 關(guān)聯(lián)規(guī)則挖掘

Apriori算法是關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘中的經(jīng)典算法.該算法通過(guò)挖掘數(shù)據(jù)產(chǎn)生布爾關(guān)聯(lián)規(guī)則所需要的頻繁項(xiàng)集，而關(guān)聯(lián)規(guī)則挖掘算法的核心就是尋找出頻繁項(xiàng)集.

Apriori算法的基本性質(zhì)是：一個(gè)頻繁項(xiàng)集的任一子集都是頻繁的.該算法采用逐層搜索的迭代方法對(duì)頻繁項(xiàng)集進(jìn)行挖掘，利用k-項(xiàng)集的挖掘結(jié)果產(chǎn)生(k+1)-項(xiàng)集.

該算法首先統(tǒng)計(jì)所有只含1個(gè)元素的項(xiàng)集出現(xiàn)的頻率，由此決定一維頻繁項(xiàng)集L1；然后開(kāi)始循環(huán)處理，由L1挖掘L2，由L2挖掘L3，直至再也沒(méi)有頻繁項(xiàng)集產(chǎn)生.該算法的循環(huán)過(guò)程：逐層搜索數(shù)據(jù)庫(kù)以計(jì)算候選項(xiàng)集的支持度，將其與最小支持度進(jìn)行比較，找到k維的最大項(xiàng)集.為使候選項(xiàng)集中項(xiàng)目支持度的計(jì)算更加快捷，可以利用subset函數(shù)進(jìn)行計(jì)算.該方法要求預(yù)先自行設(shè)定閾值來(lái)控制支持度，并且需要遍歷數(shù)據(jù)庫(kù)多次，因此該算法的復(fù)雜度是呈指數(shù)級(jí)增加的.因此，如果有n個(gè)項(xiàng)目，那么就有2n個(gè)可能的頻繁項(xiàng)集，這構(gòu)成項(xiàng)集I上的可能解空間.[12]

針對(duì)以上Apriori算法的固有缺陷，HAN等[13]提出頻繁模式樹(shù)(Frequent Pattern tree, FP-tree)算法.該算法可以在不產(chǎn)生候選項(xiàng)集的情況下挖掘頻繁項(xiàng)集.采用分治的方法，在完成對(duì)數(shù)據(jù)庫(kù)的第一次掃描后，把提供頻繁項(xiàng)集的數(shù)據(jù)庫(kù)壓縮進(jìn)一個(gè)FP-tree中，但同時(shí)保留其中的項(xiàng)集關(guān)聯(lián)信息，隨后再將FP-tree分化成一些條件數(shù)據(jù)庫(kù)，對(duì)這些條件數(shù)據(jù)庫(kù)進(jìn)行挖掘.因此，當(dāng)原始數(shù)據(jù)量很大時(shí)，可以結(jié)合劃分?jǐn)?shù)據(jù)庫(kù)的方法，使一個(gè)FP-tree可以放入主存中.由此可知，F(xiàn)P-growth不僅能處理不同長(zhǎng)度的規(guī)則，并且在效率上遠(yuǎn)高于Apriori算法.

3.3 重要性閾值

已有的關(guān)聯(lián)規(guī)則挖掘算法大部分都使用支持度-置信度閾值的框架.雖然這樣的閾值框架能夠排除大量無(wú)趣的規(guī)則，但仍會(huì)有一些存在，為此使用相關(guān)性度量來(lái)擴(kuò)充這一框架.為保證關(guān)聯(lián)規(guī)則挖掘結(jié)果的準(zhǔn)確性，引入重要性閾值以進(jìn)一步屏蔽無(wú)趣的規(guī)則.定義重要性(Importance)為

(3)

重要性的取值范圍為(-∞，+∞).當(dāng)重要性為0時(shí)，表明A和B是相互獨(dú)立的項(xiàng)，它們之間沒(méi)有關(guān)聯(lián)；當(dāng)重要性大于0時(shí)，表明當(dāng)A發(fā)生時(shí)，B發(fā)生的概率會(huì)上升；當(dāng)重要性小于0時(shí)，表明當(dāng)A發(fā)生時(shí)，B發(fā)生的概率會(huì)下降.[13]

4 算例分析

采用2011年1月至2014年6月某轄區(qū)PSC檢查數(shù)據(jù).共滯留船舶321艘次,獲得缺陷要素?cái)?shù)據(jù)4 643個(gè).限于篇幅，表1僅列出2011年該轄區(qū)外籍船舶滯留情況的部分?jǐn)?shù)據(jù).

4.1 船舶滯留原因分布

表1 2011年某轄區(qū)外籍船舶滯留情況部分?jǐn)?shù)據(jù)

圖2 2011年1月至2014年6月某轄區(qū)PSC檢查中船舶滯留原因分布

為使有關(guān)主管機(jī)關(guān)更有針對(duì)性地進(jìn)行PSC檢查，首先將2011年1月至2014年6月某轄區(qū)PSC檢查中船舶滯留原因以條形圖(見(jiàn)圖2)展示，這樣可以更加直觀地表現(xiàn)出在此期間哪些滯留原因出現(xiàn)的頻數(shù)最多，有關(guān)部門可以從這些方面開(kāi)始檢查.

從圖2可以清晰地發(fā)現(xiàn)2011年1月至2014年6月該轄區(qū)PSC檢查中船舶滯留原因出現(xiàn)頻數(shù)最大的3項(xiàng)為消防設(shè)備、救生設(shè)備、主動(dòng)力及輔助設(shè)備.相關(guān)港口主管當(dāng)局在實(shí)施船舶PSC檢查時(shí)，可以從出現(xiàn)頻數(shù)較大的滯留原因著手進(jìn)行初次檢查.

4.2 滯留原因間的關(guān)聯(lián)性分析結(jié)果

采用SAS軟件中關(guān)聯(lián)規(guī)則的功能，運(yùn)用FP-tree算法進(jìn)行數(shù)據(jù)分析，采用置信度-重要性閾值的框架約束無(wú)趣規(guī)則的產(chǎn)生，結(jié)果見(jiàn)表2(置信度≥60%，重要性≥0).表2展示出不同滯留原因間的規(guī)則.

數(shù)據(jù)表明因素之間的關(guān)聯(lián)有明顯差異：(1)有些滯留因素與其他因素的關(guān)聯(lián)度較強(qiáng).比如，在船舶證書(shū)為滯留原因的案例中，91.36%的案例中也包含航行設(shè)備這項(xiàng)滯留原因.在錨泊及系泊設(shè)備為滯留原因的案例中，97.30%的案例中也包含救生設(shè)備這項(xiàng)滯留原因.(2)因素之間的關(guān)聯(lián)形成網(wǎng)絡(luò)拓?fù)潢P(guān)系.比如，在救生設(shè)備為滯留原因的案例中，首先表現(xiàn)為與航行設(shè)備、消防設(shè)備、錨泊及系泊設(shè)備、主動(dòng)力及輔助設(shè)備的強(qiáng)關(guān)聯(lián)關(guān)系，而錨泊及系泊設(shè)備、主動(dòng)力及輔助設(shè)備均與載重線有強(qiáng)關(guān)聯(lián)性，該數(shù)據(jù)也能反映救生設(shè)備與載重線有較強(qiáng)關(guān)聯(lián)性.由此，因素之間形成可拓的網(wǎng)絡(luò)結(jié)構(gòu)，替代以往的層次結(jié)構(gòu).(3)在安全檢查實(shí)施過(guò)程中，可以按照關(guān)聯(lián)程度進(jìn)行檢查，從而提高檢查的針對(duì)性.也就是說(shuō)，當(dāng)PSC檢查發(fā)現(xiàn)船舶某項(xiàng)因素未達(dá)標(biāo)時(shí)，應(yīng)當(dāng)對(duì)與其相關(guān)較大的因素進(jìn)行檢查，以排除各類隱患，減小船舶發(fā)生事故的概率.

根據(jù)圖2和表2，將各項(xiàng)滯留原因按照發(fā)生的頻數(shù)和置信度進(jìn)行排列.將發(fā)生頻數(shù)小的項(xiàng)排列在靠邊緣的位置，將發(fā)生頻數(shù)大的項(xiàng)排列在相互靠近中心的位置；將置信度大，即相關(guān)性大的項(xiàng)排列在靠近的位置，將置信度小，即相關(guān)性小的項(xiàng)排列在相隔較遠(yuǎn)的位置.結(jié)果見(jiàn)圖3.

圖3 滯留原因間的關(guān)聯(lián)性

因此，基于數(shù)據(jù)挖掘的因素關(guān)聯(lián)分析可以將滯留因素之間的關(guān)聯(lián)情況進(jìn)行完整分析，得出因素之間的關(guān)聯(lián)關(guān)系，從而為PSC進(jìn)行關(guān)聯(lián)性檢查提供服務(wù).PSC檢查官在檢查中可以根據(jù)圖3優(yōu)先檢查位于中心位置的項(xiàng)目.若該項(xiàng)存在缺陷，可以再檢驗(yàn)與其相關(guān)較大的項(xiàng)，即與該項(xiàng)相鄰的其他項(xiàng).然后，根據(jù)各項(xiàng)之間的相關(guān)性確定需要檢查的項(xiàng)，增大檢查出船舶缺陷的概率，增大船舶滯留比例，減小低標(biāo)準(zhǔn)船舶在海上航行時(shí)發(fā)生事故的概率.

5 結(jié)束語(yǔ)

隨著PSC檢查歷史數(shù)據(jù)的積累，以往要素性檢查可以發(fā)展為關(guān)聯(lián)性檢查，提高安全檢查的效率，提升針對(duì)性.這需要數(shù)據(jù)支持，也需要數(shù)據(jù)挖掘技術(shù)平臺(tái).本文從船舶滯留缺陷的大數(shù)據(jù)中尋找規(guī)律，運(yùn)用關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法發(fā)現(xiàn)滯留缺陷間的相關(guān)性.對(duì)某轄區(qū)2011年1月至2014年6月的PSC檢查數(shù)據(jù)的分析表明,該轄區(qū)目前核心因素是航行設(shè)備、救生設(shè)備、船體結(jié)構(gòu)、無(wú)線電通信設(shè)備等硬件設(shè)施設(shè)備部分，操作性檢查還在外圍要素部分.這將為船舶管理人員和PSC檢查官在實(shí)際工作中提供指導(dǎo)性方法，對(duì)降低船舶尤其是無(wú)限航區(qū)的遠(yuǎn)洋船舶海上事故的發(fā)生率起到積極的作用.

[1]曾向明，張善杰，陳寶忠，等. 世界主要區(qū)域港口國(guó)檢查組織實(shí)施情況[J]. 中國(guó)航海， 2007(4)： 13-16，28.

[2]傅俊杰，劉昌祿. 基于數(shù)據(jù)統(tǒng)計(jì)的港口國(guó)監(jiān)督效能評(píng)估[J]. 世界海運(yùn)， 2011， 34(7)： 50-52.

[3]傅俊杰，周馳. 港口國(guó)監(jiān)督檢查在外籍船舶綜合管理中的應(yīng)用[J]. 中國(guó)航海， 2013(3)： 106-111.

[4]楊丹，吳兆麟. 運(yùn)用綜合評(píng)估等級(jí)法確定PSC檢查的重點(diǎn)[J]. 大連海事大學(xué)學(xué)報(bào)， 1998， 24(3)： 35-37.

[5]尤慶華，高德毅，耿鶴軍. 船舶安全檢查的質(zhì)量船體系和模型設(shè)計(jì)[J]. 中國(guó)航海， 2004(1)： 8-13， 24.

[6]戴耀存，陳興偉，陳雪峰. 船舶港口國(guó)監(jiān)督的滯留原因分析[J]. 中國(guó)航海， 2010(3)： 64-68.

[7]孫墨林,鄭中義.基于正反饋修正-支持向量機(jī)的PSC選船模型[J].大連海事大學(xué)學(xué)報(bào), 2014, 40(2): 31-33, 38.

[8]孫忠華. 基于智能優(yōu)化算法的港口國(guó)監(jiān)督選船模型研究[D]. 大連: 大連海事大學(xué)，2013.

[9]陳晶，金永興，陳錦標(biāo)，等. 基于辨識(shí)度關(guān)聯(lián)的船舶滯留規(guī)律挖掘與表達(dá)[J]. 交通運(yùn)輸系統(tǒng)工程與信息，2014，14(1)：102-108.

[10]馬雪梅，羅衛(wèi)華. 論船級(jí)社檢驗(yàn)、船旗國(guó)監(jiān)督與港口國(guó)監(jiān)督三者關(guān)系[J]. 航海技術(shù)， 2007(1)： 74-75.

[11]趙晨. 關(guān)聯(lián)規(guī)則挖掘算法的研究及應(yīng)用[D]. 西安: 西安電子科技大學(xué)， 2011.

[12]HAN J, KAMBER M. Data mining: concepts and techniques[M].Beijing: China Machine Press, 2012: 160-166.

[13]劉剛. 數(shù)據(jù)挖掘技術(shù)與分類算法研究[D]. 鄭州: 中國(guó)人民解放軍信息工程大學(xué)， 2004.

(編輯 趙勉)

Correlation analysis of ship detention reasons based on FP-tree algorithm

GU Xunyu1, HU Shenping1, WU Jianjun1, CHEN Xingwei1,2

(1. Merchant Marine College, Shanghai Maritime Univ., Shanghai 201306, China; 2. Sea Transportation Faculty, Zhejiang Institute of Communication, Hangzhou 311112, China)

To improve the efficiency of ship safety inspection, the correlations among ship safety inspection elements of Port State Control are studied. By introducing association rules to analyze the correlations, the frequent project knowledge models are found out from the given data. Then through the constraints of confidence and importance threshold values, the potential laws in ship detention reasons are mined. The result from a case shows that the correlations among ship detention reasons can be directly found out through the association rule analysis, which helps port authorities to take more effective measures in the practical work.

Port State Control (PSC); data mining; association rule; detention; deficiency

10.13340/j.jsmu.2015.02.011

1672-9498(2015)02-0060-05

2014-11-22

2015-03-17

浙江海事局項(xiàng)目(201425)

顧洵瑜(1992—)，女，江蘇南通人，碩士研究生，研究方向船舶安全與管理，(E-mail)jsntqdgxy@163.com； 胡甚平(1974—)，男，湖北通城人，教授，博士，研究方向?yàn)檩d運(yùn)工具運(yùn)用工程、安全工程、水上交通風(fēng)險(xiǎn)管理， (E-mail)sphu@shmtu.edu.cn

U691.6

A