为研究港口国监督(Port State Control,PSC)检查中船舶滞留缺陷的规律,降低船舶在PSC检查中的滞留概率,该文根据PSC检查和船舶属性特点,基于改进Apriori算法构建船舶滞留缺陷的关联规则分析模型。以东京备忘录中2018—2023年PSC检查船...为研究港口国监督(Port State Control,PSC)检查中船舶滞留缺陷的规律,降低船舶在PSC检查中的滞留概率,该文根据PSC检查和船舶属性特点,基于改进Apriori算法构建船舶滞留缺陷的关联规则分析模型。以东京备忘录中2018—2023年PSC检查船舶滞留数据为研究对象,首先从船舶属性数据入手,运用关联规则挖掘技术对船舶数据进行降维和离散标准化处理,形成有效分析样本;采用基于前后项约束并引入置信增强度评价指标的改进Apriori算法,从而实现船舶滞留缺陷的深度挖掘与分析。实证表明:改进的Apriori算法能够高效筛选出具有显著意义的强关联规则,准确揭示船舶滞留缺陷规律;该规律可为船舶的安全风险管理提供重要依据,有助于提升船舶航行安全。展开更多
文摘为研究港口国监督(Port State Control,PSC)检查中船舶滞留缺陷的规律,降低船舶在PSC检查中的滞留概率,该文根据PSC检查和船舶属性特点,基于改进Apriori算法构建船舶滞留缺陷的关联规则分析模型。以东京备忘录中2018—2023年PSC检查船舶滞留数据为研究对象,首先从船舶属性数据入手,运用关联规则挖掘技术对船舶数据进行降维和离散标准化处理,形成有效分析样本;采用基于前后项约束并引入置信增强度评价指标的改进Apriori算法,从而实现船舶滞留缺陷的深度挖掘与分析。实证表明:改进的Apriori算法能够高效筛选出具有显著意义的强关联规则,准确揭示船舶滞留缺陷规律;该规律可为船舶的安全风险管理提供重要依据,有助于提升船舶航行安全。
