《Journal of Marine Science and Engineering》:Data-Driven Evolutionary Belief Rule Base Modelling for Explainable Arctic Navigation Safety Assessment
编辑推荐:
北极东北航道的经济与战略重要性日益增长,而其严苛且高度多变的航行环境为船舶运营带来巨大挑战。现有评估方法常依赖预定义结构假设或以数值性能牺牲可解释性。研究人员提出一种数据驱动演化信念规则库模型,将自适应参考值场(ARVF)机制与基于差分演化(DE)的结构优化(
北极东北航道的经济与战略重要性日益增长,而其严苛且高度多变的航行环境为船舶运营带来巨大挑战。现有评估方法常依赖预定义结构假设或以数值性能牺牲可解释性。研究人员提出一种数据驱动演化信念规则库模型,将自适应参考值场(ARVF)机制与基于差分演化(DE)的结构优化(规则剪枝与生长)相集成。输入为来自Oden与Tian En数据集的船舶运营与环境观测变量,输出目标为每样本100次独立投票聚合的三级专家共识航行安全风险分布。在重复随机切分评价下,ARVF-DEBRB在Oden上取得最低平均MAE,误差与领先学习基线相当;在Tian En上平均误差与最强学习基线相当且低于若干传统与深度基线。在三个不相交未来测试窗上的时序滚动窗评价进一步提供未来仅见证据:Oden上RMSE第二、MAE第三,Tian En上RMSE第一、MAE第二。滚动析因消融显示完整配置在两数据集上均取最低平均误差。结果表明该方法在报告协议下具备竞争预测性能,同时保留透明IF-THEN推理语义与紧凑规则结构;数据自适应ARVF构建与基于DE的规则结构精炼为新运行环境重校准框架提供方法论基础。
研究背景方面,北极东北航道因气候变化与海冰消退受全球关注,其作为欧亚间更短航距、低燃耗的走廊具经济战略价值,但极低温、高海冰密集度、气象骤变与应急基础设施有限致使航行安全风险高且不确定性强。现有海事风险评估呈连续谱:贝叶斯网络(BN)、故障树(FTA)、模糊系统、Dempster–Shafer证据理论等显式结构化方法依赖专家假设;随机森林、XGBoost等关联学习方法从数据估联但多需事后解释(SHAP),缺乏内在可解释性。信念规则库(BRB)基于证据推理(RIMER)以IF-THEN规则与置信度建模不确定性,但传统BRB前件参考值由专家离散指定、规则库按笛卡尔积生成,存结构刚性与规则爆炸。为此研究人员开展数据驱动演化BRB框架ARVF-DEBRB研究,发表于《Journal of Marine Science and Engineering》,旨在兼顾可解释性、适应性与预测力。
关键技术方法上,研究人员采用两真实样本队列:Oden/SWERUS-C3(2014年瑞典破冰船Oden,2090快照,6属性:对地航速SOG、气压、气温、海表温Tempsea、风速、水深)与Tian En(2018年货船天恩,132快照,7属性含海冰密集度、蒲福风级等);输出为418人专家池中100人每样本独立投票归一化的Good/Fair/Worst或Good/Average/Poor三级置信分布。方法核心含三阶段外环:Phase0固定切分与配置,Phase1仅训练集建ARVF参考值并成笛卡尔候选池,Phase2以DE优化BRB参数与结构因子并锁测。ARVF通过对各前件属性按训练样本各等级置信度建分箱响应序列、LOESS平滑、取一阶导变号与二阶导极值定内部参考值;DE采用rand/1变异、二项交叉、软门控—硬剪枝(阈值0.5)—候选重激活三阶段演化规则结构因子αk∈[0,1],适应度联合MSE与活跃规则惩罚。
研究结果部分,3.1总体流程小节阐明外环防泄漏训练测试隔离设计。3.2基础BRB小节给出匹配度线性插值、组合匹配度、归一化激活权与证据推理(ER)聚合公式,确立置信分布输出。3.3 ARVF构造小节证伪纯密度离散,示明其监督响应感知特性:空箱左向右均值填补后再LOESS,合并各级极值曲率选点,保留域界,Oden设每属性3参考值、30箱、7箱跨。3.4 DE规则结构优化小节界定软门控探路、硬剪枝置α=0留池、每5代Bernoulli(0.3)增量复苏候选,适应度式(29)以MSEdist为主;Oden用种群50、500代、40%/30%/30%阶段、F与CR分级。
4.1数据实验小节报告Oden 20次90/10分层切分、Tian En 10次80/20切分及三窗时序滚动;ARVF-DEBRB在Oden随机切分MAE 0.0961±0.0045最低,RMSE 0.1298±0.0090与MLP相当;Tian En RMSE 0.0723±0.0142、MAE 0.0517±0.0092与XGBoost无显著差。4.2 ARVF函数仿真小节以合成双峰高斯混合验ARVF极值点恢复误差0.10。4.3性能分析小节 Wilcoxon+Holm校正示ARVF-DEBRB胜传统基线、与MLP/LSTM/XGBoost相当;滚动窗Oden RMSE第二(0.1418)、MAE第三(0.1067),Tian En RMSE第一(0.0783)、MAE第二(0.0634);2×2析因消融证ARVF与DE互补最优。4.4可解释性分析小节:4.4.1代表规则示SOG=0且冷气温规则置信Worst 0.876可读;4.4.2属性激活高险子集温度0.6109、风速0.2340主导;4.4.3特征重要性与XGBoost同认SOG为首因(0.6166 vs 0.5719)但其余分布异;4.4.4结构演化seed42轨迹MSE由0.0737降至0.0291、活跃规则353→97→116;4.4.5计算成本Oden离线409.2s、单样本推0.18ms。4.5讨论小结指出随机与滚动协议下竞争性能与透明语义并存。
讨论与结论翻译部分,研究人员指出:在重复随机切分下ARVF-DEBRB平均误差与最强学习基线可比且Oden取最低MAE;时序滚动窗提供未来仅见证据支持其鲁棒性;ARVF的数据自适应参考值与DE结构精炼使框架可在新运行环境重校准。该框架定位于快照级态势感知辅助而非事故预测或操舵决策。结论为:ARVF-DEBRB以响应感知前件布局与DE规则演化在专家共识三级风险分布预测上取得与前沿学习模型相当精度,同时保有多级内在可解释(IF-THEN规则、属性激活、特征一致、结构演化)与紧凑规则库,为稀疏非平稳北极数据下可解释风险评估提供方法基底;未来需扩外部航次与多滚动窗验证。