0 引　言

在海上航行中，恶劣天气条件，如台风、暴雨、大风浪、降温冰冻以及雨雪雾霾等，对船舶的安全构成了重大威胁^[1]。这些极端天气不仅可能导致海上交通事故频发，还可能严重威胁船员的生命安全和船舶的财产安全。因此，为有效应对海上恶劣天气情况，保障航行安全，制定一套全面、科学和有效的船舶航行安全风险预警方法显得尤为重要^[2]。传统的船舶安全管理模式侧重于事后处理，即事故发生后的应对措施，这显然与“预防为主”的安全生产方针不相适应。因此，如何通过科学的风险评估和预警机制，提前识别并规避潜在的安全隐患，成为了亟待解决的问题。

张文君等^[3]构建了多层次HHM风险模型，从宏观到微观描述风险信息，通过RFRM模型筛选关键因素，并利用贝叶斯评估模型完成风险评估，判断各风险对船舶航行安全的影响程度。然而，在面对天气、海况等不确定性因素挑战时，该方法难以准确预测，导致预警结果可靠度不高。杜晓雨等^[4]分析了船舶航行中的安全因素，构建了基于随机Petri网的风险演化模型，通过马尔科夫链评估风险对安全的影响。尽管Petri网模型具有一定的通用性，但在特殊水域或极端天气条件下的应用效果存在偏差，影响预警结果精准性。徐东星等^[5]结合专家体系构建了航行风险评价指标体系，利用灰色变权聚类算法评估航行风险。然而，海上通航环境复杂，指标体系难以适应，评估结果可信度有待提升。陈信强等^[6]建立了船舶风险评估模型，综合考虑位置、速度、航向以及环境因素，通过模糊推理计算船舶航行的危险度，判断航行安全状况。尽管该方法能处理不确定性信息，但在快速变化的交通环境中，难以实时调整模型，导致评估结果与实际情况存在偏差。

天气条件是对船舶航行安全影响较大的一种因素，天气发生恶劣变化后，会增加船舶的航行风险，如暴雨、暴风、大浪以及潮汐等，会影响航向速度、方向以及航行的平稳性。因此，恶劣天气条件对船舶航行安全风险的影响是多方面的，为向船舶提供及时、准确的风险信息，还能够指导船舶采取合理的避航或防护措施，从而降低事故发生的概率和损失程度。文中研究恶劣天气环境下船舶航行安全风险预警方法，该方法通过收集和分析气象数据，运用XGBoost算法对船舶在恶劣天气条件下的航行安全风险进行实时预测和预警，为船舶安全航行提供可靠依据。

1 船舶航行安全风险预警 1.1 恶劣天气环境因素获取

恶劣天气环境会对船舶航行安全造成直接影响，为最大程度保证船舶的航行安全，需实时掌握船舶航行情况。文中为更好的进行船舶航向安全风险预警，提前进行风险防护，充分考虑恶劣天气环境因素，结合船舶的航行特点和海上通行情况，主要考虑风和海浪2种天气因素。2种天气情况详情如下：

1）风。在风的作用下，船舶在航行过程中会发生向下风方向产生漂移、且引起船舶偏转的情况；并且各类船舶水上部分的受风面积及形状差异显著，它们受到风的影响也各不相同。因此，全面考虑风对船舶运动的影响对于船舶航行安全风险预警具有重要意义^[7]。如果船舶在航行过程中能够承受的最大风速为$ {V_{\max }} $，则船舶在$ t $时刻航行区域的安全风速公式为：

$ {V_o}\left( {{Z_i},t} \right) < {V_{\max }}。$

(1)

式中：$ {Z_i} $为船舶位于航线上的位置点；$ {V_o} $为航行至该位置点时的风速。

2）海浪。海浪能引发多种船舶运动状态，如船体摇摆、偏荡及失速等。在极端恶劣的条件下，不仅会影响船舶速度，还会导致船身发生剧烈的横摇、纵摇以及垂直起伏等情况；一旦横摇幅度超出安全范围，就可能导致船上货物位移，进而危及船舶的整体安全。此外，异常高的浪涌还会引发船舶中部向上拱起或向下弯曲变形，这些形变会产生危险的应力集中，极端情况下甚至可能导致船体结构破裂。如果在航行过程中能够承受的最大浪高为$ {H_{\max }} $，则船舶在$ t $时刻航行区域的安全浪高公式为：

$ {H_o}\left( {{Z_i},t} \right) < {H_{\max }}。$

(2)

式中：$ {H_o} $为航行至位置点$ {Z_i} $时的浪高。

结合上述2种天气条件获取两者的恶劣等级相关参数，如表1所示。

结合上述的分析结果获取船舶航行过程中的风和海浪的相关数据，构建恶劣天气影响因素数据集$ S = \left( {{x_i},{y_i}} \right) $，并将该数据集用于后续风险预测中，为后续航行安全风险预警提供可靠的数据基础，有效降低了因数据不准确而导致的预测误差。

1.2 基于XGBoost算法的航行安全风险预警 1.2.1 基于XGBoost算法的航行风险预测

在实际监测过程中，风速传感器常因信号干扰或恶劣天气的影响，导致测量偏差或数据丢失，从而影响后续风险预测模型的准确性。为实时掌握船舶航行安全风险情况，及时进行风险预警，因此，采用XGBoost算法进行船舶航行风险预测，依据预测结果进行风险预警。XGBoost算法通过集成多棵决策树的方式，能够有效处理风速传感器因信号干扰或恶劣天气导致的数据偏差或丢失问题，确保预测模型的稳健性。通过目标函数的最小化处理，逐步修正预测结果，使其逼近真实值，从而提升了预测的准确性。此外，XGBoost采用信息增益作为节点分裂标准，能够更好地量化恶劣天气等环境因素的影响，增强了算法的泛化能力。通过循环迭代优化决策树结构，累积多棵树的预测结果，最终输出船舶航行安全风险预测，为船舶航行提供及时有效的指导，展现了其在复杂环境下的高效性和可靠性。

将$ S = \left( {{x_i},{y_i}} \right) $作为XGBoost算法的输入数据。其中$ {x_i} $为天气影响因素；$ {y_i} $为风险等级标签。XGBoost算法是由$ k $棵决策树构成，其预测公式为：

$\hat {y} _i = \sum\limits_{k = 1}^K {{f_k}\left( {{x_i}} \right)}。$

(3)

式中：$ {f_k}\left( {{x_i}} \right) $为船舶在恶劣条件$ {x_i} $下的风险预测分数；$ K $为决策树数量。

为提升XGBoost算法的风险预测效果，需进行目标函数最小化处理^[8]，以此逐步修正模型的预测结果，使其逐渐逼近真实值，从而提升预测的准确性，目标函数计算公式为：

$ g\left( o \right) = \sum\limits_{i = 1}^n {\eta \left( {{\hat y_i},{y} }_i \right)} + \sum\limits_{k = 1}^K {\xi \left( {{f_k}} \right)}。$

(4)

式中：$ \eta \left( {{y_i},{\hat y} }_i \right) $为交叉熵损失函数；$ \xi \left( {{f_k}} \right) $为累积正则项，其值越小表示算法的泛化能力越佳，其计算公式为：

$ \xi \left( {{f_k}} \right) = \chi M + \frac{1}{2}\psi {\left\| w \right\|^2}。$

(5)

式中：$ \chi $和$ \psi $均为可调节参数；$ M $为决策树的叶节点数量；$ w $为叶节点权重。

完成目标函数计算后，需选择出使目标函数值最小的分裂方式和分裂节点，因此，在船舶航行安全风险预测时，为更好地完成恶劣天气环境影响因素的量化，选择信息增益作为节点分裂标准，节点增益$ {\kappa _G} $计算公式为：

$ {\kappa _G} = \frac{1}{2}\left[ {\frac{{G_e^2}}{{{L_e} + \psi }} + \frac{{G_u^2}}{{{L_u} + \psi }} - \frac{{G_e^2 + G_u^2}}{{{L_e} + {L_u} + \psi }}} \right] - \chi。$

(6)

式中：$ {G_e} $和$ {G_u} $均为一阶梯度总和，前者对应左叶子，后者对应右叶子；$ {L_e} $和$ {L_u} $均为二阶梯度总和，前者对应左叶子，后者对应右叶子。

获取$ {\kappa _G} $最大值对应的特征，将其定义为决策树当前节点的分裂特征，通过上述步骤循环迭代处理后，获取最优的结构决策树，将所有决策树的预测结果累积后，通过式(3)输出船舶航行安全风险预测结果，即风险航行和正常航行。

综上所述，完成了基于XGBoost算法的航行风险预测，为船舶的航行安全提供及时有效的指导。

1.2.2 航行风险预警

依据上述小节完成船舶航行安全风险预测后，为依据风险预测结果进行风险预警，文中设定$ \hat {y} _i $的风险指标区间，并对该区间进行划分，如果$ \hat{y} _i $的指标界限用$ Y $表示，其上限和下限区间用$ \left[ {{Y_{\min }},{Y_{\max }}} \right] $表示，以此获取$ \hat{y} _i $隶属于风险等级$ j $的确定度$ {\ell _{ij}} $，依据$ {\ell _{ij}} $构建风险综合判断矩阵，其公式为：

$ {\boldsymbol{E}} = \left[ {\begin{array}{*{20}{c}} {{\ell _{11}}}&{{\ell _{12}}}&{{\ell _{13}}}&{{\ell _{14}}}&{{\ell _{15}}} \\ {{\ell _{21}}}&{{\ell _{22}}}&{{\ell _{23}}}&{{\ell _{24}}}&{{\ell _{25}}} \\ \vdots & \vdots & \vdots & \vdots & \vdots \\ {{\ell _{111}}}&{{\ell _{112}}}&{{\ell _{113}}}&{{\ell _{114}}}&{{\ell _{115}}} \end{array}} \right]。$

(7)

结合$ {\boldsymbol{E}} $构建风险评判向量$ P $，其公式为：

$ P = \hat{w} {\boldsymbol{E}}。$

(8)

式中：$\hat{w} $为矩阵权重系数。

利用加权平均法计算船舶航行安全风险预警分数值，其公式为：

$ R = \frac{1}{{\displaystyle\sum\limits_{j = 1}^5 P }}\sum\limits_{j = 1}^5 {Pr}。$

(9)

式中：$ r $为得分值。

依据上述公式确定船舶航行安全风险预警分数等级结果，等级标准如表2所示。

2 结果分析 2.1 实验条件与具体内容

为验证文中方法在恶劣天气条件下对于船舶航行安全风向预警中的应用效果，展开实验研究。

实验船舶船长为345.5 m、型宽为54.1 m、型深为27 m、满载吃水为12 m的大型远洋贸易货船，主要用于钢材运输，其运输路线经过海上环境复杂且多发恶劣天气的海域。船舶的航速为10～25 km/h；最大承受风速为25 m/s；最大承受浪高为6 m。实验场景设定为航行里程120 n mile，模拟风速和浪高突然超过最大承受值后又恢复至承受范围内的极端条件，以全面测试文中方法在复杂恶劣天气环境下的适用性和预警效果。

实验分为3个部分：首先，模拟风速和浪高突然超过船舶最大承受值后又恢复至承受范围内的场景，实时测量船体摇摆幅度的变化，分析船舶在极端条件下的动态响应；其次，在不同风速（10、13、16、19、22、25、28 m/s）和浪高（4、6、8、10、12、14、16 m）条件下，计算船舶航行安全风险的预警分数值，并根据分数值划分风险等级，评估文中方法在不同恶劣天气条件下的适用性；最后，将文中方法与文献[3]、文献[4]、文献[5]中的方法进行对比，采用分散度熵作为评价指标，分析各方法在预警结果可靠性上的差异，验证文中方法的优越性。实验过程中，实时采集船舶的航行数据，包括风速、浪高、船体摇摆幅度等，并对数据进行归一化处理，以确保实验结果的准确性和可靠性。

2.2 实验结果分析

为验证文中方法考虑恶劣天气条件进行船舶航行风险的预测优势，在航行里程为120 n mile时，当浪高和风速突然高过最大承受值后又下降至承受范围内时，获取船舶的船体摇摆幅度结果，测试结果如图1所示。

可知：船舶航行过程中，当风速和浪高超过船舶的最大承载限值后，船体摇摆幅度显著增加，达到−20°左右；当风速和浪高下降至承载限值范围内后，船体摇摆幅度则恢复至稳定状态，摇摆幅度趋于平稳。因此，考虑恶劣天气条件进行船舶航行风险预警具备较好优势，能够依据天气变化情况及时分析船舶航行安全状态。

为验证文中方法对于船舶航行安全风险的预警效果，在不同风速和海浪下，进行船舶的航行安全风险预警，获取其在不同恶劣天气条件下的风险预警结果，测试结果如表3所示。

由表3测试结果可知，在不同的浪高和风速下，通过文中方法进行船舶航行安全风险预警后，其能够依据天气条件数据获取安全风险预警分数值，以此完成相应的等级预警，可为船舶航行提供依据。

为进一步验证文中方法的船舶安全风险预警效果，将文献[3]方法、文献[4]方法、文献[5]方法作为文中方法的对比方法，采用预警结果分散度熵$ {\upsilon _\varepsilon } $作为评价指标，该指标能够描述预警结果的可靠性，其值在0～1之间，值越大表示预警结果的范围越大，预警效果越差，值越小表示预警效果越佳，该指标的计算公式为：

$ {\upsilon _\varepsilon } = \sqrt {\frac{1}{m}\sum\limits_{i = 1}^m {\left[ {Q\left( {{x_i}} \right) - {Q_0}} \right]} }。$

(10)

式中：$ m $为预警次数；$ {Q_0} $为期望预警结果。

通过上述4种方法分别进行船舶航行安全风险预警，获取4种方法预警后的分散度熵$ {\upsilon _\varepsilon } $，期望标准低于0.1，测试结果如图2所示。

可知，船舶在不同的航行时段下，分别通过4种方法进行其安全风险预警，文献[3]方法、文献[4]方法、文献[5]方法预警后，分散度熵$ {\upsilon _\varepsilon } $最大值分别为0.202、0.186、0.194；通过文中方法进行安全风险预警后，分散度熵$ {\upsilon _\varepsilon } $最大值为0.0966。因此，文中方法的预警结果可靠性更佳。

3 结　语

为了实现为船舶航行安全提供科学、可靠的决策支持目标，提出基于XGBoost算法的船舶航行安全风险预警方法。针对风速传感器在恶劣天气条件下易受干扰的问题，采用XGBoost算法进行风险预测，通过集成多棵决策树，结合目标函数最小化和信息增益优化节点分裂，显著提升了模型在复杂环境下的稳健性和预测精度。并通过构建风险综合判断矩阵和风险评判向量，实现船舶航行安全风险的精准量化，使该方法能够依据天气条件数据动态调整预警分数，进一步提高预警的准确性和实用性。实验结果表明，本文方法能够有效应对风速传感器因信号干扰或恶劣天气导致的数据偏差问题，预警结果的分散度熵低于0.1，显著优于对比方法，体现了其高度的可靠性和科学性。