ВИЗНАЧЕННЯ ВПЛИВУ ФАКТОРУ ОПЕРАТОРІВ-СУДНОВОДІЇВ ЗАСОБАМИ НАВІГАЦІЙНОГО ТРЕНАЖЕРУ
https://doi.org/10.33815/2313-4763.2025.1.30.158-170
Анотація
У міру ускладнення морських операцій зростає потреба у впровадженні об'єктивних та масштабованих методів оцінювання компетентності моряків, що виходять за межі традиційних інструкторських підходів. У цьому дослідженні представлено комплексну, базовану на даних систему аналізу роботи курсантів у тренажерних вправах, яка використовує сучасні методи без наочного навчання та пояснюваного штучного інтелекту (AI). Для аналізу використовувалися багатовимірні часові ряди з навігаційних симуляцій, що охоплюють динаміку судна, дії екіпажу та параметри навколишнього середовища за десятками різних ознак. Було реалізовано ретельний етап попередньої обробки даних, який поєднує агрегування статистичних ознак та усунення надлишкової інформації за допомогою коефіцієнта кореляції Пірсона та взаємної інформації. Це дозволило сформувати компактний, але інформативний набір характеристик, який відображає як керуючі впливи, так і навігаційні стани та рух судна. Кожну сесію симуляції було закодовано у вигляді вектора, що фіксує середні значення та варіативність параметрів протягом виконання вправи. Для кластеризації було обрано алгоритм HDBSCAN, який особливо ефективний для виявлення груп із різною щільністю та автоматично виділяє аномальні випадки, що критично важливо для оцінки підготовки. Знайдені кластери візуалізували за допомогою Т-розподіленого вкладення стохастичної близькості (t-SNE), що дозволило інтерпретувати патерни дій курсантів. Для пояснення особливостей кожної групи було навчено лінійну SVM-модель, а метод SHAP допоміг проаналізувати, які саме ознаки впливають на рішення моделі. Основні результати показали, що кластери відповідають різним стилям навігації: стабільні, обережні підходи відрізняються від динамічних чи ризикованих за такими характеристиками, як швидкість крену, кутовий рух (yaw_rate) та оберти двигуна. Сесії, віднесені до аномалій, зазвичай характеризуються різкими маневрами чи нестійким керуванням, що може свідчити про наявність прогалин у навичках. Інтерпретовані SHAP-значення перетворюють складні висновки моделі на зрозумілі для інструкторів рекомендації, даючи можливість адресно працювати з недоліками кожного курсанта. Запропонований підхід може стати прозорою та масштабованою альтернативою суб’єктивному оцінюванню у морській освіті, з реальними перспективами для підвищення безпеки та персоналізації навчання. Система показує високий потенціал інтеграції в практичне середовище підготовки кадрів та подальшого розвитку з розширенням масиву доступних даних.
Посилання
2. International Maritime Organization. (n.d.). The human element. IMO. Retrieved May 24, 2025, from https://www.imo.org/en/OurWork/HumanElement.
3. Munim, Z. H., Dushenko, M., Jimenez, V. J., Shakil, M. H., & Imset, M. (2020). Big data and artificial intelligence in the maritime industry: a bibliometric review and future research directions. Maritime Policy & Management, 47(5), 577–597. https://doi.org/10.1080/03088839.2020.1788731.
4. Nguyen, D., Vadaine, R., Hajduch, G., Garello, R., &; Fablet, R. (2021). GeoTrackNet-A Maritime Anomaly Detector using Probabilistic Neural Network Representation of AIS Tracks and A Contrario Detection. IEEE Transactions on Intelligent Transportation Systems, 1–13. https://doi.org/10.1109/TITS.2021.3055614.
5. Ana, Mateus Sant', Guoyuan Li, and Houxiang Zhang. "A Decentralized Sensor Fusion Approach to Human Fatigue Monitoring in Maritime Operations." 2019 IEEE 15th International Conference on Control and Automation (ICCA), July 1, 2019, 1569–74. https://doi.org/10.1109/ICCA.2019.8899708.
6. Xiao, Z., Fu, X., Zhang, L., Zhang, W., Liu, R. W., Liu, Z., & Goh, R. S. M. (2020). Big Data Driven Vessel Trajectory and Navigating State Prediction With Adaptive Learning, Motion Modeling, and Particle Filtering Techniques. IEEE Transactions on Intelligent Transportation Systems, 1–14. https://doi.org/10.1109/TITS.2020.3040268.
7. BIMCO/ICS, 2021. Seafarer Workforce Report: The global supply and demand for seafarers in 2021. Available at: https://www.ics-shipping.org/publication/seafarer-workforce-report-2021-edition/.
8. Eurydice (2021). Draft Law on the Organization and Integration of Vocational Training. Available at: https://eacea.ec.europa.eu/national-policies/eurydice/content/national-reforms-vocational-education-andtraining-and-adult-learning-70_en.
9. Munim, Ziaul & Kim, Tae-eun. (2023). A Review of Learning Analytics Dashboard and a Novel Application in Maritime Simulator Training. 10.54941/ahfe1003158.
10. W. C. (2025). Wärtsilä Navigation simulator NTPRO 5000. WäRtsilä Navigation Simulator NTPRO 5000. Retrieved May 27, 2025, from https://www.wartsila.com/marine/products/simulation-and-training/navigational-simulators/naviga tion-simulator-ntpro-5000.
11. Good, I. J. The Philosophy of Exploratory Data Analysis. Philosophy of Science. 1983;50(2):283–295. https://doi.org/10.1086/289110.
12. Benesty, J., Chen, J., Huang, Y., Cohen, I. (2009). Pearson Correlation Coefficient. In: Noise Reduction in Speech Processing. Springer Topics in Signal Processing, vol 2. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-00296-0_5.
13. Veyrat-Charvillon, N., & Standaert, F. X. (2009). Mutual information analysis: how, when, and why?. In International workshop on cryptographic hardware and embedded systems (pp. 429–443). Berlin, Heidelberg: Springer Berlin Heidelberg.
14. Martínez Vásquez, D. A., Posada-Quintero, H. F., Rivera Pinzón, D. M. (2023). Mutual Information between EDA and EEG in Multiple Cognitive Tasks and Sleep Deprivation Conditions. Behavioral Sciences. 2023; 13(9):707. https://doi.org/10.3390/bs13090707.
15. Kamalov, F., Sulieman, H., Alzaatreh, A., Emarly, M., Chamlal, H., Safaraliev, M. (2025). Mathematical Methods in Feature Selection: A Review. Mathematics. 2025; 13(6):996. https://doi.org/10.3390/math13060996.
16. Yong, Yu, Xiaosheng, Si, Changhua, Hu, Jianxun Zhang (2019). A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures. Neural Comput 2019; 31 (7): 1235–1270. https://doi.org/10.1162/neco_a_01199.
17. Chen, T., & Guestrin, C. (2016). XGBoost. KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785.
18. LIME: Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "Why should I trust you?: Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016.
19. Ahmed, M., Seraj, R. (2020). Islam SMS. The K-means Algorithm: A Comprehensive Survey and Performance Evaluation. Electronics; 9(8):1295. https://doi.org/10.3390/electronics9081295.
20. Wan, H., Wang, H., Scotney, B., and Liu, J. (2019). "A Novel Gaussian Mixture Model for Classification," 2019 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Bari, Italy, pp. 3298–3303, https://doi.org/10.1109/SMC.2019.8914215.
21. Khan, K., Rehman, S. U., Aziz, K., Fong, S. and Sarasvady, S. (2014). "DBSCAN: Past, present and future," The Fifth International Conference on the Applications of Digital Information and Web Technologies (ICADIWT 2014), Bangalore, India, pp. 232–238, https://doi.org/10.1109/ICADIWT.2014.6814687.
22. Campello, R.J.G.B., Moulavi, D., Sander, J. (2013). Density-Based Clustering Based on Hierarchical Density Estimates. In: Pei, J., Tseng, V.S., Cao, L., Motoda, H., Xu, G. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2013. Lecture Notes in Computer Science, vol 7819. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-37456-2_14.
23. Cortes, C., Vapnik, V. (1995). Support-vector networks. Mach Learn 20, 273–297, 1995. https://doi.org/10.1007/BF00994018.
24. Cristianini, N., Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge University Press.
25. Hsu, C.-W., Chang, C.-C., & Lin, C.-J. (2016). A Practical Guide to Support Vector Classification.
26. Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002). Gene Selection for Cancer Classification using Support Vector Machines. Machine Learning, 46(1), 389–422.
27. Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
28. Strumbelj, Erik and Kononenko, Igor (2010). An Efficient Explanation of Individual Classifications using Game Theory. J. Mach. Learn. Res. 11 (3/1/2010), 1–18.
