预测船舶缺陷的XGBoost模型

通过迁移学习和样本相似性计算，使模型适应目标港口的特定条件，利用其他港口数据提高对特定港口的预测性能，为港口国监督提供更精准的决策支持。

Wang, Ruihan · Zhang, Mingyang · Fuzhong, Gong · 王绍涵 · Yan, Ran

Reliability Engineering and System Safety 2025

参数信息

平均绝对误差降低

1.81 %

均方误差降低

6.08 %

均方根误差降低

3.60 %

技术优势

准确率更高

通过迁移学习增强，模型在均方误差等指标上比标准XGBoost降低多达6.08%，使预测结果更可靠。

适应目标港口

引入样本相似性计算，使模型能够利用其他港口数据并针对目标港口特点进行适配，无需大量本地数据。

小样本也有效

在不同训练样本量下均优于其他机器学习模型，为数据有限的新港口提供可行方案。

应用场景

• 船舶缺陷预测：帮助港口国监督精准识别高风险船舶，优化检查资源配置。
• 海事安全：通过提升缺陷预测能力，从源头减少不合格船舶带来的事故风险。