КОНЦЕПТУАЛЬНА ДИНАМІЧНА МОДЕЛЬ ФУНКЦІОНАЛЬНОГО СТАНУ ОПЕРАТОРА З УРАХУВАННЯМ ВЗАЄМОДІЇ ФІЗІОЛОГІЧНИХ, КОГНІТИВНИХ ТА ОПЕРАЦІЙНИХ ФАКТОРІВ ІЗ ML-КОРЕКЦІЄЮ
https://doi.org/10.33815/2313-4763.2026.1.32.100-113
Ключові слова:
втома оператора, індекс PFI, безпека судноплавства, ML, градієнтний бустинг
Анотація
У статті запропоновано гібридну динамічну модель функціонального стану оператора в морських транспортних системах, яка враховує взаємодію фізіологічних, когнітивних та операційних факторів. Актуальність дослідження обумовлена значним впливом людського фактора на безпеку судноплавства, зокрема роллю втоми та когнітивного навантаження у виникненні аварійних ситуацій. Існуючі підходи до оцінки стану оператора, як правило, розглядають окремі аспекти цієї проблеми та не забезпечують інтегрованого опису процесів. У роботі розроблено динамічну модель, що описує зміну фізіологічної втоми, когнітивного навантаження та характеристик операційного середовища у часі з урахуванням їх нелінійної взаємодії. Особливістю запропонованого підходу є використання методів машинного навчання для корекції залишкової похибки базової моделі, що дозволяє підвищити точність прогнозування без втрати інтерпретованості результатів. У якості методу машинного навчання застосовано градієнтний бустинг. Надано структурно-логічні схеми реалізації моделі та представлено детальний алгоритм, які загалом надають повне уявлення всієї концепції моделі. Запропонована модель може бути використана як основа для побудови систем підтримки прийняття рішень у морських транспортних системах та підвищення рівня безпеки судноплавства.
Посилання
1. Fan, S., Yang, Z. (2024). Accident data-driven human fatigue analysis in maritime transport using machine learning, Reliability Engineering & System Safety, Volume 241, 109675, ISSN 0951-8320, https://doi.org/10.1016/j.ress.2023.109675.
2. F. Crestelo Moreno, V. Soto-López, J. A. García Maza, M. (2026). Sernaglia, Fatigue as a latent risk factor in maritime safety systems: A systematic review and implications for reliability analysis, Reliability Engineering & System Safety, Volume 267, Part B, 111930, ISSN 0951-8320, https://doi.org/10.1016/j.ress.2025.111930.
3. Matsangas, P., & Shattuck, N. L. (2018). Discriminating Between Fatigue and Sleepiness in the Naval Operational Environment. Behavioral Sleep Medicine, 16(5), 427–436. https://doi.org/10.1080/15402002.2016.1228645.
4. Kerkamm, F., Dengler, D. et al. (2021). Measurement Methods of Fatigue, Sleepiness and Sleep Behaviour Aboard Ships: A Systematic Review. Int J Environ Res Public Health. Vol.19(1):120. https://doi.org/10.3390/ijerph19010120.
5. Ma, M., Liao, R. (2025). Factors affecting seafarers' fatigue: a scoping review. Front Public Health. Vol.13:1647685. https://doi.org/10.3389/fpubh.2025.1647685.
6. Yisi Liu, Zirui Lan, Jian Cui, Gopala Krishnan, Olga Sourina, Dimitrios Konovessis, Hock Eng Ang, Wolfgang Mueller-Wittig (2020). Psychophysiological evaluation of seafarers to improve training in maritime virtual simulator, Advanced Engineering Informatics, Vol.44, 101048, ISSN 1474-0346, https://doi.org/10.1016/j.aei.2020.101048.15 Mao S. et al. (2016).
7. Mao, S., Tu, E, Zhang, G. et al. (2016). An Automatic Identification System (AIS) Database for Maritime Trajectory Prediction and Data Mining, Computer Science > Databases, 1607.03306, https://doi.org/10.48550/arXiv.1607.03306.
8. Moreno, F., Soto-López, V. et al. (2024). Fatigue as a key human factor in complex sociotechnical systems: Vessel Traffic Services. Front. Public Health, Vol.11:1160971. https://doi.org/10.3389/fpubh.2023.116097116.
9. Cao-Feijóo, G., Pérez-Canosa, J. M. et al. (2024). Deep Learning Methods to Mitigate Human-Factor-Related Accidents in Maritime Transport. J. Mar. Sci. Eng., 12, 1819. https://doi.org/10.3390/jmse12101819.
10. Miklody, D., Uitterhoeve, W. M., van Heel, D., Klinkenberg, K., Blankertz, B. (2017). Maritime Cognitive Workload Assessment. Symbiotic Interaction. Symbiotic 2016. Lecture Notes in Computer Science, vol 9961. Springer, Cham. https://doi.org/10.1007/978-3-319-57753-1_9.
11. Main, L. C., Wolkow, A., Chambers, T. P. (2017). Quantifying the Physiological Stress Response to Simulated Maritime Pilotage Tasks: The Influence of Task Complexity and Pilot Experience. J Occup Environ Med. Nov;59(11):1078-1083. https://doi.org/10.1097/JOM. 0000000000001161.
12. NASA/TM—2018–219934. (2018). San Francisco Bar Pilot Fatigue Study, NASA Langley Research Center, Hampton, VA 23681-2199, p. 137 https://ntrs.nasa.gov/api/citations/ 20190002704/ downloads/20190002704.pdf.
13. Tu, E, Zhang, G. et al. (2016). Exploiting AIS Data for Intelligent Maritime Navigation: A Comprehensive Survey, Computer Science. Other Computer Science, Vol. 1606.00981, https://doi.org/10.48550/arXiv.1606.00981.
14. Singh, S. K., Heymann, F. (2020). Machine Learning-Assisted Anomaly Detection in Maritime Navigation Using AIS Data. Electrical Engineering and Systems Science. Signal Processing, Vol. 2002.05013, https://doi.org/10.48550/arXiv.2002.05013.
15. Nguyen, D. et al. (2018). A Multi-task Deep Learning Architecture for Maritime Surveillance using AIS Data Streams. Computer Science. Machine Learning, Vol. 1806.03972,
https://doi.org/10.1109/DSAA.2018.00044.
16. Xue, J., Yang, P. et al. (2025). Machine Learning in Maritime Safety for Autonomous Shipping: A Bibliometric Review and Future Trends. J. Mar. Sci. Eng., 13, 746. https://doi.org/10.3390/jmse13040746.
17. Jiang, Y., Tang, Z., Liu, H. et al. (2026). Work-Life Conditions as the Primary Determinant of Seafarer Mental Health: An Explainable Machine Learning Analysis. INQUIRY: The Journal of Health Care Organization, Provision, and Financing. 2026;63. https://doi.org/10.1177/00469580261438708.
18. Ma, X., Liu, Q. et al. (2024). Machine learning-based multimodal fusion recognition of passenger ship seafarers’ workload: A case study of a real navigation experiment, Ocean Engineering, Vol. 300, 117346, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2024.117346.
19. Zhang, X. et al. (2026). Towards operational safety in maritime transportation: a neurophysiological workload measurement using deep learning, Ocean Engineering.
20. Volume 351, Part 2, (2026). 124399, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2026.124399.
21. Petrovskyi, A. (2025). Dynamic model for calculating navigator fatigue level – Predictive Fatigue Index. Scientific Bulletin of the Kherson State Maritime Academy Vol 31, pp. 199–208, https://doi.org/10.33815/2313-4763.2025.2.31.199-208.
2. F. Crestelo Moreno, V. Soto-López, J. A. García Maza, M. (2026). Sernaglia, Fatigue as a latent risk factor in maritime safety systems: A systematic review and implications for reliability analysis, Reliability Engineering & System Safety, Volume 267, Part B, 111930, ISSN 0951-8320, https://doi.org/10.1016/j.ress.2025.111930.
3. Matsangas, P., & Shattuck, N. L. (2018). Discriminating Between Fatigue and Sleepiness in the Naval Operational Environment. Behavioral Sleep Medicine, 16(5), 427–436. https://doi.org/10.1080/15402002.2016.1228645.
4. Kerkamm, F., Dengler, D. et al. (2021). Measurement Methods of Fatigue, Sleepiness and Sleep Behaviour Aboard Ships: A Systematic Review. Int J Environ Res Public Health. Vol.19(1):120. https://doi.org/10.3390/ijerph19010120.
5. Ma, M., Liao, R. (2025). Factors affecting seafarers' fatigue: a scoping review. Front Public Health. Vol.13:1647685. https://doi.org/10.3389/fpubh.2025.1647685.
6. Yisi Liu, Zirui Lan, Jian Cui, Gopala Krishnan, Olga Sourina, Dimitrios Konovessis, Hock Eng Ang, Wolfgang Mueller-Wittig (2020). Psychophysiological evaluation of seafarers to improve training in maritime virtual simulator, Advanced Engineering Informatics, Vol.44, 101048, ISSN 1474-0346, https://doi.org/10.1016/j.aei.2020.101048.15 Mao S. et al. (2016).
7. Mao, S., Tu, E, Zhang, G. et al. (2016). An Automatic Identification System (AIS) Database for Maritime Trajectory Prediction and Data Mining, Computer Science > Databases, 1607.03306, https://doi.org/10.48550/arXiv.1607.03306.
8. Moreno, F., Soto-López, V. et al. (2024). Fatigue as a key human factor in complex sociotechnical systems: Vessel Traffic Services. Front. Public Health, Vol.11:1160971. https://doi.org/10.3389/fpubh.2023.116097116.
9. Cao-Feijóo, G., Pérez-Canosa, J. M. et al. (2024). Deep Learning Methods to Mitigate Human-Factor-Related Accidents in Maritime Transport. J. Mar. Sci. Eng., 12, 1819. https://doi.org/10.3390/jmse12101819.
10. Miklody, D., Uitterhoeve, W. M., van Heel, D., Klinkenberg, K., Blankertz, B. (2017). Maritime Cognitive Workload Assessment. Symbiotic Interaction. Symbiotic 2016. Lecture Notes in Computer Science, vol 9961. Springer, Cham. https://doi.org/10.1007/978-3-319-57753-1_9.
11. Main, L. C., Wolkow, A., Chambers, T. P. (2017). Quantifying the Physiological Stress Response to Simulated Maritime Pilotage Tasks: The Influence of Task Complexity and Pilot Experience. J Occup Environ Med. Nov;59(11):1078-1083. https://doi.org/10.1097/JOM. 0000000000001161.
12. NASA/TM—2018–219934. (2018). San Francisco Bar Pilot Fatigue Study, NASA Langley Research Center, Hampton, VA 23681-2199, p. 137 https://ntrs.nasa.gov/api/citations/ 20190002704/ downloads/20190002704.pdf.
13. Tu, E, Zhang, G. et al. (2016). Exploiting AIS Data for Intelligent Maritime Navigation: A Comprehensive Survey, Computer Science. Other Computer Science, Vol. 1606.00981, https://doi.org/10.48550/arXiv.1606.00981.
14. Singh, S. K., Heymann, F. (2020). Machine Learning-Assisted Anomaly Detection in Maritime Navigation Using AIS Data. Electrical Engineering and Systems Science. Signal Processing, Vol. 2002.05013, https://doi.org/10.48550/arXiv.2002.05013.
15. Nguyen, D. et al. (2018). A Multi-task Deep Learning Architecture for Maritime Surveillance using AIS Data Streams. Computer Science. Machine Learning, Vol. 1806.03972,
https://doi.org/10.1109/DSAA.2018.00044.
16. Xue, J., Yang, P. et al. (2025). Machine Learning in Maritime Safety for Autonomous Shipping: A Bibliometric Review and Future Trends. J. Mar. Sci. Eng., 13, 746. https://doi.org/10.3390/jmse13040746.
17. Jiang, Y., Tang, Z., Liu, H. et al. (2026). Work-Life Conditions as the Primary Determinant of Seafarer Mental Health: An Explainable Machine Learning Analysis. INQUIRY: The Journal of Health Care Organization, Provision, and Financing. 2026;63. https://doi.org/10.1177/00469580261438708.
18. Ma, X., Liu, Q. et al. (2024). Machine learning-based multimodal fusion recognition of passenger ship seafarers’ workload: A case study of a real navigation experiment, Ocean Engineering, Vol. 300, 117346, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2024.117346.
19. Zhang, X. et al. (2026). Towards operational safety in maritime transportation: a neurophysiological workload measurement using deep learning, Ocean Engineering.
20. Volume 351, Part 2, (2026). 124399, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2026.124399.
21. Petrovskyi, A. (2025). Dynamic model for calculating navigator fatigue level – Predictive Fatigue Index. Scientific Bulletin of the Kherson State Maritime Academy Vol 31, pp. 199–208, https://doi.org/10.33815/2313-4763.2025.2.31.199-208.
Опубліковано
2026-06-28
Розділ
СУДНОВОДІННЯ ТА ЕНЕРГЕТИКА СУДЕН
