CN111369077A - 一种基于机器学习的在港船舶能耗预测方法 - Google Patents

一种基于机器学习的在港船舶能耗预测方法 Download PDF

Info

Publication number
CN111369077A
CN111369077A CN202010317385.XA CN202010317385A CN111369077A CN 111369077 A CN111369077 A CN 111369077A CN 202010317385 A CN202010317385 A CN 202010317385A CN 111369077 A CN111369077 A CN 111369077A
Authority
CN
China
Prior art keywords
ship
port
energy consumption
prediction
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010317385.XA
Other languages
English (en)
Inventor
彭云
刘华锟
李相达
王文渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Publication of CN111369077A publication Critical patent/CN111369077A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于机器学习的在港船舶能耗预测方法，具体为：收集船舶相关数据和港口相关数据，包括港口航道数据、泊位数据及船舶属性数据；船舶主机、辅机功率等相关参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析，确定每一艘船舶在锚地、港内航道和泊位中的能耗功率；构建预测模型，包括选择机器学习算法、模型验证方法和模型预测准确度评价指标；计算预测特征在船舶能耗预测中的重要性，改变工况，分别预测港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。本发明可准确地预测特定港口在未来的在港船舶能耗情况，为可再生能源在港口的应用提供决策支持，有利于实现港口的节能减排，推进绿色港口建设。

Description

一种基于机器学习的在港船舶能耗预测方法
技术领域
本发明属于船舶能耗预测领域，具体涉及一种基于机器学习的在港船舶能耗预测方法。
背景技术
随着港口规模的进一步发展，港口生态环境问题的日益突出、绿色发展理念的逐渐深化，港口生态环境的重要性受到越来越多的国家和地区重视。港口作为交通运输业的重要组成部分，属于能源高消耗、污染物高排放类型的单位，其中，船舶柴油发电机的能耗和污染物排放是港口能耗和污染物排放的主要来源。使用海洋能、风能、太阳能等可再生能源为船舶供电能够有效降低港口的污染物排放，为合理配置可再生能源容量，避免配置过多引起的能源浪费或配置过少引起的能源不足，港口需要对未来的船舶能耗进行预测，从而为船舶所需的能源进行提前配置。由于港口生产作业调度和船舶到港时间间隔具有复杂性和随机性，船舶能耗受港口作业计划、船舶固有属性等多方面复杂随机因素共同影响，仅依靠数学方法难以准确描述船舶能耗规律，因此很难通过数学模型对未来的船舶能耗进行量化。
发明内容
为解决上述问题，本发明提出了一种基于机器学习的在港船舶能耗预测方法。考虑船舶固有属性、港口生产作业系统的复杂性和船舶到港时间间隔的随机性，在已知船舶固有属性以及进出港、装卸作业的历史数据的条件下，对船舶固有属性以及进出港、装卸作业数据进行深入挖掘，提取多种港口及船舶的特征，调用多种机器学习算法对在港船舶能耗进行预测，通过对比不同算法的预测准确度，选择最精确的在港船舶能耗预测算法；通过对不同特征的重要性进行计算，分析影响在港船舶能耗的关键因素，并设置不同工况对在港船舶能耗进行预测，为降低港口能耗提供决策支持。
本发明的技术方案：
一种基于机器学习的在港船舶能耗预测方法，步骤如下：
步骤一：收集船舶相关数据和港口相关数据。
收集的数据包括港口航道数据、泊位数据及船舶属性数据。
当所述港口为综合性港口时，
所述港口航道数据包括航道长度及通航规则；
泊位数据包括泊位个数、各泊位的吨级和位置及各泊位主要用途；
船舶属性数据包括船舶属性信息、船舶货物信息及船舶作业信息。其中，船舶属性信息包括船舶长度、船舶载重吨、船舶净吨、船舶国籍、船舶航速等；船舶货物信息包括贸易类型(内外贸、进出口)、船舶货种等；船舶作业信息包括船舶停靠泊位、装卸作业单位及单位性质、船舶实际装卸吨、船舶装卸作业效率、船舶抵港时间(月份、星期、具体时间)、船舶靠泊时间、船舶开始作业时间、船舶结束作业时间、船舶离泊时间、船舶离港时间等。
步骤二：船舶主机、辅机功率等相关参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析。
在港船舶能耗主要来源于三部分：船舶在锚地中等待航道和泊位时产生的能耗、船舶靠泊和离泊时在港内航道中航行产生的能耗以及船舶在泊位中进行装卸作业时产生的能耗。
在大多数情况下，当船舶抵达港口时，由于实际到港时间的延迟或提前，指定的泊位和港内航道往往处于被占用状态，船舶不能直接进入泊位进行装卸作业。因此，船舶首先需要前往锚地等待空闲泊位和港内航道。船舶在锚地中通常仅使用一台辅机进行发电。当港口有空闲泊位可以进行装卸作业时，船舶通过港内航道并进入泊位。由于船舶在港内航道中的航速较慢，因此通常仅使用一台主机和两台辅机进行发电。当船舶停泊结束，装卸作业设备和各相关部门准备就绪后，开始进行装卸作业。在泊位中，船舶通常使用一台辅机进行发电。装卸作业结束后，船舶通过港内航道离开港口，此时船舶使用一台主机和两台辅机进行发电。
根据船型和规范确定每一艘船舶在锚地、港内航道和泊位中的能耗功率，分别统计数据集中不同货种和不同泊位的船舶数量，对船舶能耗值的分布进行拟合；由于机器学习算法对服从正态分布的数据具有更高的预测准确度，因此通过对能耗值进行对数转换处理，使船舶能耗值的对数服从正态分布，提高机器学习算法的适用度。
步骤三：构建预测模型。
(1)选择选择梯度增强回归算法(GBR)，随机森林回归算法(RF)，BP神经网络算法(BP)，线性回归算法(LR)和K近邻回归算法(KNN)等五种机器学习算法，根据步骤二中分析的历史数据，选择步骤一中采集的船舶长度、船舶国籍、船舶净吨、船舶载重吨、船舶货种、船舶实际装卸吨、船舶抵港月份、船舶抵港星期、船舶抵港具体时间、装卸作业单位、装卸作业单位性质、船舶停靠泊位、船舶装卸作业效率、进出口、内外贸等15项数据作为预测特征；预测特征作为预测模型的输入参数，将在港船舶能耗值作为输出，通过机器学习算法，应用预测模型对在港船舶能耗值进行预测。
(2)选取k层交叉验证的方法对模型预测结果的有效性进行验证。
(3)选用可释方差值(EVS)，平均绝对误差(MAE)，均方误差(MSE)和确定系数R方值(r2)等四项评价指标，分别对比(1)中五种算法在预测不同类型的船舶和不同泊位的船舶能耗时的准确度，并选择预测准确度最高的算法。
步骤四：计算步骤三(1)中所列举的15项预测特征在船舶能耗预测中的重要性，通过改变船舶装卸作业效率和船舶到港时间间隔来设置不同的工况，分别预测港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。
本发明的有益效果：
(1)本发明考虑了港口生产作业调度的复杂性和船舶到港时间间隔的随机性，运用机器学习的方法建立船舶能耗预测模型，采用多种人工智能算法进行预测，并对比不同算法的预测准确度，对船舶在不同到港时间间隔分布、不同装卸作业效率等工况下的在港能耗进行了预测。
(2)本发明可以根据船舶固有属性数据和港口生产作业系统已有的历史数据，考虑了港口生产作业调度和船舶到港时间间隔的复杂性和随机性对船舶能耗的影响，定量、客观地描述了各种复杂因素对在港船舶能耗的影响程度，能够准确地预测特定港口在未来的在港船舶能耗情况，从而为可再生能源在港口的应用提供决策支持，有利于实现港口的节能减排，推进绿色港口建设。
附图说明
图1是本发明的一种基于机器学习的港口船舶能耗预测方法及其流程图；
图2是2016年京唐港区各货种的船舶到港数量图；
图3是2016年京唐港区各泊位的船舶到港数量图；
图4是船舶能耗值分布图；
图5是船舶能耗对数值分布图；
图6(a)～图6(e)是5种算法的预测结果对比图；其中，图6(a)为线性回归算法，图6(b)为梯度增强回归算法，图6(c)为随机森林回归算法，图6(d)为BP神经网络，图6(e)为K近邻回归算法；
图7是k层交叉验证实验的示意图；
图8是梯度增强回归算法(GBR)计算的特征重要性示意图；
图9是不同装卸效率下在港船舶总能耗对比图。
具体实施方式
下面结合附图和技术方案，对本发明做进一步描述。
以2016年唐山港京唐港区在港船舶能耗预测为实施例，计算方法分为四步，具体流程如图1所示。
步骤一：收集船舶相关数据和港口相关数据。
所述收集的数据包括港口航道数据、泊位数据及船舶属性数据。
所述港口航道数据包括航道长度及通航规则。本实施例中，港内航道长度为16.7km，通航规则为：船舶航行的安全时距为1海里，前后船舶之间的距离不小于1海里，船舶航速不超过8节；
泊位数据包括泊位个数、各泊位的吨级和位置及各泊位主要用途。京唐港区共有43个泊位，泊位吨级和各泊位主要用途如表1所示：
表1泊位个数、泊位吨级和各泊位主要用途
Figure BDA0002460070920000051
船舶属性数据包括船舶属性信息、船舶货物信息及船舶作业信息。其中，船舶属性信息包括船舶长度、船舶载重吨、船舶净吨、船舶国籍、船舶航速等；船舶货物信息包括贸易类型(内外贸、进出口)、船舶货种等；船舶作业信息包括船舶停靠泊位、装卸作业单位及单位性质、船舶实际装卸吨、船舶装卸作业效率、船舶抵港时间(月份、星期、具体时间)、船舶靠泊时间、船舶开始作业时间、船舶结束作业时间、船舶离泊时间、船舶离港时间等。将以上收集的船舶固有属性数据以及进出港、装卸作业历史数据，即预测特征，作为预测模型的输入参数，将在港船舶能耗值作为输出，选取机器学习算法，应用预测模型对在港船舶能耗值进行预测。
步骤二：船舶主机、辅机功率等相关参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析。
根据《GBT 51305-2018码头船舶岸电设施工程技术标准》、《Propulsion TrendsinContainer Vessels》和《Propulsion Trends inBulk Carriers》等规范和文献，各吨级的集装箱船和干散货船的主机功率、辅机功率如表2和表3所示：
表2各吨级集装箱船的主机功率和辅机功率
Figure BDA0002460070920000061
表3各吨级干散货船的主机功率和辅机功率
Figure BDA0002460070920000062
2016年京唐港区各货种的船舶到港数量如图2所示。
2016年京唐港区各泊位的船舶到港数量如图3所示。
对京唐港区2016年全年的到港船舶的能耗进行统计，能耗值服从负指数分布，能耗的对数值服从正态分布，如图4-5所示。
步骤三：构建预测模型。
(1)选择选择梯度增强回归算法(GBR)，随机森林回归算法(RF)，BP神经网络算法(BP)，线性回归算法(LR)和K近邻回归算法(KNN)等五种机器学习算法，根据步骤二中分析的历史数据，选择步骤一中采集的船舶长度、船舶国籍、船舶净吨、船舶载重吨、船舶货种、船舶实际装卸吨、船舶抵港月份、船舶抵港星期、船舶抵港具体时间、装卸作业单位、装卸作业单位性质、船舶停靠泊位、船舶装卸作业效率、进出口、内外贸等15项数据作为预测特征，对船舶能耗分别进行预测。
由于机器学习算法对服从正态分布的数据具有更好的预测效果，因此对船舶能耗数据进行对数转换处理，使船舶能耗值的对数服从正态分布，提高机器学习算法的适用度。在本实施例中，选择梯度增强回归算法(GBR)，随机森林回归算法(RF)，BP神经网络算法(BP)，线性回归算法(LR)和K近邻回归算法(KNN)，分别对对京唐港区2016年所有的到港船舶数据进行训练并预测，以上5种算法的训练结果如图6(a)～图6(e)所示，其中，横坐标为实际的船舶能耗对数值，纵坐标为预测的船舶能耗对数值，斜线表示预测值等于实际值，因此越靠近斜线的数据预测越准确，预测误差越小。上述5种算法都来自Python自带的机器学习库：scikit-learn库，并使用算法的默认参数设置，用于训练预测模型并预测在港船舶能耗的对数值。
(2)选取k层交叉验证方法对模型预测结果的有效性进行验证。
由于只有一年的在港船舶能耗数据样本，为了评估模型预测结果的有效性，本案例在训练模型上应用k层交叉验证的方法进行验证。在此过程中，将收集的数据划分为k个互斥的子集，为尽可能保持数据分布的一致性，通过分层抽样的方法在收集的数据中获得每个子集的数据。数据划分完毕后，进行k次重复的预测实验。在每次实验中，选取不同的k-1个子集的并集进行训练，并用剩余的一个子集进行测试，将得到的预测值与该子集的实际值进行对比，返回相应的评价指标值。最后，将k次实验得到的评价指标值取平均值，作为实验结果。根据经验，当k取10时，即划分的子集数量为10个时，预测效果最佳。
本实施例的k层交叉验证实验的示意图如图8所示。
(3)选用可释方差值(EVS)，平均绝对误差(MAE)，均方误差(MSE)和确定系数R方值(r2)等四项评价指标，分别对比(1)中五种算法在预测不同类型的船舶和不同泊位的船舶能耗时的准确度，并选择预测准确度最高的算法。
为了评价所使用的5种算法的预测能力，采用Python自带的sklearn.metric库中常见的4个指标对不同算法进行评价：可释方差值(EVS)，平均绝对误差(MAE)，均方误差(MSE)和确定系数R方值(r2)。以上四种评价指标的计算公式如下：
Figure BDA0002460070920000081
Figure BDA0002460070920000082
Figure BDA0002460070920000083
Figure BDA0002460070920000084
其中，‘y’和‘yi’表示船舶能耗对数值的实际值，
Figure BDA0002460070920000085
和
Figure BDA0002460070920000086
表示船舶能耗对数值的预测值；
Figure BDA0002460070920000087
表示所有yi的平均值；‘n’表示样本数量。
通过对船舶能耗值进行对数转换，使得数据服从正态分布，有助于提高算法的预测准确性，应用以上4种评价指标对5种算法的预测准确性进行评价，结果如表4所示：
表4 5种模型的预测准确性对比
Figure BDA0002460070920000091
表4结果显示，在5种机器学习算法中，梯度增强回归算法(GBR)的预测准确度最高，这一结果也可以在图7中直观地观察得到。
步骤四：计算步骤三(1)中所列举的15项预测特征在船舶能耗预测中的重要性，通过改变装卸作业效率和船舶到港时间间隔来设置不同的工况，运行船舶能耗预测模型，分别输出港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。
(1)预测特征重要性计算
根据步骤四中预测准确度的计算结果，最适合用于本实施例的预测算法是梯度增强回归算法，因此应用该算法进行预测特征重要性的计算，并根据计算结果设置不同工况进行在港船舶能耗的预测。
对于全部样本，预测特征的重要性计算结果如图8所示。
对于不同类型的船舶，影响其能耗预测的重要特征也不同，对比如表5所示：
表5不同类型船舶的特征重要性
Figure BDA0002460070920000092
Figure BDA0002460070920000101
其中，‘*’、‘**’和‘***’分别表示对相应类型船舶的能耗影响最大、第二大和第三大的特征。
(2)不同工况计算
(2.1)改变装卸作业效率
首先，利用原始数据集对使用梯度增强回归算法的预测模型进行训练并保存，然后在原始数据集中，将装卸效率值分别增加10％、20％直至100％，调用训练好的模型进行9次重复实验，分别输出装卸效率增加10％-100％的工况下的在港船舶能耗值，各工况下在港船舶总能耗的下降率如图9所示。
(2.2)改变船舶到港时间间隔
原始数据集中的船舶到港时间间隔服从负指数分布，为考查不同到港时间间隔分布对在港船舶能耗的影响，在原始数据集中固定来船周期和来船总数，将船舶到港时间间隔的分布分别设置正态分布和均匀分布，调用训练好的预测模型进行重复实验，分别输出两种不同分布下的在港船舶能耗均值。两种工况下的在港船舶总能耗的变化率如表6所示：
表6不同船舶到港时间间隔下的船舶能耗变化率
Figure BDA0002460070920000102

Claims (3)

1.一种基于机器学习的在港船舶能耗预测方法，其特征在于，包括以下步骤：
步骤一：收集船舶相关数据和港口相关数据，包括港口航道数据、泊位数据及船舶属性数据；
步骤二：船舶主机和辅机功率参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析，确定每一艘船舶在锚地、港内航道和泊位中的能耗功率；
步骤三：构建预测模型，通过多个选择机器学习算法和预测特征对船舶能耗分别进行预测，然后对模型预测结果进行验证，并选择模型预测准确度评价指标对所选择的机器学习算法进行评价，对比各选择机器学习算法预测不同类型的船舶和不同泊位的船舶能耗时的准确度，以选择预测准确度最高的算法；
步骤四：计算步骤三中所选择的预测特征在船舶能耗预测中的重要性，通过改变船舶装卸作业效率和船舶到港时间间隔来设置不同的工况，分别预测港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。
2.根据权利要求1所述的一种基于机器学习的在港船舶能耗预测方法，其特征在于，所述港口为综合性港口时，
步骤一中，所述船舶相关数据具体为：港口航道数据包括航道长度及通航规则；泊位数据包括泊位个数、各泊位的吨级和位置及各泊位用途；船舶属性数据包括船舶属性信息、船舶货物信息及船舶作业信息，其中，船舶属性信息包括船舶长度、船舶载重吨、船舶净吨、船舶国籍和船舶航速；船舶货物信息包括贸易类型和船舶货种，贸易类型包括内外贸和进出口；船舶作业信息包括船舶停靠泊位、装卸作业单位及单位性质、船舶实际装卸吨、船舶装卸作业效率、船舶抵港时间、船舶靠泊时间、船舶开始作业时间、船舶结束作业时间、船舶离泊时间和船舶离港时间，船舶抵港时间包括月份、星期和具体时间；
步骤三中，所述选取的机器学习算法包括梯度增强回归算法、随机森林回归算法、BP神经网络算法、线性回归算法和K近邻回归算法；预测特征包括步骤一中采集的船舶长度、船舶国籍、船舶净吨、船舶载重吨、船舶货种、船舶实际装卸吨、船舶抵港月份、船舶抵港星期、船舶抵港具体时间、装卸作业单位、装卸作业单位性质、船舶停靠泊位、船舶装卸作业效率、进出口和内外贸；预测特征作为预测模型的输入参数，将在港船舶能耗值作为输出，通过机器学习算法，应用预测模型对在港船舶能耗值进行预测；选取的模型有效性验证方法为k层交叉验证；选取的模型预测准确度评价指标包括可释方差值、平均绝对误差、均方误差、和确定系数R方值。
3.根据权利要求2所述的一种基于机器学习的在港船舶能耗预测方法，其特征在于，所述评价指标的计算公式为：
Figure FDA0002460070910000021
Figure FDA0002460070910000022
Figure FDA0002460070910000023
Figure FDA0002460070910000024
其中，EVS表示可释方差值，MAE表示平均绝对误差，MSE表示均方误差，r2表示确定系数R方值；y和yi表示船舶能耗对数值的实际值，
Figure FDA0002460070910000025
和
Figure FDA0002460070910000026
表示船舶能耗对数值的预测值；
Figure FDA0002460070910000027
表示所有yi的平均值；n表示样本数量。
CN202010317385.XA 2020-02-10 2020-04-21 一种基于机器学习的在港船舶能耗预测方法 Withdrawn CN111369077A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010084771 2020-02-10
CN2020100847719 2020-02-10

Publications (1)

Publication Number Publication Date
CN111369077A true CN111369077A (zh) 2020-07-03

Family

ID=71212600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010317385.XA Withdrawn CN111369077A (zh) 2020-02-10 2020-04-21 一种基于机器学习的在港船舶能耗预测方法

Country Status (1)

Country Link
CN (1) CN111369077A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113031548A (zh) * 2021-03-04 2021-06-25 舟山鼠浪湖码头有限公司 一种能耗监测系统
CN113110468A (zh) * 2021-04-22 2021-07-13 中国船舶重工集团公司第七0七研究所九江分部 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法
CN113159429A (zh) * 2021-04-26 2021-07-23 亿海蓝（北京）数据技术股份公司 泊位货种信息的获取方法和装置
CN113240201A (zh) * 2021-06-08 2021-08-10 兰州大学 一种基于gmm-dnn混合模型预测船舶主机功率方法
CN113822576A (zh) * 2021-09-23 2021-12-21 广州智湾科技有限公司 一种港口智能调度系统
CN114509996A (zh) * 2022-01-10 2022-05-17 阿里云计算有限公司 设备作业时长预测、指令调度方法、设备及存储介质
CN117932279A (zh) * 2024-03-25 2024-04-26 海南省木杉智科技有限公司 一种基于深度学习的船舶工况在线识别分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709640A (zh) * 2016-12-15 2017-05-24 华南理工大学 基于深度学习与支持向量回归的船舶能耗预测方法
CN110765607A (zh) * 2019-10-18 2020-02-07 大连理工大学 一种基于仿真优化的港口岸电系统合理容量确定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709640A (zh) * 2016-12-15 2017-05-24 华南理工大学 基于深度学习与支持向量回归的船舶能耗预测方法
CN110765607A (zh) * 2019-10-18 2020-02-07 大连理工大学 一种基于仿真优化的港口岸电系统合理容量确定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭云 等: "面向海洋能综合利用的港口用电策略研究", 《水道港口》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113031548A (zh) * 2021-03-04 2021-06-25 舟山鼠浪湖码头有限公司 一种能耗监测系统
CN113110468A (zh) * 2021-04-22 2021-07-13 中国船舶重工集团公司第七0七研究所九江分部 一种应用于欠驱动双桨双舵船舶自主靠泊的控制方法
CN113159429A (zh) * 2021-04-26 2021-07-23 亿海蓝（北京）数据技术股份公司 泊位货种信息的获取方法和装置
CN113159429B (zh) * 2021-04-26 2023-07-14 亿海蓝（北京）数据技术股份公司 泊位货种信息的获取方法和装置
CN113240201A (zh) * 2021-06-08 2021-08-10 兰州大学 一种基于gmm-dnn混合模型预测船舶主机功率方法
CN113240201B (zh) * 2021-06-08 2024-02-09 兰州大学 一种基于gmm-dnn混合模型预测船舶主机功率方法
CN113822576A (zh) * 2021-09-23 2021-12-21 广州智湾科技有限公司 一种港口智能调度系统
CN114509996A (zh) * 2022-01-10 2022-05-17 阿里云计算有限公司 设备作业时长预测、指令调度方法、设备及存储介质
CN117932279A (zh) * 2024-03-25 2024-04-26 海南省木杉智科技有限公司 一种基于深度学习的船舶工况在线识别分析方法及系统

Similar Documents

Publication Publication Date Title
CN111369077A (zh) 一种基于机器学习的在港船舶能耗预测方法
Zhen et al. Daily berth planning in a tidal port with channel flow control
CN101986313A (zh) 基于知识的集装箱码头泊位与岸桥调度方法
Minli et al. Research on the application of artificial neural networks in tender offer for construction projects
CN102063375A (zh) 一种基于混合测试的软件可靠性评估方法及其装置
CN116843071B (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
CN115115303A (zh) 一种基于智慧港口的散货管控一体化系统及方法
CN113673768A (zh) 基于vmd和cnn-lstm的风功率概率预测模型
Yaxu Comprehensive evaluation of logistics enterprise competitiveness based on SEM model
Tu et al. Optimum trim prediction for container ships based on machine learning
Hadi et al. Achieving fuel efficiency of harbour craft vessel via combined time-series and classification machine learning model with operational data
Zeng et al. A data-driven intelligent energy efficiency management system for ships
CN113743662A (zh) 一种基于机器学习的船舶关键技术参数预测方法及系统
Ozsari Predicting main engine power and emissions for container, cargo, and tanker ships with artificial neural network analysis
Xie et al. Joint optimization of ship speed and trim based on machine learning method under consideration of load
Zhao et al. Game-theoretical models of competition analysis and pricing strategy for two modes for repairing damaged marine structures at sea
CN113469504A (zh) 水上交通风险动态测试方法、介质及系统
Wang et al. Dynamic Model of Port Throughput's Influence on Regional Economy
CN114169226A (zh) 短期电力负荷预测方法、计算机设备以及存储介质
Wang On Operating Efficiency of Advanced Manufacturing Industry Based on Three-Stage DEA Model--Taking Wuxi as an Example
Dong Prediction of ship traffic flow based on wavelet decomposition and LSTM
CN112036649B (zh) 基于多核并行的径流概率密度预测的水电站风险评估方法
Ye et al. Analysis on Integration of Logistics Trade Resources and Global Competition of Ports Along the Belt and Road Based on Fuzzy Algorithm
Yu et al. Integrating vessel arrival time prediction having interval uncertainty into the berth allocation and quay crane assignment
Li et al. A simulation-based method for analyzing energy demands in container terminals under different arrival interval of ships

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200703

WW01 Invention patent application withdrawn after publication