CN112836893B - 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 - Google Patents
一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 Download PDFInfo
- Publication number
- CN112836893B CN112836893B CN202110217014.9A CN202110217014A CN112836893B CN 112836893 B CN112836893 B CN 112836893B CN 202110217014 A CN202110217014 A CN 202110217014A CN 112836893 B CN112836893 B CN 112836893B
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- sea
- fuel consumption
- parameters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims description 42
- 239000003921 oil Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 abstract description 8
- 230000009471 action Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000218196 Persea Species 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,在训练数据的筛选中,根据浪高对海况等级进行划分,选择出大风浪恶劣海况下的船舶在航的航行数据,提取出数据中的特征参数,对每两个特征参数采用基于基尼指数标准的随机森林算法,先计算出某个特征在一个决策树上节点分枝前后的基尼指数变化量之和,然后计算该特征在随机森林所有的决策树中节点基尼指数平均变化量作为该特征参数的相关性指数,挑选出与海况特征参数以及油耗相关度高的其他特征参数作为输入,删除其他的特征数据。
Description
技术领域
本发明涉及船舶航运领域,具体涉及一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法。
背景技术
船舶的营运费用包括很多部分,其中船舶的燃油费用占了超过60%的比例,合理的规划理想的航运路线,增加利润,进而竞争力是当前绝大多数航运公司想解决的问题;当船舶油耗的预测能通过高级的方法对真实数据进行学习得以实现,将可以对船舶公司的航运规划起到至关重要的指导作用。尽管已经有很多关于这方面的研究,但是现在绝大多数的油耗预测模型都是对船舶正常海况条件下航行的船舶进行预测,并且船舶处于恶劣海况下的数据量较少,船舶的油耗与天气、海浪、风速等因素之间的一些不确定性以及之间的高度相关性导致现有模型得到预测精度都比较低,这些模型在对恶劣海况下数据进行油耗预测时鲁棒性较差,无法准确的预测船舶在恶劣海况航行期间的油耗。
人工神经网络是模拟生物神经网络进行信息处理的一种数学模型,由大量的节点(或称神经元)之间的相互连接构成的。人工神经网络的的学习过程也称之为训练过程,指的是人工神经网络根据给定的训练数据样本,不断的自身调整人工神经网络的参数以使网络的输出接近于已知样本的标记或者是其他形式的因变量。与传统的标准非线性回归、分类或者聚类技术相比,人工神经网络的使用范围通常用于数据建模,神经元之间的连接有多种多样,各神经元之间的连接强度具有一定的可塑性,这样的网络可通过学习和训练进行自组织以适应不同的信息处理要求,可以处理一些环境信息十分复杂、知识背景不清楚和推力规则不明确的问题。
发明内容
本发明的目的在于提供一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,主要解决了现有的船舶油耗预测模型无法对恶劣海况条件下航行船舶的油耗进行准确预测的问题,提出了一种基于海况条件以及船舶航行状况的油耗预测方法,能够解决恶劣海况下船舶航行过程油耗预测问题,通过建立多层感知机油耗回归预测模型进行模型训练以及参数优化,最终训练得到一个船舶油耗预测模型用于解决恶劣海况下根据海况条件以及船舶航行状态数据对油耗进行预测。
为了达到上述目的,本发明采用的技术方案如下:
一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,该方法包括:
采集原始数据训练集:所述原始数据训练集包括海况条件数据、气象数据以及航行状态数据;
数据筛选以及处理:筛选出船舶航行状态为在航、有载货以及船舶的航速不低于预设值的数据;
选定输入特征参数:采用集成学习的方法对特征参数进行相关性分析,筛选出与船舶油耗以及海况参数相关性高的特征参数;
建立恶劣海况下的油耗预测模型:设置隐藏层以及隐藏节点个数,设置激活函数;
模型训练以及参数优化:将数据输入神经网络中,随机初始化权重和偏置,采用监督学习算法不断调整优化模型参数,得到最终优化的油耗预测模型;
模型应用:将现有海况以及航行状态数据输入油耗预测模型,得到预测油耗结果。
进一步地,所述海况条件数据由船舶上的传感器测量得到,所述海况条件数据包括船舶纵倾角、横倾角、平均吃水、风速、风向、浪高以及对水速度。
进一步地,所述气象数据来自气象局发布的信息。
进一步地,所述航行状态数据包括船舶的地理位置、航行里程、螺旋桨平均每分钟转速、主机转速、船舶航速、燃油消耗量、总载货量以及甲板货物量。
进一步地,用浪高对海况进行分级,其中当浪高范围为2.5~4.0m时,海面状况为大浪、海况等级为5,符合恶劣海况的要求,因此在筛选中加入浪高大于等于2.5m这一项,得到具有代表性的数据组。
进一步地,对不相关的数据进行清洗,从原始数据中选出与油耗建模相关的特征参数,对筛选后的数据进行异常值以及缺失值处理;由于输入特征参数的量纲不同并处于不同的数量级,为了保证特征参数指标之间的可比性,对处理后的数据进行归一化,使得各特征参数处于同一数量级,便于综合对比,使得寻优的过程变得平缓,提高寻优的速度。
进一步地,数据中的特征参数对船舶油耗影响的权重是不同的,因此在选定输入的参数过程中,要分析输入的特征参数与船舶油耗以及海况参数的相关性,选用相关性高的参数输入会更好的体现数据特征,选用相关性低的特征参数会增加数据的复杂程度,故采用基于基尼指数标准的随机森林算法对输入特征参数与船舶油耗以及海况参数进行相关性分析,对特征参数进行筛选,降低数据维度,使得到的模型具有更好的鲁棒性。
进一步地,将筛选出的特征参数作为模型输入层的输入节点,该实例中筛选的特征参数为主机转速、船舶航速、主机负载、船舶载货量、船舶平均吃水差、船舶纵倾角、船舶横倾角、风速、浪高以及对水速度;选择深度多层感知器神经网络进行神经网络模型搭建,每个隐藏层的输出通过激活函数进行变换设置神经网络的隐藏层以及隐藏点的个数;由于每一层的输出都是一种线性组合,无法逼近任意函数,所以需要使用激活函数加入非线性因素,提高神经网络模型的表达能力。
进一步地,先初始化随机的权重和阈值参数,将样本输入给输入层神经元后,一层层向前传递,直到输出层产生输出值,再从输出层计算误差项,然后反向依次计算每个隐藏层的误差项,直到与输入层相连的那个隐藏层,当所有的节点的误差项计算完毕之后,再更新所有的权重,本发明中的选择的损失函数均方误差MAPE,其表达式为如下
式中,n代表y中样本的个数,yi代表y第i个样本,代表y第i个样本的输出;为了防止模型过拟合,采用dropout的方法来防止模型过拟合,它不改变网络本身,而是随机地删除网络中的一半隐藏的神经元,并且保持输入和输出层的神经元不变;每次在使用梯度下降法时候,只是对随机的一半的神经元进行更新权重和偏置,可以有效的防止网络对某条路径过度依赖,以此达到降低过拟合的效果;训练的目标就是通过迭代不断的调整神经元节点的权重w和偏置b,使得损失函数逐渐减小至误差允许范围即可停止迭代,此时的参数即为模型的最佳参数,将最佳参数输入模型中即得到最优的油耗预测模型。
进一步地,将所拥有的的海况条件数据以及船舶航行状态数据中特征参数值输入至训练得到油耗预测模型中,即可以预测出在该海况和航行状态条件下船舶的燃油消耗量,进而在保障船舶安全航行的前提下对恶劣海况下航行船舶的航行方案进行规划调整,以达到降低船舶油耗、降低船舶排放、提高船舶经济效益的目的。
与现有技术相比,本发明至少具有以下优点之一:
本发明相比较于现有的油耗预测模型方法,在训练数据的筛选上添加了海况等级的筛选项,通过基于基尼指数标准的随机森林算法,计算某个特征在随机森林所有的决策树中节点分裂不纯度的平均改变量作为该特征参数的相关性指数,以GI表示基尼指数,基尼指数的计算公式为假设有m个特征,其中K表示有K个类别,pmk表示节点m中类别k所占的比例。第j特征在节点m的重要性即为节点m分枝前后的基尼指数变化量为/>其中GIl和GIr分别表示分枝前后的基尼指数。随后可得第j特征在第i棵决策树的重要性为/>则在有n个决策树的随机森林中第j特征的重要性的和为/>最后将所求得的重要性做归一化处理/>即可。然后从特征参数中筛选出了与海况与油耗相关性高的特征参数作为输入,能有效的降低了数据的维度,提高了模型在小数据集上的鲁棒性,并且数据更具有针对性,更加适用于恶劣海况条件下船舶的油耗预测,对于恶劣海况下各因素之间的高度相关性以及影响因素的不确定性有着更好的泛化性能。
本发明中计算输出层的损失函数然后计算上一层的参数梯度并采用随机梯度下降法对神经节点的权重以及偏置的进行调整优化,逐层调整并且每次调整过程中只随机对一半的隐藏层的节点参数进行调整,降低模型对某一条路径过度依赖的影响,可以有效降低模型过拟合,提高泛化性能。
附图说明
图1是本发明一实施例中构建油耗预测模型的流程图;
图2是本发明一实施例多层感知机网络的结构示意图。
具体实施方式
以下结合附图1~2和具体实施方式对本发明作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法、物品或者现场设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法、物品或者现场设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法、物品或者现场设备中还存在另外的相同要素。
请参阅图1~2所示,本实施例提供的一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,主要的发明点是根据海况等级筛选训练数据并根据相关性选择特征参数以及多层感知机的船舶油耗预测模型框架。
在训练数据的筛选中,根据浪高对海况等级进行划分,选择出大风浪恶劣海况下的船舶在航的航行数据,提取出数据中的特征参数,对每两个特征参数采用基于基尼指数标准的随机森林算法,先计算出某个特征在一个决策树上节点分枝前后的基尼指数变化量之和,然后计算该特征在随机森林所有的决策树中节点基尼指数平均变化量作为该特征参数的相关性指数,挑选出与海况特征参数以及油耗相关度高的其他特征参数作为输入,删除其他的特征数据,可以提高在恶劣海况数据集较小情况下训练模型的鲁棒性,缓解当前油耗模型训练普遍采用大范围船舶正常海况航行数据进而导致模型在对恶劣海况条件下船舶油耗预测时出现精度低、稳定性差的缺点。
多层感知机的的船舶油耗预测模型通过将筛选处理后的恶劣海况下船舶油耗数据作为模型的输入,经过激活函数去线性化作为下一层的输入,直至最后输出船舶油耗,计算预测船舶油耗与训练样本中的真实油耗之间的均方误差,基于均方误差对上一层的神经节点的权重和偏置采用随机梯度下降法进行调整优化,逐步向上层调整直到输入层,并且每次调整过程中只随机对一半的隐藏层的节点进行调整,降低模型对某一条路径过度依赖的影响,可以有效降低模型过拟合现象,缓解模型在其他数据集上预测失准的现象,当训练样本的预测值与真实值之间的误差降低到允许范围时,即可得到最优的油耗预测模型。
本实施例提供的一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,该方法包括:
采集原始数据训练集,原始数据训练集主要来源于船舶的正午报告以及其他主要设备所采集的船舶信息,其中,所述原始数据训练集包括海况条件数据、气象数据以及航行状态数据;
数据筛选以及处理,为了获取适合训练模型的数据,筛选出船舶航行状态为在航、有载货以及船舶的航速不低于5海里/每小时的数据;
选定输入特征参数,采用集成学习的方法对特征参数进行相关性分析,筛选出与船舶油耗以及海况参数相关性高的特征参数;
建立恶劣海况下的油耗预测模型,设置隐藏层以及隐藏节点个数,设置激活函数;
模型训练以及参数优化,将数据输入神经网络中,随机初始化权重和偏置,采用监督学习算法不断调整优化模型参数,得到最终优化的油耗预测模型;
模型应用,将现有海况以及航行状态数据输入模型,得到预测油耗结果。
本实施例中,所述海况条件数据由船舶上的传感器测量得到,所述海况条件数据包括船舶纵倾角、横倾角、平均吃水、风速、风向、浪高以及对水速度。
本实施例中,所述气象数据来自气象局发布的信息。
本实施例中,所述航行状态数据包括船舶的地理位置、航行里程、螺旋桨平均每分钟转速、主机转速、船舶航速、燃油消耗量、总载货量以及甲板货物量。
本实施例中,由于该模型是用于训练在恶劣海况下的油耗预测模型,用浪高对海况进行分级,其中当浪高范围为2.5~4.0m时,出现高大的波峰,浪花占了波浪很大面积,此时的海面状况为大浪、海况等级为5,符合恶劣海况的要求,因此在筛选中加入浪高大于等于2.5m这一项,得到具有代表性的数据组。
本实施例中,对不相关的数据进行清洗,从原始数据中选出与油耗建模相关的特征参数,对筛选后的数据进行异常值以及缺失值处理;由于输入特征参数的量纲不同并处于不同的数量级,为了保证特征参数指标之间的可比性,对处理后的数据进行归一化,使得各特征参数处于同一数量级,便于综合对比,使得寻优的过程变得平缓,提高寻优的速度,本发明中的归一化方法为min-max标准化,也称为离差标准化,对原始数据进行线性变化,将每个特征参数方所到给定的范围内,默认为(0-1),具体采用如下公式进行计算:
式中,Xn为原始特征变量X归一化后的值,Xmax为特征变量X的最大值,Xmin为特征变量X的最小值。
本实施例中,数据中的特征参数对船舶油耗影响的权重是不同的,因此在选定输入的参数过程中,要分析输入的特征参数与船舶油耗以及海况参数的相关性,选用相关性高的参数输入会更好的体现数据特征,选用相关性低的特征参数会增加数据的复杂程度,故采用基于基尼指数标准的随机森林算法对输入特征参数与船舶油耗以及海况参数进行相关性分析,对特征参数进行筛选,降低数据维度,使得到的模型具有更好的鲁棒性,其主要的思路是判断每个特征参数在随机森林中的每个决策树做了多大的贡献,然后取其平均值,最后对特征之间的贡献大小进行比较,通过算法计算出各特征参数与船舶油耗以及海况参数之间的相关度之后,筛选出相关性占比大的特征参数作为神经网络的输入节点。将步骤二中的除去筛选出的特征参数之外的数据删除,得到用于模型训练的最终数据。
本实施例中,将筛选出的特征参数作为模型输入层的输入节点,该实例中筛选的特征参数为主机转速、船舶航速、主机负载、船舶载货量、船舶平均吃水差、船舶纵倾角、船舶横倾角、风速、浪高以及对水速度;选择深度多层感知器神经网络进行神经网络模型搭建,每个隐藏层的输出通过激活函数进行变换设置神经网络的隐藏层以及隐藏点的个数;由于每一层的输出都是一种线性组合,无法逼近任意函数,所以需要使用激活函数加入非线性因素,提高神经网络模型的表达能力,本发明中激活函数选用ReLU函数(f(x)=max(0,x)),其相较于Sigmoid和tanh函数,可以的到更快的训练速度,ReLU会使一部分的神经元输出为0,减少了参数的相互依存关系,能缓解过拟合问题。该模型中将输入层输入特征参数的线性组合作为下一层的输入,然后经过激活函数之后得到的输出作为该层的输出,同时为下一层的输入,以此类推一直到最后的输出层,本发明的最终输出层只有一个节点,其输出值为船舶每海里燃油消耗量。
本实施例中,模型的训练就是在训练时间与最小化误差之间寻找平衡。训练算法一般包括监督学习和无监督学习,本发明中选择监督学习的误差反向传播算法结合随机梯度下降法进行网模型的训练和参数调优,先初始化随机的权重和阈值参数,将样本输入给输入层神经元后,一层层向前传递,直到输出层产生输出值,再从输出层计算误差项,然后反向依次计算每个隐藏层的误差项,直到与输入层相连的那个隐藏层,当所有的节点的误差项计算完毕之后,再更新所有的权重,本发明中的选择的损失函数均方误差MAPE,其表达式为如下
其中n代表y中样本的个数,yi代表y第i个样本,代表y第i个样本的输出;为了防止模型过拟合,本发明中采用dropout的方法来防止模型过拟合,它不改变网络本身,而是随机地删除网络中的一半隐藏的神经元,并且保持输入和输出层的神经元不变;每次在使用梯度下降法时候,只是对随机的一半的神经元进行更新权重和偏置,可以有效的防止网络对某条路径过度依赖,以此达到降低过拟合的效果;训练的目标就是通过迭代不断的调整神经元节点的权重w和偏置b,使得损失函数逐渐减小至误差允许范围即可停止迭代,此时的参数即为模型的最佳参数,将最佳参数输入模型中即得到最优的油耗预测模型。
本实施例中,将所拥有的的海况条件数据以及船舶航行状态数据中特征参数值输入至训练得到油耗预测模型中,即可以预测出在该海况和航行状态条件下船舶的燃油消耗量,进而在保障船舶安全航行的前提下对恶劣海况下航行船舶的航行方案进行规划调整,以达到降低船舶油耗、降低船舶排放、提高船舶经济效益的目的。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,该方法包括:
采集原始数据训练集:所述原始数据训练集包括海况条件数据、气象数据以及航行状态数据;
数据筛选以及处理:筛选出船舶航行状态为在航、有载货以及船舶的航速不低于预设值的数据;
选定输入特征参数:采用集成学习的方法对特征参数进行相关性分析,筛选出与船舶油耗以及海况参数相关性高的特征参数;
建立恶劣海况下的油耗预测模型:设置隐藏层以及隐藏节点个数,设置激活函数;
将筛选出的特征参数作为模型输入层的输入节点,筛选的特征参数为主机转速、船舶航速、主机负载、船舶载货量、船舶平均吃水差、船舶纵倾角、船舶横倾角、风速、浪高以及对水速度;选择深度多层感知器神经网络进行神经网络模型搭建,每个隐藏层的输出通过激活函数进行变换设置神经网络的隐藏层以及隐藏点的个数;由于每一层的输出都是一种线性组合,无法逼近任意函数,所以需要使用激活函数加入非线性因素,提高神经网络模型的表达能力;
模型训练以及参数优化:将数据输入神经网络中,随机初始化权重和偏置,采用监督学习算法不断调整优化模型参数,得到最终优化的油耗预测模型;先初始化随机的权重和阈值参数,将样本输入给输入层神经元后,一层层向前传递,直到输出层产生输出值,再从输出层计算误差项,然后反向依次计算每个隐藏层的误差项,直到与输入层相连的那个隐藏层,当所有的节点的误差项计算完毕之后,再更新所有的权重,选择的损失函数均方误差MAPE,其表达式为如下
式中,n代表y中样本的个数,yi代表y第i个样本,代表y第i个样本的输出;为了防止模型过拟合,采用dropout的方法来防止模型过拟合,它不改变网络本身,而是随机地删除网络中的一半隐藏的神经元,并且保持输入和输出层的神经元不变;每次在使用梯度下降法时候,只是对随机的一半的神经元进行更新权重和偏置,可以有效的防止网络对某条路径过度依赖,以此达到降低过拟合的效果;训练的目标就是通过迭代不断的调整神经元节点的权重w和偏置b,使得损失函数逐渐减小至误差允许范围即可停止迭代,此时的参数即为模型的最佳参数,将最佳参数输入模型中即得到最优的油耗预测模型;
模型应用:将现有海况以及航行状态数据输入油耗预测模型,得到预测油耗结果。
2.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,所述海况条件数据由船舶上的传感器测量得到,所述海况条件数据包括船舶纵倾角、横倾角、平均吃水、风速、风向、浪高以及对水速度。
3.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,所述气象数据来自气象局发布的信息。
4.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,所述航行状态数据包括船舶的地理位置、航行里程、螺旋桨平均每分钟转速、主机转速、船舶航速、燃油消耗量、总载货量以及甲板货物量。
5.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,用浪高对海况进行分级,其中当浪高范围为2.5~4.0m时,海面状况为大浪、海况等级为5,符合恶劣海况的要求,因此在筛选中加入浪高大于等于2.5m这一项,得到具有代表性的数据组。
6.如权利要求5所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,对不相关的数据进行清洗,从原始数据中选出与油耗建模相关的特征参数,对筛选后的数据进行异常值以及缺失值处理;由于输入特征参数的量纲不同并处于不同的数量级,为了保证特征参数指标之间的可比性,对处理后的数据进行归一化,使得各特征参数处于同一数量级,便于综合对比,使得寻优的过程变得平缓,提高寻优的速度。
7.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,数据中的特征参数对船舶油耗影响的权重是不同的,因此在选定输入的参数过程中,要分析输入的特征参数与船舶油耗以及海况参数的相关性,选用相关性高的参数输入会更好的体现数据特征,选用相关性低的特征参数会增加数据的复杂程度,故采用基于基尼指数标准的随机森林算法对输入特征参数与船舶油耗以及海况参数进行相关性分析,对特征参数进行筛选,降低数据维度,使得到的模型具有更好的鲁棒性。
8.如权利要求1所述的基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法,其特征在于,将所拥有的海况条件数据以及船舶航行状态数据中特征参数值输入至训练得到油耗预测模型中,即可以预测出在该海况和航行状态条件下船舶的燃油消耗量,进而在保障船舶安全航行的前提下对恶劣海况下航行船舶的航行方案进行规划调整,以达到降低船舶油耗、降低船舶排放、提高船舶经济效益的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217014.9A CN112836893B (zh) | 2021-02-26 | 2021-02-26 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217014.9A CN112836893B (zh) | 2021-02-26 | 2021-02-26 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836893A CN112836893A (zh) | 2021-05-25 |
CN112836893B true CN112836893B (zh) | 2024-05-14 |
Family
ID=75933766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217014.9A Active CN112836893B (zh) | 2021-02-26 | 2021-02-26 | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836893B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408401B (zh) * | 2021-06-16 | 2022-02-22 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
CN114925886B (zh) * | 2022-04-29 | 2024-04-30 | 南通海舟船舶设备有限公司 | 一种船舶的船底附着物清理预测方法 |
CN115660137B (zh) * | 2022-09-07 | 2023-08-11 | 中远海运科技股份有限公司 | 一种船舶风浪航行能耗精准估算方法 |
CN115456451B (zh) * | 2022-09-28 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于ais的船舶油耗估算方法及系统 |
CN118133697B (zh) * | 2024-05-10 | 2024-08-16 | 无锡九方科技有限公司 | 基于集成学习的船舶失速模型的应用方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4934756B1 (ja) * | 2011-11-10 | 2012-05-16 | 三井造船株式会社 | 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法 |
CN106599995A (zh) * | 2016-12-09 | 2017-04-26 | 上海海事大学 | 一种根据海洋气象信息预测船舶航行气象因子的方法 |
CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
CN112149909A (zh) * | 2020-09-28 | 2020-12-29 | 神华中海航运有限公司 | 船舶油耗预测方法、装置、计算机设备和存储介质 |
CN112365023A (zh) * | 2020-09-30 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于机器学习的机场群体性事件预测及预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8095480B2 (en) * | 2007-07-31 | 2012-01-10 | Cornell Research Foundation, Inc. | System and method to enable training a machine learning network in the presence of weak or absent training exemplars |
-
2021
- 2021-02-26 CN CN202110217014.9A patent/CN112836893B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4934756B1 (ja) * | 2011-11-10 | 2012-05-16 | 三井造船株式会社 | 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法 |
CN106779137A (zh) * | 2016-11-14 | 2017-05-31 | 上海海事大学 | 一种根据海况与操纵条件预测船舶油耗的方法 |
CN106599995A (zh) * | 2016-12-09 | 2017-04-26 | 上海海事大学 | 一种根据海洋气象信息预测船舶航行气象因子的方法 |
CN107944648A (zh) * | 2018-01-08 | 2018-04-20 | 中国船舶工业系统工程研究院 | 一种大型船舶航速油耗率精准预测方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
CN112149909A (zh) * | 2020-09-28 | 2020-12-29 | 神华中海航运有限公司 | 船舶油耗预测方法、装置、计算机设备和存储介质 |
CN112365023A (zh) * | 2020-09-30 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于机器学习的机场群体性事件预测及预警方法 |
Non-Patent Citations (3)
Title |
---|
基于人工神经网络的船舶油耗模型;叶睿 等;《船舶工程》;第38卷(第03期);第1-3节 * |
基于机器学习的海里油耗估计算法;李湘军 等;《新型工业化》;第11卷(第1期);摘要、结论 * |
恶劣气象海况下船舶航线的多变量多目标优化建模;李明峰 等;《中国航海》;第43卷(第2期);14-19、30 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836893A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836893B (zh) | 一种基于海况条件和船舶航行状况预测恶劣海况下船舶油耗的方法 | |
Sahoo et al. | Forecasting stream water temperature using regression analysis, artificial neural network, and chaotic non-linear dynamic models | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
Bui-Duy et al. | Utilization of a deep learning-based fuel consumption model in choosing a liner shipping route for container ships in Asia | |
CN113156815B (zh) | 一种数据驱动的海上船舶运动姿态实时预报方法 | |
CN106779137A (zh) | 一种根据海况与操纵条件预测船舶油耗的方法 | |
Elbisy et al. | Prediction of significant wave height by artificial neural networks and multiple additive regression trees | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
CN113722980B (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
Qahtan et al. | Performance assessment of sustainable transportation in the shipping industry using a q-rung orthopair fuzzy rough sets-based decision making methodology | |
CN114254767A (zh) | 基于Stacking集成学习的气象水文特征预测方法及系统 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
Sylaios et al. | A fuzzy inference system for wind-wave modeling | |
CN113240198A (zh) | 一种基于tcn模型的港口船舶轨迹预测方法 | |
CN107122897B (zh) | 基于深度学习算法的无人船适航性评估方法 | |
CN112836377A (zh) | 一种基于数字化仿真的船舶仿真测试系统 | |
Bilgili | Determination of the weights of external conditions for ship resistance | |
Tu et al. | Optimum trim prediction for container ships based on machine learning | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
Ma et al. | A multi-objective energy efficiency optimization method of ship under different sea conditions | |
CN117332510A (zh) | 一种基于混合预测模型的远洋船舶航速损失预测方法 | |
CN112819087A (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
Rizianiza et al. | Prediction of significant wave height in the java sea using artificial neural network | |
CN115944868A (zh) | 一种舰载消防水炮控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |