CN112948969A - 一种基于lstmc混合网络的船舶横摇预测方法 - Google Patents
一种基于lstmc混合网络的船舶横摇预测方法 Download PDFInfo
- Publication number
- CN112948969A CN112948969A CN202110226036.1A CN202110226036A CN112948969A CN 112948969 A CN112948969 A CN 112948969A CN 202110226036 A CN202110226036 A CN 202110226036A CN 112948969 A CN112948969 A CN 112948969A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- lstmc
- ship
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于LSTMC混合网络的船舶横摇预测方法,使用Pandas读取数据集数据并进行数据的预处理,将大地风速、船舶姿态角及其角速度数据传入网络进行训练;搭建LSTMC混合网络;训练LSTMC混合网络;用Keras高层接口Keras.Model.fit()方法进行模型的训练,设置保存评价指标MSE、MAPE最优的一次模型参数;把新的船舶姿态数据传入到训练好的混合网络中去,得到预测的船舶姿态数据。本发明能够快速准确地完成对船舶横摇的预测,相比其他单一的神经网络模型,不仅能够提取时间特征,而且能够提取空间特征,提高预测精度。
Description
技术领域
本发明涉及船舶领域,尤其涉及一种基于LSTMC混合网络的船舶横摇预测方法。
背景技术
船舶在海上航行时受到大风、海浪以及洋流等不确定性外力的耦合影响,由于船舶整体受力情况非常复杂,此时船舶会发生无规律的摇摆。在船舶的各种姿态角中,其中横摇对于船舶的安全性威胁最大。不仅会影响船员的舒适感,而且会对船舶的航行产生很大的安全隐患,所以船舶横摇预测一直是一个热门的课题。2015年6月1号,东方之星旅游客船在长江中游湖北监利水域倾覆事的件就是一个悲痛的例子。此次事件中,经各方全力搜救,事发时船上454人中仅有12人生还,由此可见船舶横摇不仅对于船舶来讲是至关重要的,对于人的生命安全更加重要。如果能预测船舶在未来几秒钟内的运动姿态,那么当危险来临时可以提前将船舶进行预控制,将极大地提高船舶水上作业时的安全性和稳定性。
在船舶运动姿态预测方面现有的预测算法主要有卡尔曼滤波法、谱估计法、艏前波法、基于自回归模型的方法、基于混沌分析的方法和人工神经网络方法等。本方法采用混合神经网络作为预测模型,神经网络有强大的特征提取能力与非线性映射能力,比较传统方法有更好的预测效果。但是单一神经网络预测模型在面对复杂多变的非线性时间序列时往往难以有好的预测效果,所以本方法采用LSTM模型与卷积模型的混合模型作为预测模型。混合预测模型在MSE、MAPE等评价指标上均优于单一模型。
发明内容
为了解决上述技术问题,本发明提供了一种基于LSTMC混合网络的船舶横摇预测方法。
本发明的目的是这样实现的:
一种基于LSTMC混合网络的船舶横摇预测方法,包括如下步骤:
步骤1:使用Pandas读取数据集数据并进行数据的预处理,每10步数据为一组,前8步的数据作为训练数据用于拟合网络参数,第9、10步的数据作为预测数据,每一组训练数据及其预测数据为一个训练样本,64个训练样本为一个批次,将大地风速、船舶姿态角及其角速度数据传入网络进行训练;
步骤2:搭建LSTMC混合网络;使用Keras高层接口Keras.Model.compile()方法进行模型的装配,设置参数Epoch=30,Batch size=64,优化器为Adam,评价指标器为MSE、MAPE;
步骤3:训练LSTMC混合网络;用Keras高层接口Keras.Model.fit()方法进行模型的训练,设置保存评价指标MSE、MAPE最优的一次模型参数;
步骤4:经过步骤3后得到混合网络的模型参数,把新的船舶姿态数据传入到训练好的混合网络中去,得到预测的船舶姿态数据。
所述步骤2中的LSTMC混合网络包括一层双向LSTM网络、两层卷积层、两层最大池化层、两层全连接层,一层神经元连接随机组断层,双向LSTM层提取数据的时间特征,两层卷积层提取数据的空间特征。
所述双向LSTM网络神经元个数为:第一层64,第二层100
与现有技术相比,本发明的有益效果是:
本发明能够快速准确地完成对船舶横摇的预测,相比其他单一的神经网络模型,不仅能够提取时间特征,而且能够提取空间特征,提高预测精度。
附图说明
附图1为LSTMC混合网络预测过程;
附图2为LSTMC混合网络结构图;
附图3为船舶横摇角预测结果(Epoch=30);
附图4为LSTM与LSTMC的均方差对比;
附图5为LSTM与LSTMC的平均绝对百分比误差对比。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
一种基于LSTMC混合网络的船舶横摇预测方法,具体步骤为:
步骤1:使用Pandas读取数据集数据并进行数据的预处理,每10步数据为一组,前8步的数据作为训练数据用于拟合网络参数,第9、10步的数据作为预测数据,每一组训练数据及其预测数据为一个训练样本,64个训练样本为一个批次。将大地风速、船舶姿态特征数据(横倾角等)及其角速度数据传入网络进行训练。
步骤2:搭建LSTMC混合网络。使用Keras高层接口Keras.Model.compile()方法进行模型的装配。设置参数Epoch=30,Batch size=64,优化器为Adam,评价指标器为MSE、MAPE。
步骤3:训练LSTMC混合网络。用Keras高层接口Keras.Model.fit()方法进行模型的训练。设置保存评价指标MSE、MAPE最优的一次模型参数。
步骤4:经过步骤3后得到混合网络的模型参数,把新的船舶姿态数据传入到训练好的混合网络中去,得到预测的船舶姿态数据。
步骤1所述的预测方法可以预测两步,每10步数据为一组,前8步的数据作为训练数据用于拟合网络参数,第9、10步的数据作为预测数据。使用待预测的船舶姿态角、角速度、大地风速等特征来作网络的输入训练网络模型。
步骤2所述混合网络包括一层双向LSTM网络、两层卷积层、两层最大池化层、两层全连接层,一层神经元连接随机组断层。双向LSTM层提取数据的时间特征,两层卷积层提取数据的空间特征。
LSTM引入了三个门函数:输入门、遗忘门和输出门来控制输入值、记忆值和输出值。混合网络中的双向LSTM层的神经元个数为:第一层64,第二层100。
为使本发明的技术方案和优点更加清楚,下面结合附图1,对本发明实施例中的技术方案进行清楚且完整的描述。
步骤1:使用Pandas读取数据集数据并进行数据的预处理,每10步数据为一组,前8步的数据作为训练数据用于拟合网络参数,第9、10步的数据作为预测数据,每一组训练数据及其预测数据为一个训练样本,64个训练样本为一个批次。将数据封装成生成器,这样可以减少数据加载对内存的资源占用。将大地风速、船舶横摇及其角速度数据传入网络进行训练。
步骤2:搭建LSTMC混合网络。使用Keras高层接口Keras.Model.compile()方法进行模型的装配。设置Epoch=30,Batch size=64,优化器为Adam,评价指标器为MSE、MAPE。所述混合网络包括一层双向LSTM网络、两层卷积层、两层最大池化层、两层卷积层、两层全连接层。训练数据传入混合网络,依次经过双向LSTM层卷积层1(卷积核个数为1、卷积核大小为1、步长为1)、池化层1、卷积层2(卷积核个数为1、卷积核大小为1、步长为1)、池化层2,神经元连接随机组断层的阻断概率等于0.5,改变张量的形状后传入两层全连接层并且最终输出预测数据。
步骤3:训练LSTMC混合网络。用Keras高层接口Keras.Model.fit()方法进行模型的训练。首先进行网络的前向传播,传入一个批次的时间序列数据,通过双向LSTM层提取数据在时间上的特征,然后经过卷积层1,来提取第一次数据的空间特征,紧接着又进入卷积层2进一步提取数据的空间特征。接下来由神经元连接随机组断层将神经元随机阻断以提高网络泛化性能。由于要将数据最终传入全连接层中,因此需要将形状为(b,2,50,1)的数据转换为形状为(b,100)的数据,所以使用展平层改变数据形状。最后经过两层全连接层进行预测。
根据预测值与标签值,再通过Adam优化器进行反向传播,最终找到一个批次的船舶横摇预测的最优解,并得到评价指标MSE、MAPE,最后选择最优的一次模型参数进行保存。
步骤4:经过步骤3后得到混合网络的模型参数,把新的船舶数据传入到训练好混合网络中去,得到船舶的横摇预测数据。
本发明利用LSTMC混合网络进行训练,与单一LSTM模型相比较,LSTMC混合网络模型的性能、逼近效果均以及收敛速度和拟合精度均能得到显著的提高,且训练过程更加平稳。
Claims (3)
1.一种基于LSTMC混合网络的船舶横摇预测方法,其特征在于,包括如下步骤:
步骤1:使用Pandas读取数据集数据并进行数据的预处理,每10步数据为一组,前8步的数据作为训练数据用于拟合网络参数,第9、10步的数据作为预测数据,每一组训练数据及其预测数据为一个训练样本,64个训练样本为一个批次,将大地风速、船舶姿态角及其角速度数据传入网络进行训练;
步骤2:搭建LSTMC混合网络;使用Keras高层接口Keras.Model.compile()方法进行模型的装配,设置参数Epoch=30,Batch size=64,优化器为Adam,评价指标器为MSE、MAPE;
步骤3:训练LSTMC混合网络;用Keras高层接口Keras.Model.fit()方法进行模型的训练,设置保存评价指标MSE、MAPE最优的一次模型参数;
步骤4:经过步骤3后得到混合网络的模型参数,把新的船舶姿态数据传入到训练好的混合网络中去,得到预测的船舶姿态数据。
2.根据权利要求1所述的一种基于LSTMC混合网络的船舶横摇预测方法,其特征在于,所述步骤2中的LSTMC混合网络包括一层双向LSTM网络、两层卷积层、两层最大池化层、两层全连接层,一层神经元连接随机组断层,双向LSTM层提取数据的时间特征,两层卷积层提取数据的空间特征。
3.根据权利要求2所述的一种基于LSTMC混合网络的船舶横摇预测方法,其特征在于,所述双向LSTM网络神经元个数为:第一层64,第二层100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226036.1A CN112948969B (zh) | 2021-03-01 | 2021-03-01 | 一种基于lstmc混合网络的船舶横摇预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226036.1A CN112948969B (zh) | 2021-03-01 | 2021-03-01 | 一种基于lstmc混合网络的船舶横摇预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112948969A true CN112948969A (zh) | 2021-06-11 |
CN112948969B CN112948969B (zh) | 2022-07-15 |
Family
ID=76246934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226036.1A Active CN112948969B (zh) | 2021-03-01 | 2021-03-01 | 一种基于lstmc混合网络的船舶横摇预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948969B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180181860A1 (en) * | 2015-06-26 | 2018-06-28 | Sentiance Nv | Deriving movement behaviour from sensor data |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
US20190354644A1 (en) * | 2018-05-18 | 2019-11-21 | Honeywell International Inc. | Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
CN111310965A (zh) * | 2019-10-30 | 2020-06-19 | 北京航空航天大学 | 一种基于lstm网络的飞行器航迹预测方法 |
CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
-
2021
- 2021-03-01 CN CN202110226036.1A patent/CN112948969B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180181860A1 (en) * | 2015-06-26 | 2018-06-28 | Sentiance Nv | Deriving movement behaviour from sensor data |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
US20190354644A1 (en) * | 2018-05-18 | 2019-11-21 | Honeywell International Inc. | Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
CN110232319A (zh) * | 2019-05-07 | 2019-09-13 | 杭州电子科技大学 | 一种基于深度学习的船舶行为识别方法 |
CN111310965A (zh) * | 2019-10-30 | 2020-06-19 | 北京航空航天大学 | 一种基于lstm网络的飞行器航迹预测方法 |
CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及系统 |
CN113837454B (zh) * | 2021-09-09 | 2024-04-23 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112948969B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112684701A (zh) | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 | |
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
CN114021441A (zh) | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 | |
CN110472738A (zh) | 一种基于深度强化学习的无人艇实时避障算法 | |
CN113837454A (zh) | 一种船舶三自由度的混合神经网络模型预测方法及系统 | |
CN113156815A (zh) | 一种数据驱动的海上船舶运动姿态实时预报方法 | |
CN112949579A (zh) | 一种基于密集卷积块神经网络的目标融合检测系统及方法 | |
CN112488294A (zh) | 一种基于生成对抗网络的数据增强系统、方法和介质 | |
CN112948969B (zh) | 一种基于lstmc混合网络的船舶横摇预测方法 | |
CN111488979A (zh) | 设备上持续学习用于分析输入数据的神经网络的方法及装置 | |
CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
CN113408340A (zh) | 基于增强型特征金字塔的双极化sar小型船只检测方法 | |
CN112560624A (zh) | 基于模型深度集成的高分遥感影像语义分割方法 | |
Zhang et al. | Trajectory prediction based on AIS and BP neural network | |
CN115268395A (zh) | 一种无人船艇编队自主航行能力测试方法及系统 | |
CN113705094A (zh) | 一种基于pso-gru的船舶燃油管道故障预测方法 | |
Yang et al. | An approach to ship behavior prediction based on AIS and RNN optimization model | |
CN116206214A (zh) | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质 | |
CN116280094A (zh) | 一种基于Conv-Bi-LSTM模型的船舶升沉运动预测系统及预测方法 | |
CN116341612A (zh) | 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法 | |
CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
CN109448039A (zh) | 一种基于深度卷积神经网络的单目视觉深度估计方法 | |
CN115470957A (zh) | 基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质 | |
CN117408372A (zh) | 一种基于深度学习的船舶轨迹预测方法与系统 | |
CN116700269A (zh) | 考虑环境扰动和多目标约束的无人艇路径规划方法及系统 |
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 |