CN116738187A - 基于人工智能的船舶燃气功率动态预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的船舶燃气功率动态预测方法及系统，属于数据处理技术领域，所述方法包括：按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；计算出各影响因素时间序列与燃气功率的关联度；基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列对应的船舶燃气功率受迫因子；基于此，设定EMA算法中的平滑因子，以对EMA算法进行改进；基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。本发明可自适应地选择对数据的敏感程度，提高预测精度。

Description

基于人工智能的船舶燃气功率动态预测方法及系统

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于人工智能的船舶燃气功率动态预测方法及系统。

背景技术

船舶燃气功率是指船舶使用燃气发动机或燃气涡轮发动机时所产生的功率，通过准确的计算船舶燃气功率，可进一步评估船舶在不同负荷情况下的动力输出情况、还可预测不同工况的燃料消耗，为船舶的运营成本以及船舶经济性评估提供重要参考。此外，燃气功率是计算船舶在不同负荷和航行条件下的最大速度、巡航速度等关键性能参数的重要指标，因此，对船舶燃气功率进行动态预测，得到船舶燃气功率在不同时刻的预测值，具有极其重要的现实意义。

船舶在海面航行过程中，海况以及风力都会影响船舶燃气功率的变化，当海上因风产生海浪时，船舶在海浪区域行驶的这段时间内，燃气消耗率会产生较大的跃升，进而导致船舶燃气功率跃升。而海况以及风力等因素的变化是不规律的，这也导致船舶的燃气功率无法一概而论。

目前，一般采用时间序列算法实现船舶燃气功率预测，但由于船舶燃气功率的影响因素的变化是不规律的，因此造成了预测算法复杂繁琐，且无法适应新数据中出现的异常值，从而无法满足船舶燃气功率的动态精准预测需求。

发明内容

本发明提供了一种基于人工智能的船舶燃气功率动态预测方法及系统，以解决现有的船舶燃气功率预测算法复杂繁琐，且无法适应新数据中出现的异常值，从而无法满足船舶燃气功率的动态精准预测需求的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于人工智能的船舶燃气功率动态预测方法，所述基于人工智能的船舶燃气功率动态预测方法包括：

按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；

计算出各影响因素时间序列与燃气功率的关联度；

基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；

基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；

基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。

进一步地，所述按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列，包括：

按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值；

对采集到的船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值进行数据清洗，以去除异常值、噪声和缺失值；

利用清洗后的数据，构建燃气功率时间序列以及各影响因素时间序列。

进一步地，所述计算出各影响因素时间序列与燃气功率的关联度，包括：

基于燃气功率时间序列和各影响因素时间序列，使用基于灰色关联度理论的灰色关联度法，计算出各影响因素时间序列与燃气功率的关联度。

进一步地，所述基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子，包括：

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数；

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度；

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的突变情况，计算出序列对应的Hurst指数；

基于待计算船舶燃气功率受迫因子的影响因素时间序列的Hurst值与偏差激变度，获得序列对应的船舶燃气功率受迫因子。

进一步地，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数，包括：

针对待计算船舶燃气功率受迫因子的第i个影响因素时间序列，计算出序列中的每一时刻的偏差幅度，以及所有时刻的数据均值；其中，i=1,2,…,n；n表示影响因素时间序列的个数；

针对第i个影响因素时间序列中第j个时刻，计算其前/>时刻的所有时刻的偏差幅度均值/>，以及后/>时刻的所有时刻的偏差幅度均值/>；其中，/>为预设值；j=3,4,5,…,/>；/>为第i个影响因素时间序列中的数据个数；

计算出时的数据与/>之间的差的绝对值/>；

计算出时的数据所对应的偏差激变指数，公式为：

；

式中，表示/>时的数据所对应的偏差激变指数。

进一步地，所述偏差幅度的计算方式为：

针对第i个影响因素时间序列中第j个时刻，计算出/>对应的数据与第j-1个时刻的数据之差的绝对值/>，以及第j-1个时刻的数据与第j-2个时刻的数据之差的绝对值；然后计算出/>与/>的均值，作为/>对应的偏差幅度。

进一步地，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度，包括：

将待计算船舶燃气功率受迫因子的影响因素时间序列分为三个周期；

基于序列中各时刻的偏差激变指数获得各个周期对应的偏差激变均值，以及序列中各周期中包含的各偏差激变指数的熵；

根据待计算船舶燃气功率受迫因子的影响因素时间序列中各周期的偏差激变均值以及各偏差激变指数的熵，获得序列的偏差激变度，公式为：

其中，表示第i个影响因素时间序列的偏差激变度；/>、/>以及分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期的偏差激变均值；/>、/>以及/>分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期中包含的各偏差激变指数的熵。

进一步地，所述船舶燃气功率受迫因子的计算公式为：

；

式中，表示第i个影响因素时间序列对应的船舶燃气功率受迫因子；/>表示第i个影响因素时间序列的/>指数；/>表示第i个影响因素时间序列的偏差激变度；/>(.)表示归一化函数。

进一步地，所述基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，包括：

计算出各影响因素序列的船舶燃气功率受迫因子之和；

基于，结合各影响因素时间序列与燃气功率的关联度，计算EMA算法中的平滑因子的值/>，公式为：

；

式中，表示第i个影响因素时间序列与燃气功率的关联度；/>均为预设的常数系数；n表示影响因素时间序列的个数，/>(.)表示归一化函数。

另一方面，本发明还提供了一种基于人工智能的船舶燃气功率动态预测系统，所述基于人工智能的船舶燃气功率动态预测系统包括：

数据采集模块，用于按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；

关联度计算模块，用于计算出各影响因素时间序列与燃气功率的关联度；

燃气功率受迫因子计算模块，用于基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；

EMA算法平滑因子设定模块，用于基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；

船舶燃气功率预测模块，用于基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。

本发明提供的技术方案带来的有益效果至少包括：

本发明通过分析船舶燃气功率的影响因素，构建影响因素序列，根据影响因素序列中的数值突变情况构建偏差激变指数，随后结合影响因素序列的Hurst指数，获得各影响因素序列的船舶燃气功率受迫因子，然后通过船舶燃气功率受迫因子，结合影响因素序列与燃气功率的关联度，改进传统EMA算法的平滑因子，使改进后的EMA算法可对每一时刻的EMA预测值自适应地选择对历史数据或新数据的敏感程度，实现基于人工智能的船舶燃气功率动态预测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的基于人工智能的船舶燃气功率动态预测方法的执行流程示意图；

图2是本发明第二实施例提供的基于人工智能的船舶燃气功率动态预测系统的框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例：

针对现有的船舶燃气功率预测算法复杂繁琐，且无法适应新数据中出现的异常值，从而无法满足船舶燃气功率的动态精准预测需求的技术问题，本实施例提供了一种基于人工智能的船舶燃气功率动态预测方法，旨在收集船舶燃气功率以及影响因素数据，并对其进行分析，构建船舶燃气功率受迫因子，改进EMA算法的平滑因子，使改进后的EMA算法可自适应地选择对历史数据或新数据的敏感程度，实现基于人工智能的船舶燃气功率动态预测。

该方法的执行流程如图1所示，包括以下步骤：

S1，按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列。

具体地，在本实施例中，上述S1的实现过程如下：

S11，在船舶的发动机、甲板以及周围船体上安装传感器，通过传感器连接到船舶的数据记录仪，通过读取相应的传感器信号获取实时的燃气功率数据和多个影响因素数据，并将这些数据作为检测船舶航行状态的基础数据，每隔预设周期之后对传感器进行一次数据收集。

其中，影响因素数据可以包括风力数据和海浪平稳程度等；每个传感器获取个时刻的数值后，本实施例根据这些数值对/>时刻的燃气功率值进行预测。其中，本实施例根据经验，将周期值设为2min，将/>的值设为100。

S12，对采集到的船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值进行数据清洗，以去除异常值、噪声和缺失值，以避免数据中出现异常值或数据不一致性的情况；其中，数据清洗为公知技术，故在此不再赘述。

S13，利用清洗后的数据，构建燃气功率时间序列以及各影响因素时间序列。

S2，计算出各影响因素时间序列与燃气功率的关联度。

具体地，本实施例基于燃气功率时间序列和各影响因素时间序列，使用基于灰色关联度理论的灰色关联度法，计算出各影响因素时间序列与燃气功率的关联度；其中，关联度越大，表示相应因素对燃气功率的影响程度越大。

S3，基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子。

其中，需要说明的是，由于EMA算法更加关注最新数据，能够快速反映数据的变化和趋势，且能够平滑数据，能够契合的满足海况、风力因素多变情况。因此，本实施例选择使用EMA算法实现燃气功率动态预测。但由于船舶在航行过程中，风力以及海浪的影响因素是多变的，使用EMA算法为基础进行预测时，当风力、海浪影响因素产生影响时，船舶的燃气功率也会随之而改变；当风力趋于平稳，海面趋于平和时，船舶在这种情况下的燃气功率也会趋于一个稳定值，当平滑因子较大时，会使得EMA算法较敏感于最新数据，但也会受异常点或噪声点的干扰较大；反之，平滑因子较小时，会使得EMA算法对历史数据较为重视，能够平滑数据并减少噪音，但对最新数据的反应相对较慢。因此，需通过数据分析，改进EMA算法的平滑因子，以获得更准确的预测结果。

具体地，在本实施例中，上述S3的实现过程如下：

S31，针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数；

其中，需要说明的是，当历史数据产生波动程度较大，波动不规律等情况时，根据未来历史数据对未来的船舶燃气功率进行预测时，需要使得预测值放缓适应新数据的速度，避免因噪声或异常值导致预测值脱离实际，之后，随着时间的推移，如果数据的波动性继续增强，则需要加快预测值适应新数据的速度，使得预测值能够对新数据的变化较为敏感，以便更精确的预测未来的数据，对此，本实施例按以下方式根据各影响因素时间序列获得各自的偏差激变指数。

S311，针对待计算船舶燃气功率受迫因子的第i个影响因素时间序列，计算出序列中的每一时刻的偏差幅度，以及所有时刻的数据均值；其中，i=1,2,…,n；n表示影响因素时间序列的个数，本实施例中的取值为2；偏差幅度的计算方式为：针对第i个影响因素时间序列中第j个时刻/>，计算出/>对应的数据与第j-1个时刻的数据之差的绝对值/>，以及第j-1个时刻的数据与第j-2个时刻的数据之差的绝对值/>；然后计算出/>与/>的均值，作为/>的偏差幅度。

S312，针对第i个影响因素时间序列中第j个时刻，计算出/>的前/>时刻的所有时刻的偏差幅度均值/>，以及/>的后/>时刻的所有时刻的偏差幅度均值/>；其中，/>为预设值，在本实施例中，其取值为2；j=3,4,5,…,/>；/>为第i个影响因素时间序列中的数据个数。

S313，计算出时的数据与/>之间的差的绝对值/>。

S314，计算出时的数据所对应的偏差激变指数，公式为：

；

式中，表示/>时的数据所对应的偏差激变指数。

其中，一个时刻的前后时刻的偏差幅度均值差距越大，表示相应序列的波动程度越大，波动的波峰差距越大，则该序列的偏差激变指数越大，需减弱预测值对于新数据的敏感程度。/>的值越大时，表示序列中此时刻的数值对应的前后变化程度越大，该序列对应的偏差幅度出现变化的趋势越显著；反之，该序列对应的偏差幅度出现变化的趋势越模糊。/>越大，表示相应时刻的数值与均值之间的差异度越大，该时刻的数值越有可能为异常值；反之/>越小，表示该时刻的数值与均值之间的差异度越小，该时刻的数值越不可能为异常值。

S32，针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度；具体计算过程如下：

为了对影响因素时间序列的偏差激变指数变化作进一步分析，确定数据波动状况，现将待计算船舶燃气功率受迫因子的影响因素时间序列分为三个周期，基于序列中各时刻的偏差激变指数获得对应各个周期的偏差激变均值，以及序列中各周期中包含的各偏差激变指数的熵；偏差激变均值越大，表示该周期序列中的偏差激变指数越大，对应的偏差幅度出现变化的趋势越显著。

根据待计算船舶燃气功率受迫因子的影响因素时间序列中三个周期的偏差激变均值以及各偏差激变指数的熵，获得该序列的偏差激变度，公式为：

其中，表示第i个影响因素时间序列的偏差激变度；/>、/>以及分别表示第i个影响因素时间序列中第一个周期、第二个周期和第三个周期的偏差激变均值；/>、/>以及/>分别表示第i个影响因素时间序列中第一个周期、第二个周期和第三个周期中包含的各偏差激变指数的熵；/>与/>的比值，以及/>与的比值越大，表示该序列对应的偏差幅度变化的幅度越明显。此时应使得预测值对新数据越敏感，尽快适应新数据的变化趋势，也即使EMA算法中的平滑因子增大。前后周期熵的差值越大，表示该序列中越靠后的周期数据波动程度越大；此时越应该增强对新数据的敏感程度，尽快适应新数据的变化趋势，也即使EMA算法中的平滑因子增大。

S33，针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的突变情况，计算出序列对应的Hurst指数；

其中，需要说明的是，Hurst指数作为一种用于衡量时间序列的长期记忆性质的统计量，可以判断时间序列的相关性。Hurst指数的取值范围在[0,1]之间，当Hurst指数小于0.5时，表示时间序列具有反持续性，即序列中的高值更有可能跟随低值，当Hurst指数大于0.5时，表示时间序列具有持续性，即序列中的高值更有可能跟随高值，低值更有可能跟随低值。

S34，基于待计算船舶燃气功率受迫因子的影响因素时间序列的Hurst值与偏差激变度，获得序列对应的船舶燃气功率受迫因子：

；

式中，表示第i个影响因素时间序列对应的船舶燃气功率受迫因子；/>表示第i个影响因素时间序列的/>指数；/>表示第i个影响因素时间序列的偏差激变度；/>(.)表示归一化函数。

其中，越大，/>越大，表示该序列对应的偏差幅度变化的幅度越明显，对应序列中的数据偏差激变指数，影响因素序列中的数据越呈现正相关关系，此时船舶燃气功率的受影响程度越大，为更精确的对未来时刻的船舶燃气功率进行预测，应提高对新数据的敏感程度，即提高EMA算法中的平滑因子大小。

同理，可获得各个影响因素时间序列的船舶燃气功率受迫因子。

S4，基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进。

具体地，在本实施例中，上述S4的实现过程如下：

S41，计算出各影响因素序列的船舶燃气功率受迫因子之和；

S42，基于，结合各影响因素时间序列对船舶燃气功率的关联度，计算EMA算法中的平滑因子的值/>，公式为：

；

式中，表示第i个影响因素时间序列对船舶燃气功率的关联度；/>均为常数系数，经验值分别为0.3，0.7，n为影响因素时间序列的个数，取值为2。

其中，越大，表示各个影响因素对船舶燃气功率的影响程度越大，船舶燃气功率受影响而改变的程度越大，此时为精确预测下一时刻船舶燃气功率值，需增强对新数据的敏感程度，即提高EMA算法中的平滑因子大小。

至此，实现EMA算法中的平滑因子改进。

S5，基于燃气功率时间序列，利用改进的EMA算法得到燃气功率预测结果。

其中，使用新的平滑因子之后，改进后的EMA算法可根据各影响因素时间序列对船舶燃气功率的影响程度自适应调整平滑因子的大小，使得船舶燃气功率时间序列在未来的动态预测过程中能够自适应地选择对新数据和历史数据的敏感程度，从而实现基于人工智能的船舶燃气功率动态精准预测。

综上，本实施例提供了一种基于人工智能的船舶燃气功率动态预测方法，该方法通过分析船舶燃气功率的影响因素，构建影响因素序列，根据影响因素序列中的数值突变情况构建偏差激变指数，随后结合影响因素序列的Hurst指数，获得各影响因素序列的船舶燃气功率受迫因子，然后通过船舶燃气功率受迫因子，结合影响因素序列与燃气功率的关联度，改进传统EMA算法的平滑因子，使改进后的EMA算法可对每一时刻的EMA预测值自适应地选择对历史数据或新数据的敏感程度，进而实现了基于人工智能的船舶燃气功率动态预测。

第二实施例：

本实施例提供了一种基于人工智能的船舶燃气功率动态预测系统，该基于人工智能的船舶燃气功率动态预测系统的结构如图2所示，包括以下模块：

数据采集模块，用于按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；

关联度计算模块，用于计算出各影响因素时间序列与燃气功率的关联度；

燃气功率受迫因子计算模块，用于基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；

EMA算法平滑因子设定模块，用于基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；

船舶燃气功率预测模块，用于基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。

本实施例的基于人工智能的船舶燃气功率动态预测系统与上述第一实施例的基于人工智能的船舶燃气功率动态预测方法相对应；其中，该基于人工智能的船舶燃气功率动态预测系统中的各功能模块所实现的功能与上述的基于人工智能的船舶燃气功率动态预测方法中的各流程步骤一一对应；故在此不再赘述。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，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、方法、物品或者终端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、方法、物品或者终端设备所固有的要素。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、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种基于人工智能的船舶燃气功率动态预测方法，其特征在于，包括：

按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；

计算出各影响因素时间序列与燃气功率的关联度；

基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；

基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；

基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。

2.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列，包括：

按照预设采样周期和频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值；

对采集到的船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值进行数据清洗，以去除异常值、噪声和缺失值；

利用清洗后的数据，构建燃气功率时间序列以及各影响因素时间序列。

3.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述计算出各影响因素时间序列与燃气功率的关联度，包括：

基于燃气功率时间序列和各影响因素时间序列，使用基于灰色关联度理论的灰色关联度法，计算出各影响因素时间序列与燃气功率的关联度。

4.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子，包括：

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数；

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度；

针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的突变情况，计算出序列对应的Hurst指数；

基于待计算船舶燃气功率受迫因子的影响因素时间序列的Hurst值与偏差激变度，获得序列对应的船舶燃气功率受迫因子。

5.如权利要求4所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的波动程度计算出序列中每一时刻的数据所对应的偏差激变指数，包括：

针对待计算船舶燃气功率受迫因子的第i个影响因素时间序列，计算出序列中的每一时刻的偏差幅度，以及所有时刻的数据均值；其中，i=1,2,…,n；n表示影响因素时间序列的个数；

针对第i个影响因素时间序列中第j个时刻，计算其前/>时刻的所有时刻的偏差幅度均值/>，以及后/>时刻的所有时刻的偏差幅度均值/>；其中，/>为预设值；j=3,4,5,…,/>；/>为第i个影响因素时间序列中的数据个数；

计算出时的数据与/>之间的差的绝对值/>；

计算出时的数据所对应的偏差激变指数，公式为：

；

式中，表示/>时的数据所对应的偏差激变指数。

6.如权利要求5所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述偏差幅度的计算方式为：

针对第i个影响因素时间序列中第j个时刻，计算出/>对应的数据与第j-1个时刻的数据之差的绝对值/>，以及第j-1个时刻的数据与第j-2个时刻的数据之差的绝对值/>；然后计算出/>与/>的均值，作为/>对应的偏差幅度。

7.如权利要求4所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述针对待计算船舶燃气功率受迫因子的影响因素时间序列，基于序列中数据的偏差幅度变化，计算出序列的偏差激变度，包括：

将待计算船舶燃气功率受迫因子的影响因素时间序列分为三个周期；

基于序列中各时刻的偏差激变指数获得各个周期对应的偏差激变均值，以及序列中各周期中包含的各偏差激变指数的熵；

根据待计算船舶燃气功率受迫因子的影响因素时间序列中各周期的偏差激变均值以及各偏差激变指数的熵，获得序列的偏差激变度，公式为：

其中，表示第i个影响因素时间序列的偏差激变度；/>、/>以及/>分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期的偏差激变均值；/>、/>以及/>分别表示第i个影响因素时间序列中的第一个周期、第二个周期和第三个周期中包含的各偏差激变指数的熵。

8.如权利要求4所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述船舶燃气功率受迫因子的计算公式为：

；

式中，表示第i个影响因素时间序列对应的船舶燃气功率受迫因子；/>表示第i个影响因素时间序列的/>指数；/>表示第i个影响因素时间序列的偏差激变度；(.)表示归一化函数。

9.如权利要求1所述的基于人工智能的船舶燃气功率动态预测方法，其特征在于，所述基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，包括：

计算出各影响因素序列的船舶燃气功率受迫因子之和；

基于，结合各影响因素时间序列与燃气功率的关联度，计算EMA算法中的平滑因子的值/>，公式为：

；

式中，表示第i个影响因素时间序列与燃气功率的关联度；/>均为预设的常数系数；n表示影响因素时间序列的个数，/>(.)表示归一化函数。

10.一种基于人工智能的船舶燃气功率动态预测系统，其特征在于，包括：

数据采集模块，用于按照预设采样周期和采样频率，采集船舶航行时的燃气功率和影响燃气功率的多种影响因素的实测值，得到燃气功率时间序列和各影响因素时间序列；

关联度计算模块，用于计算出各影响因素时间序列与燃气功率的关联度；

燃气功率受迫因子计算模块，用于基于各影响因素时间序列中数据的波动程度和突变情况，得到各影响因素时间序列的船舶燃气功率受迫因子；

EMA算法平滑因子设定模块，用于基于各影响因素时间序列的船舶燃气功率受迫因子和各影响因素时间序列与燃气功率的关联度，设定EMA算法中的平滑因子，以对EMA算法进行改进；

船舶燃气功率预测模块，用于基于燃气功率时间序列，利用改进的EMA算法，得到燃气功率预测结果。