CN116842474A - 一种基于tft模型的舰船运动极短期预报方法及系统 - Google Patents
一种基于tft模型的舰船运动极短期预报方法及系统 Download PDFInfo
- Publication number
- CN116842474A CN116842474A CN202310702738.1A CN202310702738A CN116842474A CN 116842474 A CN116842474 A CN 116842474A CN 202310702738 A CN202310702738 A CN 202310702738A CN 116842474 A CN116842474 A CN 116842474A
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- data
- motion
- model
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 235000014510 cooky Nutrition 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
Abstract
本发明属于船舶与海洋工程技术领域,公开了一种基于TFT模型的舰船运动极短期预报方法及系统。该方法基于舰船惯导系统记录的多工况条件下舰船运动数据,通过快速傅里叶变换得到的舰船运动功率谱并提取谱特征参数;将每种工况条件下的舰船航速、浪向角、海浪环境有义波高和特征周期作为时不变特征,将舰船六自由度运动时历、速度、加速度数据和风场信息、谱特征参数作为时变特征;以时不变特征与时变特征序列为输入,以待预报的目标舰船自由度运动时历序列为输出,构建舰船运动时历预报模型;使用舰船运动时历预报模型对未来一段时间的舰船运动时历进行预测。本发明提出可实现针对不同工况开展预报工作时的特征匹配,从而有效模型提升预报性能。
Description
技术领域
本发明属于船舶与海洋工程技术领域,尤其涉及一种基于TFT模型的舰船运动极短期预报方法及系统。
背景技术
舰船在复杂海域的航行与作业中由于受到复杂海浪环境的影响,舰船海上航行与作业时的安全时刻受到威胁,因此针对各类海上作业场景的水面作业决策技术需求日益迫切。对于海洋航行和海上作业等应用场景,舰船运动时历的精确预报对于舰船工作的安全和高效至关重要。然而,舰船运动受到许多因素的影响,使得预测舰船运动时历变得更加困难。随着时间序列预测技术的发展,舰船运动极短期预报成为了一种重要的研究方向。舰船运动极短期预报是一种通过对船舶当前或过去的运动状态与一些外部环境条件的测量,提前预测未来一段时间内船舶的运动姿态,为海上作业提供指导的技术。然而,在过去的研究中,船舶运动极短期预报通常基于物理学模型、经验公式推导或时间序列分析等方法,这些方法存在许多问题,例如需要大量人工干预和经验积累、预测不准确和自适应性差等。因此,为了提高舰船运动时历的预测准确度和自适应性,融合将时间序列预测技术应用于船舶运动极短期预报已成为当前的研究热点。
对于船舶运动极短期预报工作,现有的技术手段主要包括水动力学模型方法、时间序列分析方法和深度学习模型方法。
与本发明较为接近的方案有:一种基于AR-OLSSVR模型的船舶运动预报方法(中国发明专利,公开号CN114564694A,公开日2022.05.31),该方案基于AR模型与舰船历史运动数据构建船舶运动预报模型对船舶运动进行预报,在此基础上进一步构建OLSSVR模型对AR模型的预报误差进行修正,用船舶运动预报模型获得的船舶运动预报值和用OLSSVR模型获得的AR模型回归误差预报值对应相加,作为最终的船舶运动预报值;一种基于LSTM神经网络的船舶运动极短期预报方法及系统(中国发明专利,公开号CN113408711A,公开日2021.09.07),该方案基于LSTM神经网络的船舶运动极短期预报方法通过获取初始数据,初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据,然后将初始数据进行预处理,以生成有效初始数据,然后根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测,以生成多种预测结果,再将多种预测结果进行对比,以生成对比结果,并根据对比结果得到最终的预报结果信息,从而使得预测结果从多方面进行预测,并且将预测结果进行对比得到,各个预测结果之间的差异越小,说明预测结果更加可靠,从而提高了船舶运动极短期预报的准确性;一种数据驱动的海上船舶运动姿态实时预报方法(中国发明专利,公开号CN113156815B,公开日2022.05.20),该方案对横摇角纵摇角θ、首摇角ψ进行直接预报,对于纵向位置X、横向位置Y和首摇角ψ,首先预报纵荡速度u、横荡速度v和首摇角速度r,进而得到纵向位置X、横向位置Y和首摇角ψ的预报值,该方案利用实测的船舶运动状态时间序列信息,经过对该信息的信息挖掘和时间序列预报,且利用径向基函数神经网络的非线性拟合能力,得到更精确的海上船舶运动预报。
通过上述分析,现有技术存在的问题及缺陷为:目前已有的实现方案中,受预报模型自身结构的限制,对于时间序列中的缺失值和异常值的处理不够灵活,同时针对与舰船运动时历相关的非时间外部静态因素并未加以考虑,且这些预报模型多为黑箱模型,不具备可解释性。使得舰船运动时历的预测准确度和自适应性偏差。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于TFT模型的舰船运动极短期预报方法及系统。涉及舰船运动极短期预报方法;具体涉及一种基于时序特征融合的自注意力深度网络舰船运动极短期预报方法。
所述技术方案如下:基于TFT模型的舰船运动极短期预报方法,包括以下步骤:
S1,读取舰船运动时历数据,舰船运动时历数据包括舰船待预测自由度上的历史运动数据以及风浪流环境数据,当前舰船航速数据、浪向角数据、海况数据;
S2,根据输入的舰船运动时历数据,依据数据是否随时间变化,舰船运动时历数据是否连续分为时变连续特征、时不变连续特征与时变离散特征,对不同类型的舰船运动时历数据特征进行分类;时变连续特征包括舰船六自由度运动工况,时不变连续特征包括舰船航速、浪向角工况,时变离散特征包括海况工况;
S3,将待预测自由度上的历史运动数据进行快速傅里叶变换,获取舰船运动时历所对应的时历功率谱,依据时历功率谱的零阶矩、二阶矩和四阶矩计算有义值、平均周期和谱宽三个特征参数描述舰船运动时历频谱特征;
S4,将舰船运动时历频谱特征参数作为一列新的特征参数,与原始运动时历数据进行拼接,构建多模态时间序列特征矩阵;
S5,根据每个工况下多模态时间序列特征矩阵的总时长划分为训练集与测试集;
S6,将训练集与测试集传入到设定的TFT模型中,并设置相应的初始参数进行TFT模型训练,学习输入输出间映射关系,构建舰船运动时历预报模型;
S7,当TFT模型训练完成后,采用训练好的舰船运动时历预报模型对测试集数据进行预报验证,根据预报结果,输出多通道自注意力模块中不同特征输入和不同时间步输入对模型预报结果影响的重要性占比,获知TFT模型各项输入对最终预测结果影响权重的大小。
2、根据权利要求1所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S1中,舰船待预测自由度上的历史运动数据包括:垂荡、横摇、纵摇三自由度运动数据,海况与航速固定为五级海况零航速。
在步骤S2中,对不同类型的舰船运动时历数据特征进行分类包括:
0°浪向下,第一组组样本垂荡自由度上的数据记作:H1=[h1,h2…h22000],横摇自由度上的数据记作:R1=[r1,r2…r22000],纵摇自由度上的数据记作:P1=[p1,p2…p22000];所述浪向角记作A1;各组样本依次记作:[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19];
将[H1,H2…H19],[R1,R2…R19],[P1,P2…P19]标记为时变连续特征,将[A1,A2…A19]标记为时不变连续特征。
4、根据权利要求3所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S3中,将时变连续特征的[H1,H2…H19],[R1,R2…R19],[P1,P2…P19]分别进行快速傅里叶变换,求出每组时历数据对应的功率谱及零阶矩m0、二阶矩m2和四阶矩m4,并计算有义值 平均周期/>和谱宽/>三个特征参数描述舰船运动时历频谱特征。
步骤S3中,有义值与平均周期通过步骤S2中舰船运动时历数据的统计结果获得。
在步骤S4中,将舰船运动时历频谱特征的参数标记为时不变连续特征,并与[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19]组合为19组多模态时间序列特征矩阵,第一组样本中,矩阵的每一列依次为:/>
在步骤S5中,训练集与测试集占比为4:1;具体包括:
将每组样本的前20000列数据作为训练集,分别记为:
后2000列数据为测试集,分别记为:
在步骤S6中,设置相应的初始参数进行TFT模型训练包括:
输入时长lookback、输出时长lookahead;TFT模型的输入为过去lookback时长的多模态时历数据,输出为舰船待预测自由度上未来lookahead时长的运动数据。
进一步,所述TFT模型的输入步长设定为30,输出步长设定为24,将训练集与测试集传入到TFT模型中开始训练,训练集中的映射关系为:
Train1,Train2…Train30→h31,h31…h54
Train2,Train3…Train31→h32,h33…h55
…
Train19947,Train19948…Train19976→h19977,h19978…h20000。
本发明的另一目的在于提供一种基于TFT模型的舰船运动极短期预报系统,实施所述基于TFT模型的舰船运动极短期预报方法,该系统包括:
舰船运动功率谱获取模块,用于基于舰船惯导系统记录的多工况条件下舰船运动数据,通过快速傅里叶变换得到的舰船运动功率谱并提取谱特征参数;
舰船运动时历预报模型构建模块,用于将每种工况条件下的舰船航速、浪向角、海浪环境有义波高和特征周期作为时不变特征,将舰船六自由度运动时历、速度、加速度数据和风场信息、谱特征参数作为时变特征;以所述时变特征序列为输入,以待预报的目标舰船自由度运动时历序列为输出,训练TFT模型学习输入与输出间的映射关系,构建舰船运动时历预报模型;
预报结果获取模块,用于使用舰船运动时历预报模型对未来一段时间的舰船运动时历进行预测,根据预测结果输出不同特征输入和不同时间步输入对模型预报结果影响的重要性占比。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提出一种基于时序特征融合的自注意力深度网络(Temporal Fusion Transformers,TFT)舰船运动时历预报方法。该方法是一种基于深度学习模型的舰船运动极短期方法,TFT模型可在接收在多工况运动时历输入的同时融合相应的时不变特征参数辅助模型进行训练,以便于模型实现针对不同工况开展预报工作时的特征匹配,从而有效模型提升预报性能。
本发明基于TFT模型对舰船运动时历开展预报,TFT模型采用了模块化的设计,可以根据不同的数据集自由组合不同的模块,直接对多维时间序列进行建模。TFT模型通过对时序数据进行分解,将时变和时不变的特征分离,分别由LSTM-Encoder和Static-Encoder编码,LSTM-Encoder处理时变的序列信息,Static-Encoder处理时不变的序列信息。两者的输出通过Temporal Attention模块融合,然后送入LSTM-Decoder中预测未来时序。该结构使得对非时间外部静态因素的利用成为可能。另一方面,TFT模型引入了多通道的自注意力机制,能够对多维时间序列进行建模并捕捉它们之间的交互关系,并对每个时间步的输入特征进行自适应地选择,使得模型对预测结果的影响更易于解释。
作为本发明的积极效果,还体现在以下几个重要方面:本发明转化后将应用于军舰或民用舰之上,可有效提高各类舰船在海上作业时的安全性。本发明有助于打破国外技术封锁,提高国内在舰船运动极短期预报技术方面的自主性与竞争力。本发明实现了对多模态时间序列数据的利用,有效提高了舰船运动极短期预报模型对环境信息的辨识能力。实现了对不同特征输入和不同时间步输入对模型预报结果影响的重要性占比分析,使舰船运动极短期预报模型具备一定的可解释性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于TFT模型的舰船运动极短期预报方法流程图;
图2是本发明实施例2提供的基于TFT模型的舰船运动极短期预报方法原理图;
图3是本发明实施例4提供的某船型五级海况零航速下0°~180°浪向的模拟数据作为总数据集部分样本片段示意图;
图4是本发明实施例4提供的提前6s的舰船垂荡运动预报结果图;
图5是本发明实施例4提供的提前12s的舰船垂荡运动预报结果图;
图6是本发明实施例提供的基于TFT模型的舰船运动极短期预报系统示意图;
图中:1、舰船运动功率谱获取模块;2、舰船运动时历预报模型构建模块;3、预报结果获取模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,本发明实施例提供的基于TFT模型的舰船运动极短期预报方法包括:
首先,基于舰船惯导系统记录的多工况条件下舰船运动数据,通过快速傅里叶变换得到的舰船运动功率谱并提取谱特征参数;
然后,将每种工况条件下的舰船航速、浪向角、海浪环境有义波高和特征周期作为时不变特征,将舰船六自由度运动时历、速度、加速度数据和风场信息、谱特征参数作为时变特征;以所述时变特征序列为输入,以待预报的目标舰船自由度运动时历序列为输出,训练TFT模型学习输入与输出间的映射关系,构建舰船运动时历预报模型;
最后,使用舰船运动时历预报模型对未来一段时间的舰船运动时历进行预测,根据预测结果输出不同特征输入和不同时间步输入对TFT模型预报结果影响的重要性占比,使模型具备一定的可解释性。
实施例2,作为本发明的另一种实施方式,如图1所示,本发明实施例提供的基于TFT模型的舰船运动极短期预报方法包括:
S1,读取舰船运动时历数据,舰船运动时历数据应至少包含舰船一个待预测自由度上的历史运动数据;
除此之外,舰船运动时历数据还可以包含除待预测自由度外,其他自由度上的历史运动数据,风浪流等环境数据,以及当前舰船航速、浪向角、海况等工况数据。
S2,根据输入的舰船运动时历数据,对不同类型的舰船运动时历数据特征进行分类;
依据数据是否随时间变化与舰船运动时历数据是否连续分为时变连续特征(如舰船六自由度运动数据)、时不变连续特征(如舰船航速、浪向角)与时变离散特征(如海况);所述数据包括:待预测自由度上的历史运动数据,以及其他自由度上的历史运动数据,风浪流等环境数据,以及当前舰船航速、浪向角、海况等工况数据;
S3,将待预测自由度上的历史运动数据进行快速傅里叶变换,获取舰船运动时历所对应的时历功率谱;
依据时历功率谱的零阶矩m0、二阶矩m2和四阶矩m4,计算有义值 平均周期/>和谱宽/>三个特征参数描述舰船运动时历频谱特征。作为另一种可能的实施例,舰船运动时历频谱特征中的有义值与平均周期也可通过步骤S2舰船运动时历数据的统计结果获得。
S4,将舰船运动时历频谱特征参数作为一列新的特征参数,与原始运动时历数据进行拼接,构建多模态时间序列特征矩阵;
并对多模态时间序列特征矩阵中的每一种数据特征依据步骤S2中的分类方法进行标注,其中频谱特征参数应标注为时不变连续特征。
S5,根据每个工况下多模态时间序列特征矩阵的总时长将其划分为训练集与测试集两部分;
其中训练集占比为80%、测试集占比为20%。
作为另一种可能的实施例,训练集与测试集的划分不必严格按照80%与20%的比例划分。
S6,将训练集与测试集传入到设定的TFT模型中,并设置相应的初始参数进行TFT模型训练;
初始参数包括输入时长lookback、输出时长lookahead。TFT模型的输入为过去lookback时长的多模态时历数据,输出为舰船待预测自由度上未来lookahead时长的运动数据。TFT模型的训练过程,即为构建输入输出间映射关系的过程。可构建舰船运动时历预报模型。
S7,当TFT模型训练完成后,可采用训练好的舰船运动时历预报模型对测试集数据进行预报验证;
根据预报结果,舰船运动时历预报模型可以输出多通道自注意力模块中不同特征输入和不同时间步输入对模型预报结果影响的重要性占比,从而获知模型各项输入对最终预测结果影响权重的大小,从而为模型提供一定的可解释性。
如图2所示,本发明实施例提供的基于TFT模型的舰船运动极短期预报方法原理。
可以理解,传统的舰船运动极短期预报方法,在构建历史时历数据到未来运动数据的过程中无法考虑除时变数据外的其他数据特征。本发明基于TFT模型构建舰船运动极短期预报模型,在模型的训练过程中主要考虑舰船各自由度运动时历历史数据、风场环境变化历史数据等时变特征,除此之外还可以利用舰船当前的航态数据、海况信息及运动时历频谱特征等时不变特征帮助预报模型对舰船的不同工况进行辨识,从而提高有效预报模型针对不同工况的泛化能力与预报时长,避免传统舰船运动极短期预报模型中泛化性不足与预报时长较短的不足。
本发明通过舰船待预测自由度上运动功率谱的零阶矩m0、二阶矩m2和四阶矩m4,并计算有义值平均周期/>和谱宽/> 分别计算得到有义值、平均周期和谱宽三个特征参数,
以上述频谱特征参数描述舰船运动时历频谱特征,并将这三个频谱特征参数视为连续时不变特征,输入到神经网络内,辅助舰船运动极短期预报模型进行训练。
本发明创新的提出,使用以上三个参数描述舰船运动时历频谱特征,并作为舰船运动时历预报模型的输入。
本发明通过舰船运动极短期预报模型中的多通道自注意力模块对多维时间序列进行建模,采用attention机制分析不同维度的序列之间的交互关系,对每个时间步的输入特征进行自适应选择,并计算不同特征输入和不同时间步输入对模型预报结果影响的重要性占比,得到各类特征对最终预测结果的影响权重大小,使舰船运动极短期预报模型具备可解释性。
实施例3,作为本发明的另一种实施方式,本发明实施例提出一种基于TFT模型的舰船运动极短期预报方法,最终目的为以过去15s的舰船垂荡、横摇、纵摇三自由度运动时历为输入,结合舰船当前浪向角,预报未来12s的舰船垂荡运动,构建舰船运动极短期预报模型,海况与航速固定为五级海况零航速。
选取某船型五级海况零航速下0°-180°浪向的模拟数据作为总数据集,以10°为间隔挑选0°、10°……180°共19组数据作为训练样本,每组样本的数据总时长为11000s,时间步长为0.5s,图3为某船型五级海况零航速下0°-180°浪向的模拟数据作为总数据集部分样本片段示意图。
该案例中为了便于说明,将工况条件中的海况与航速设置为固定值,仅选取了浪向角作为可变值。在其他应用场景中,海况和航速也可以作为一种可变值输入到模型当中,其中航速通常用X节或X米/秒来表示,海况通常用有义波高X米与特征周期X秒两个参数来表示。
实施例4,具体包括以下步骤:
步骤I:读取舰船运动时历数据,本案例中舰船运动时历数据包括垂荡、横摇、纵摇三自由度运动数据,以及舰船对应浪向角工况信息。其中针对第一组组样本(0°浪向),第一组组样本垂荡自由度上的数据记作:H1=[h1,h2…h22000],横摇自由度上的数据记作:R1=[r1,r2…r22000],纵摇自由度上的数据记作:P1=[p1,p2…p22000];所述浪向角记作A1;各组样本依次记作:[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19];
步骤II:将[H1,H2…H19],[R1,R2…R19],[P1,P2…P19]标记为时变连续特征,将[A1,A2…A19]标记为时不变连续特征。
可以理解,步骤I-步骤II该部分内容为对输入数据的一种处理方法,现有的舰船极短期预报技术中,其输入中只涉及到时变类型的特征,而不包含浪向角或其他时不变特征。
步骤III:将[H1,H2…H19]分别进行快速傅里叶变换,求出每组时历数据对应的功率谱及其零阶矩m0、二阶矩m2和四阶矩m4,并计算有义值平均周期和谱宽/>三个特征参数描述舰船运动时历频谱特征,各组频谱特征参数依次记作:/>
步骤IV:将舰船运动时历频谱特征的参数标记为时不变连续特征,并与[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19]组合为19组多模态时间序列特征矩阵,第一组样本中,矩阵的每一列依次为:/>
步骤V:将每组样本的前20000列数据作为训练集,分别记为:
后2000列数据为测试集,分别记为:
可以理解,步骤V该部分内容为一种数据集划分方法,由于该技术中模型的输入内容与现有技术有所不同,所以训练集与测试集中包含的内容亦有所不同。训练集以测试集的长度为4:1,根据实际应用时的数据集大小可进行相应的调整。
步骤VI:将模型的输入步长设定为30(即15s),输出步长设定为24(即12s),然后将训练集与测试集传入到模型中开始训练,训练集中的映射关系为:
Train1,Train2…Train30→h31,h31…h54
Train2,Train3…Train31→h32,h33…h55
…
Train19947,Train19948…Train19976→h19977,h19978…h20000。
可以理解,步骤VI该部分内容为一种模型映射关系的设定方法,该案例中设定为输入过去30步数据对未来24步数据进行预报,根据实际应用场景的不同,输入与输出的长度都可以进行调整。
步骤VII:采用五级海况零航速下45°浪向的模拟数据验证训练完成后的舰船运动极短期预报模型的预报效果,将该组数据采用步骤I至步骤IV的方式进行处理。将处理后的数据每30步一组依次调用舰船运动极短期预报模型进行预报,得到最终的预报结果,如图4提前6s的舰船垂荡运动预报结果、图5提前12s的舰船垂荡运动预报结果。
实施例5,如图6所示,本发明实施例提供的基于TFT模型的舰船运动极短期预报系统包括:
舰船运动功率谱获取模块1,用于基于舰船惯导系统记录的多工况条件下舰船运动数据,通过快速傅里叶变换得到的舰船运动功率谱并提取谱特征参数;
舰船运动时历预报模型构建模块2,用于将每种工况条件下的舰船航速、浪向角、海浪环境有义波高和特征周期作为时不变特征,将舰船六自由度运动时历、速度、加速度数据和风场信息、谱特征参数作为时变特征;以所述时变特征序列为输入,以待预报的目标舰船自由度运动时历序列为输出,训练TFT模型学习输入与输出间的映射关系,构建舰船运动时历预报模型;
预报结果获取模块3,用于使用舰船运动时历预报模型对未来一段时间的舰船运动时历进行预测,根据预测结果输出不同特征输入和不同时间步输入对模型预报结果影响的重要性占比,使模型具备一定的可解释性。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
为进一步证明上述实施例的积极效果,本发明基于上述技术方案进行如下实验。
目前有以下几种比较接近的现有舰船极短期运动预报技术与本发明较为接近,包括:一种基于AR-OLSSVR模型的船舶运动预报方法、一种基于LSTM神经网络的船舶运动极短期预报方法及系统、一种数据驱动的海上船舶运动姿态实时预报方法。
AR-OLSSVR模型技术主要依靠AR模型进行运动预报,再使用OLSSVR模型对误差进行修正,但AR模型是一种线性的预报模型,而舰船在海浪中的运动,特别是高海况下运动有着较强的非线性特征,故该模型在高海况下的预报结果有着较大的误差。本方案中基于时序特征融合的自注意力深度网络内部包含多种非线性激活函数,可对强非线性序列做出较好的拟合。
LSTM神经网络和数据驱动预报方法作为典型的机器学习方法,构建的舰船运动极短期预报模型均为黑盒模型,黑盒模型只能实现从输入到输出的映射计算,而不能反映模型输入对模型输出的影响。另一方面,LSTM神经网络和数据驱动预报方法不能对舰船所处的工况环境做出辨识,存在鲁棒性与泛化性不足的问题。本方案中基于时序特征融合的自注意力深度网络中可通过多通道自注意力模块输出不同特征输入和不同时间步输入对模型输出影响的权重占比,一定程度上为模型提供了一定的可解释性,同时该方案中舰船所处的工况环境可作为时不变特征输入到模型当中,辅助模型对不同工况下的运动特征做出辨识,从而有效缓解了鲁棒性与泛化性问题。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于TFT模型的舰船运动极短期预报方法,其特征在于,该方法包括以下步骤:
S1,读取舰船运动时历数据,舰船运动时历数据包括舰船待预测自由度上的历史运动数据以及风浪流环境数据,当前舰船航速数据、浪向角数据、海况数据;
S2,根据输入的舰船运动时历数据,依据数据是否随时间变化,舰船运动时历数据是否连续分为时变连续特征、时不变连续特征与时变离散特征,对不同类型的舰船运动时历数据特征进行分类;时变连续特征包括舰船六自由度运动工况,时不变连续特征包括舰船航速、浪向角工况,时变离散特征包括海况工况;
S3,将待预测自由度上的历史运动数据进行快速傅里叶变换,获取舰船运动时历所对应的时历功率谱,依据时历功率谱的零阶矩、二阶矩和四阶矩计算有义值、平均周期和谱宽三个特征参数描述舰船运动时历频谱特征;
S4,将舰船运动时历频谱特征参数作为一列新的特征参数,与原始运动时历数据进行拼接,构建多模态时间序列特征矩阵;
S5,根据每个工况下多模态时间序列特征矩阵的总时长划分为训练集与测试集;
S6,将训练集与测试集传入到设定的TFT模型中,并设置相应的初始参数进行TFT模型训练,学习输入输出间映射关系,构建舰船运动时历预报模型;
S7,当TFT模型训练完成后,采用训练好的舰船运动时历预报模型对测试集数据进行预报验证,根据预报结果,输出多通道自注意力模块中不同特征输入和不同时间步输入对模型预报结果影响的重要性占比,获知TFT模型各项输入对最终预测结果影响权重的大小。
2.根据权利要求1所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S1中,舰船待预测自由度上的历史运动数据包括:垂荡、横摇、纵摇三自由度运动数据,海况与航速固定为五级海况零航速。
3.根据权利要求1所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S2中,对不同类型的舰船运动时历数据特征进行分类包括:
0°浪向下,第一组组样本垂荡自由度上的数据记作:H1=[h1,h2…h22000],横摇自由度上的数据记作:R1=[r1,r2…r22000],纵摇自由度上的数据记作:P1=[p1,p2…p22000];所述浪向角记作A1;各组样本依次记作:[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19];
将[H1,H2…H19],[R1,R2…R19],[P1,P2…P19]标记为时变连续特征,将[A1,A2…A19]标记为时不变连续特征。
4.根据权利要求3所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S3中,将时变连续特征的[H1,H2…H19],[R1,R2…R19],[P1,P2…P19]分别进行快速傅里叶变换,求出每组时历数据对应的功率谱及零阶矩m0、二阶矩m2和四阶矩m4,并计算有义值 平均周期/>和谱宽/>三个特征参数描述舰船运动时历频谱特征。
5.根据权利要求3所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S3中,有义值与平均周期通过步骤S2中舰船运动时历数据的统计结果获得。
6.根据权利要求3所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S4中,将舰船运动时历频谱特征的参数[Hs1,Hs2…Hs19],[ε1,ε2…ε19]标记为时不变连续特征,并与[H1,H2…H19],[R1,R2…R19],[P1,P2…P19],[A1,A2…A19]组合为19组多模态时间序列特征矩阵,第一组样本中,矩阵的每一列依次为:/>
7.根据权利要求1所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S5中,训练集与测试集占比为4∶1;具体包括:
将每组样本的前20000列数据作为训练集,分别记为:
后2000列数据为测试集,分别记为:
8.根据权利要求1所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,在步骤S6中,设置相应的初始参数进行TFT模型训练包括:
输入时长lookback、输出时长lookahead;TFT模型的输入为过去lookback时长的多模态时历数据,输出为舰船待预测自由度上未来lookahead时长的运动数据。
9.根据权利要求8所述的基于TFT模型的舰船运动极短期预报方法,其特征在于,所述TFT模型的输入步长设定为30,输出步长设定为24,将训练集与测试集传入到TFT模型中开始训练,训练集中的映射关系为:
Train1,Train2…Train30→h31,h31…h54
Train2,Train3…Train31→h32,h33…h55
…
Train19947,Train19948…Train19976→h19977,h19978…h20000。
10.一种基于TFT模型的舰船运动极短期预报系统,其特征在于,实施权利要求1-9任意一项所述基于TFT模型的舰船运动极短期预报方法,该系统包括:
舰船运动功率谱获取模块(1),用于基于舰船惯导系统记录的多工况条件下舰船运动数据,通过快速傅里叶变换得到的舰船运动功率谱并提取谱特征参数;
舰船运动时历预报模型构建模块(2),用于将每种工况条件下的舰船航速、浪向角、海浪环境有义波高和特征周期作为时不变特征,将舰船六自由度运动时历、速度、加速度数据和风场信息、谱特征参数作为时变特征;以所述时变特征序列为输入,以待预报的目标舰船自由度运动时历序列为输出,训练TFT模型学习输入与输出间的映射关系,构建舰船运动时历预报模型;
预报结果获取模块(3),用于使用舰船运动时历预报模型对未来一段时间的舰船运动时历进行预测,根据预测结果输出不同特征输入和不同时间步输入对模型预报结果影响的重要性占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702738.1A CN116842474B (zh) | 2023-06-14 | 2023-06-14 | 一种基于tft模型的舰船运动极短期预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702738.1A CN116842474B (zh) | 2023-06-14 | 2023-06-14 | 一种基于tft模型的舰船运动极短期预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842474A true CN116842474A (zh) | 2023-10-03 |
CN116842474B CN116842474B (zh) | 2024-07-02 |
Family
ID=88160878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310702738.1A Active CN116842474B (zh) | 2023-06-14 | 2023-06-14 | 一种基于tft模型的舰船运动极短期预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842474B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828306A (zh) * | 2024-03-01 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶运动频谱特征的数据样本扩充方法及系统 |
CN117851760A (zh) * | 2024-03-07 | 2024-04-09 | 青岛哈尔滨工程大学创新发展中心 | 一种基于频带预处理的波浪智能预报模型优化方法及系统 |
CN117893575A (zh) * | 2024-03-15 | 2024-04-16 | 青岛哈尔滨工程大学创新发展中心 | 图神经网络融入自注意力机制的船舶运动预报方法及系统 |
CN117909665A (zh) * | 2024-03-18 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756689B1 (en) * | 2006-02-28 | 2010-07-13 | The United States Of America As Represented By The Secretary Of The Navy | Numerical modeling of six-degree-freedom ship motion |
CN108805100A (zh) * | 2018-06-25 | 2018-11-13 | 大连理工大学 | 二维海况下基于波群特性的畸形波短期预报方法及应用 |
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 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 |
CN113408711A (zh) * | 2021-07-15 | 2021-09-17 | 武汉理工大学 | 一种基于lstm神经网络的船舶运动极短期预报方法及系统 |
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 |
CN114021441A (zh) * | 2021-10-28 | 2022-02-08 | 江苏科技大学 | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 |
CN114298382A (zh) * | 2021-12-13 | 2022-04-08 | 燕山大学 | 船体运动位姿极短期实时预报方法 |
CN116245244A (zh) * | 2023-03-08 | 2023-06-09 | 武汉理工大学 | 一种海流影响下船舶航迹极短期预报方法 |
-
2023
- 2023-06-14 CN CN202310702738.1A patent/CN116842474B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756689B1 (en) * | 2006-02-28 | 2010-07-13 | The United States Of America As Represented By The Secretary Of The Navy | Numerical modeling of six-degree-freedom ship motion |
CN108805100A (zh) * | 2018-06-25 | 2018-11-13 | 大连理工大学 | 二维海况下基于波群特性的畸形波短期预报方法及应用 |
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 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 |
CN113408711A (zh) * | 2021-07-15 | 2021-09-17 | 武汉理工大学 | 一种基于lstm神经网络的船舶运动极短期预报方法及系统 |
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 |
CN114021441A (zh) * | 2021-10-28 | 2022-02-08 | 江苏科技大学 | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 |
CN114298382A (zh) * | 2021-12-13 | 2022-04-08 | 燕山大学 | 船体运动位姿极短期实时预报方法 |
CN116245244A (zh) * | 2023-03-08 | 2023-06-09 | 武汉理工大学 | 一种海流影响下船舶航迹极短期预报方法 |
Non-Patent Citations (2)
Title |
---|
侯建军 等: "混沌理论和神经网络相结合的舰船摇荡运动极短期预报", 舰船科学技术, vol. 30, no. 01, 15 February 2008 (2008-02-15), pages 68 - 71 * |
赵希人, 彭秀艳, 沈艳, 谢美萍: "舰船运动极短期建模预报的研究现状", 船舶工程, no. 03, 24 June 2002 (2002-06-24), pages 2 - 6 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828306A (zh) * | 2024-03-01 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于船舶运动频谱特征的数据样本扩充方法及系统 |
CN117851760A (zh) * | 2024-03-07 | 2024-04-09 | 青岛哈尔滨工程大学创新发展中心 | 一种基于频带预处理的波浪智能预报模型优化方法及系统 |
CN117893575A (zh) * | 2024-03-15 | 2024-04-16 | 青岛哈尔滨工程大学创新发展中心 | 图神经网络融入自注意力机制的船舶运动预报方法及系统 |
CN117893575B (zh) * | 2024-03-15 | 2024-05-31 | 青岛哈尔滨工程大学创新发展中心 | 图神经网络融入自注意力机制的船舶运动预报方法及系统 |
CN117909665A (zh) * | 2024-03-18 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116842474B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842474B (zh) | 一种基于tft模型的舰船运动极短期预报方法及系统 | |
CN114519469B (zh) | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 | |
Mak et al. | Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning | |
US11487266B2 (en) | Method for recognizing contingencies in a power supply network | |
CN116842381A (zh) | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 | |
CN112598000A (zh) | 题目识别方法、装置、电子设备及计算机存储介质 | |
CN116861202B (zh) | 基于长短期记忆神经网络的船舶运动包络预报方法及系统 | |
KR102414640B1 (ko) | 조류 농도를 예측하는 방법 및 이를 수행하는 전자 장치 | |
CN115314412B (zh) | 一种面向运维的类型自适应的指标预测预警方法及装置 | |
CN117892886A (zh) | 基于置信区间的船舶运动极短期概率预报方法及系统 | |
CN117893575B (zh) | 图神经网络融入自注意力机制的船舶运动预报方法及系统 | |
CN117932273A (zh) | 一种融入时频分析的船舶运动长时预报方法及系统 | |
CN113946978A (zh) | 基于LightGBM模型的水下三维温盐并行预报方法 | |
CN117474184A (zh) | 一种动力学知识驱动的船舶航迹预测方法及系统 | |
Yu et al. | Online ship rolling prediction using an improved OS-ELM | |
Domala et al. | A Univariate and multivariate machine learning approach for prediction of significant wave height | |
CN114385619A (zh) | 一种多通道海洋观测时序标量数据缺失值预测方法及系统 | |
Tang et al. | A deep learning based sensor fusion method to diagnose tightening errors | |
CN118246348B (zh) | 海上浮标的轨迹重建方法 | |
CN117649528B (zh) | 一种半监督图像分割方法、系统、电子设备及存储介质 | |
CN111985484B (zh) | 基于cnn-lstm的温度仪表数字识别的方法及装置 | |
Yang et al. | LRG-Net: Lightweight Residual Grid Network for Modeling Electrical Induction Motor Dynamics | |
CN116307273B (zh) | 一种基于XGBoost算法的船舶运动实时预报方法及系统 | |
Liu et al. | A Prototype-Empowered Kernel-Varying Convolutional Model for Imbalanced Sea State Estimation in IoT-Enabled Autonomous Ship | |
CN115830405B (zh) | 一种标签化的用户能力画像分析方法及系统 |
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 |