CN117892886B - 基于置信区间的船舶运动极短期概率预报方法及系统 - Google Patents
基于置信区间的船舶运动极短期概率预报方法及系统 Download PDFInfo
- Publication number
- CN117892886B CN117892886B CN202410302145.0A CN202410302145A CN117892886B CN 117892886 B CN117892886 B CN 117892886B CN 202410302145 A CN202410302145 A CN 202410302145A CN 117892886 B CN117892886 B CN 117892886B
- Authority
- CN
- China
- Prior art keywords
- ship
- motion
- ship motion
- data
- confidence interval
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 298
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000005315 distribution function Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 85
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract description 4
- 101150080778 INPP5D gene Proteins 0.000 description 222
- 230000015654 memory Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 208000032370 Secondary transmission Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明属于船舶与海洋工程技术领域，公开了基于置信区间的船舶运动极短期概率预报方法及系统。该方法包括基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述所述船舶运动时历数据；然后将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；设定不同的置信水平，对船舶运动未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶海上作业信息。本发明采用拟合假定目标服从的概率分布函数参数直接对船舶运动不同置信水平下的置信区间预报，有效避免了分布预报中的误差积累和包络预报中的端点效应干扰。
Description
技术领域
本发明属于船舶与海洋工程技术领域，尤其涉及基于置信区间的船舶运动极短期概率预报方法及系统。
背景技术
随着海洋科考和海洋矿产资源开发等活动日趋频繁，船舶在复杂海域的航行与作业逐渐成为常态。由于受到复杂海浪环境的影响，船舶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，秒级至十秒级的船舶运动极短期预报对于船舶工作的安全和高效至关重要。然而，船舶在波浪中的运动会受到很多因素的影响，使得预测船舶运动时历变得更加困难。随着时间序列预测技术的发展，舰船运动范围预报成为了一种重要的研究方向。舰船运动范围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范围，为海上作业提供指导的技术。在过去的研究中，船舶运动范围预报通常基于时间序列分析方法或深度学习方法，通过对船舶运动时历包络线进行预报从而获得未来一段时间内的船舶运动范围。
发明专利《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》（公开号CN112684701A，公开日2021.04.20），该方案对某一自由度下的船舶运动历史数据进行归一化处理，形成船舶运动原始时间序列，将原始时间序列分为训练集和测试集，建立长短时记忆网络LSTM模型进行预测，得到第一次船舶运动的预测结果，重新构造数据集，建立高斯过程回归GPR模型进行预测，得到第二次船舶运动的预测结果，在获得高精度的点预测结果的同时还能得到具有概率分布意义的船舶运动区间预测结果；
中国发明专利《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》（公开日：20231010，公开号：CN116861202A），该方案根据船舶运动时历数据和船舶运动包络数据，建立人工神经网络模型，训练得到包络时历数据与运动时历数据的映射关系，然后再将得到的船舶运动包络时历数据输入到长短期记忆神经网络模型中，开展船舶运动包络预报。
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，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在对船舶运动时历置信区间进行预测时，分为两步进行，即在使用LSTM模型对船舶运动时历进行预测后再根据预测结果计算船舶运动时历分布区间，由于预报分布进行，该方法得到的预报结果存在误差积累，且该方法中的GPR模型只能以正态概率分布计算船舶运动的置信区间，不能切换为其他概率分布模型。
现有技术基于长短期记忆神经网络的船舶运动包络预报方法，同样是分为了两步对船舶运动范围进行预报，即在提取船舶运动包络线后再对该包络线进行预报，从而预测船舶运动范围。在提取船舶运动包络线的过程中，传统的三次样条拟合方法会受到端点效应的影响从而无法精确提取端点处的包络线，ANN方法在提取包络线的过程中同样会存在一定的误差，而包络预报模型对端点处数据的变化较为敏感，因此难以实现理想的预报效果。
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基于置信区间的船舶运动极短期概率预报方法及系统。
所述技术方案如下：基于置信区间的船舶运动极短期概率预报方法，该方法包括：
S1，基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
S2，将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
S3，设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。
在步骤S1中，所述船舶运动时历数据包括船舶待预测自由度上的历史运动数据及对应的时间戳，运动数据沿时间方向上均匀分布，对分布不均匀运动数据采用三次样条拟合方法对数据进行变采样，经变采样后，获取船舶运动时历数据转换频率的数据。
在步骤S2中，所述船舶运动置信区间预报模型选取一元高斯分布或Student-T分布两种概率分布模型作为船舶运动概率分布函数。
进一步，所述一元高斯分布的表达式为：
；
式中，为想要预测的下一时刻船舶运动；为正态分布的均值，表示概率分布的中心位置；为正态分布的标准差，用来度量数据的分散程度。
在步骤S2中，所述构建船舶运动置信区间预报模型包括：
（1）对船舶运动时历数据进行数据集划分，划分为训练集、验证集、测试集；
（2）将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练；
（3）当神经网络模型训练完成后，得到船舶运动置信区间预报模型，采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证。
在步骤（2）中，所述将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练包括：
（2.1）搭建循环神经网络架构，手动选择神经元搭建对应的循环神经网络架构，循环神经网络架构采用LSTM神经网络，将LSTM神经网络的输出的结果接入两个不同的全连接层Dense，得到拟合出的与，为正态分布的均值，表示概率分布的中心位置；为正态分布的标准差，用来度量数据的分散程度；标准差是正数，对的值使用softplus函数进行调整，表达式为：
；
；
式中，为均值关于的函数表达式，为标准差关于的函数表达式，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为输入到神经网络中的特征张量；
在误差反向传播过程中，由于将每一个样本映射为了与两个值，损失函数需要建立三个输入间的关系，为下一时刻的真实运动值；
设样本服从正态分布，则其似然函数为：
；
式中，为正态分布的似然函数，该函数是关于（）的函数；
取对数得到所需的损失函数，表达式为：
；
式中，为样本数量；
分别对求偏导，令偏导数为0，得到：
；
解得：
；
其中，与就是正态分布中与的最大似然估计；为的最大似然估计值，为样本均值；
（2.2）将数据集前30000个数据点作为训练集样本，以滑动窗口的方式构建训练集，需要以过去10s的船舶横摇运动时历为输入，预报未来12s的运动范围，故训练集的滑动窗口中应包含20个数据点，同时在数据集尾部预留24个数据点作为最后一组数据的映射对象，将训练集的滑动窗口分别记为：
；
；
将训练集之后的3000个数据点作为验证集样本，与训练集类似，分别记为：
；
；
步骤（3）中，采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证包括：
将船舶运动置信区间预报模型的输入步长设定为20（即10s），输出步长设定为24（即12s），然后将训练集与测试集传入到船舶运动置信区间预报模型中开始训练，训练集中的映射关系为：；验证集中的映射关系为：。
在步骤S3中，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息包括：将从1到时刻船舶历史运动数据输入到船舶运动置信区间预报模型中，基于一元高斯分布来预报未来一段时间内的船舶运动范围；船舶运动置信区间预报模型自动从这段数据中提取出关键的数据特征矩阵用于预报时刻的船舶运动概率分布函数，该数据特征矩阵记作，计算出一元高斯分布函数中的与，具体计算公式如下所示：
；
；
式中，为均值关于的函数表达式，为标准差关于的函数表达式，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为输入到神经网络中的特征张量；
得到时刻的船舶运动概率分布函数后，手动指定某一置信水平，将t-1时刻的船舶运动在这一置信水平下的置信上限和置信下限作为时刻的船舶运动范围预报结果；同时根据时刻的船舶运动概率分布函数，随机生成100个数据并取其均值作为船舶运动时历预报结果，获取从1到时刻船舶历史运动数据，进行多次迭代计算，得到多步的预报结果。
进一步，采用测试集数据验证训练完成后的船舶运动置信区间预报模型的预报效果，将验证集之后的3000个数据点作为测试集样本，与训练集类似，分别记为：，调用船舶运动置信区间预报模型，设置置信水平进行预报，得到最终的预报结果。
本发明的另一目的在于提供一种基于置信区间的船舶运动极短期概率预报系统，该系统实施所述的基于置信区间的船舶运动极短期概率预报方法，该系统包括：
船舶运动时历数据描述模块，用于基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
船舶运动置信区间预报模型构建模块，用于将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
置信区间预报模块，用于设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。
结合上述的所有技术方案，本发明所具备的有益效果为：本发明提前人为指定一个概率分布函数来描述预测目标的概率分布，将预测目标值的问题，转换为拟合假定目标服从的概率分布函数参数，从而实现直接对船舶运动不同置信水平下的置信区间预报，有效避免了分步预报的误差积累和端点效应的干扰。
本发明提出一种基于深度学习模型的舰船运动极短期预报方法，使用循环神经网络来学习时间序列中数据的顺序关系，基于船舶历史运动时历输入，在预报过程中输出相应概率分布预测，生成对未来时间步的多个预测样本，并给出这些预测值的置信区间。该模型考虑到了船舶运动时历的不确定性，提供了全面和可靠的置信区间预测结果。
本发明采用拟合假定目标服从的概率分布函数参数直接对船舶运动不同置信水平下的置信区间预报，有效避免了分布预报中的误差积累和包络预报中的端点效应干扰。本发明在预报过程中考虑了船舶运动时历数据受环境因素影响而产生的不确定性，大幅降低了预报结果中预报运动幅度小于真实运动幅度的负误差出现几率，在面向实际工程生产中的安全性上有着较大优势。
本发明可提前预测船舶未来一段时间内的运动范围，从而为船舶的海上作业进行指导，有效提高船舶作业工程中的效率与安全性。本发明填补了国内船舶运动预报领域内置信区间预报的技术空白。本发明提供了一种新的船舶运动范围预报手段，实现了基于置信区间的船舶运动范围预报。
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置信区间的船舶运动极短期概率预报方法流程图；
图2是本发明实施例提供的基于置信区间的船舶运动极短期概率预报方法原理图；
图3是本发明实施例提供的船舶运动置信区间预报模型预测流程图；
图4是本发明实施例提供的船舶横摇运动时历部分样本片段示意图；
图5是本发明实施例提供的提前12s的船舶横摇运动范围预报结果图；
图6是本发明实施例提供的基于置信区间的船舶运动极短期概率预报系统示意图；
图7是本发明实施例提供的基于船舶运动置信区间预报模型的船舶运动极短期概率预报方法与基于长短期记忆神经网络的船舶运动包络预报方法对比结果图；
图中：1、船舶运动时历数据描述模块；2、船舶运动置信区间预报模型构建模块；3、置信区间预报模块。
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。
本发明的创新点在于：针对船舶的摇荡运动中的不确定性，将船舶的运动视为符合一定分布的随机变量，利用神经网络模型对船舶运动概率分布函数进行拟合，构建船舶运动置信区间预报模型，实现不同置信水平下的船舶运动范围预报。本发明在利用神经网络训练船舶运动极短期预报模型前，首先人为确定一个概率分布函数来描述船舶运动时历数据的分布，将预测目标值的问题，转换为拟合假定目标服从的概率分布函数参数，假定设定的概率分布函数中包含n个参数，实现船舶运动概率置信区间预报。本发明构建神经网络预报模型，实现船舶历史运动时历输入直接到船舶未来运动置信区间的映射关系构建，不存在包络提取的端点效应干扰或多模型分布预报过程中的误差传递。
本发明使用的一元高斯分布与Student-T分布与船舶运动时历数据的分布匹配度较高，可根据船舶运动时历数据的复杂程度选用不同的概率分布函数进行模型训练。船舶运动置信区间预报模型对于高海况下非平稳程度较高的船舶运动时历数据，基于Student-T分布的船舶运动置信区间预报模型预报效果较目前公开的主流预报方法有较大提升。本发明实现的船舶运动预报置信区间模型，可根据船舶在海上运动时遭遇不同海况等级、运动极端程度，船舶运动置信区间预报模型输出置信上下限时的置信水平，实现对船舶运动预报置信区间模型预报结果的微调，而不需要对船舶运动预报置信区间模型进行重新训练。
实施例1，如图1所示，本发明实施例提出了一种基于置信区间的船舶运动极短期概率预报方法包括：
S1，基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
S2，将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
S3，设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。
实施例2，为进一步详细描述本发明实施例提出的一种基于置信区间的船舶运动极短期概率预报方法，如图2所示，具体如下：
步骤1：读取船舶运动时历数据，船舶运动时历数据应包含船舶待预测自由度上的历史运动数据及其对应的时间戳，且运动数据沿时间方向上的分布为均匀的，若不均匀则采用三次样条拟合方法对数据进行变采样，采样频率要求不低于2Hz，即时间步长小于等于0.5s。经过变采样操作后，船舶运动时历数据将被转换为2Hz的频率。
步骤2：选取船舶运动概率分布函数。由船舶运动时历数据统计结果的特点，在本发明中通常选用一元高斯分布或Student-T分布两种概率分布模型作为船舶运动概率分布函数开展后续的船舶运动置信区间预报模型构建。
步骤3：对船舶运动时历数据进行数据集划分，其中训练集占比为60%、验证集占比为20%、测试集占比为20%。
步骤4：将训练集与验证集传入到神经网络模型中，并设置相应的初始参数进行神经网络模型训练。本发明使用一种递归神经网络模型，其中包含多个层级和神经元单元，每个时间步，神经网络模型接收输入数据并进行前向传播，通过学习权重和激活函数等参数，将输入数据映射到输出值。神经网络模型的主要参数包括输入时长(lookback)、输出时长(lookahead)、神经元类型、神经网络层数、神经元个数。神经网络模型的输入为过去lookback时长的船舶历史时历数据，输出为船舶待预测自由度未来lookahead时长上每一个时刻点运动数据对应的概率分布函数。在本发明中，神经元类型通常设定为LSTM类型，神经网络层数设为1层，神经元个数设为32个，输入时长设为20s，输出时长设为20s。神经网络模型的训练过程，即为构建输入输出间映射关系的过程。在神经网络模型训练过程中，神经网络模型通过误差反向传播过程，根据损失函数和优化器不断调整神经网络模型参数，以最小化预测结果与真实结果的差异。
步骤5：当神经网络模型训练完成后，就得到了所需的船舶运动置信区间预报模型，可采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证，在预报过程中需要人为设置所需的置信水平，船舶运动置信区间预报模型将根据预报得到的概率分布函数随机生成100个数据并取其均值作为船舶运动时历结果，同时根据设置好的置信水平输出相应置信水平对应的船舶运动时历置信上限和置信下限，船舶运动置信区间预报模型预测流程如图3所示，图中表示船舶运动时历数据，表示时刻对应的数据，表示时刻输入到神经网络中的特征，即历史运动数据与上一时刻运动数据的拼接，表示指定的概率分布函数。
具体的，船舶运动置信区间预报模型预测流程包括：
假设已知从1到时刻船舶历史运动数据，并将这一段数据输入到船舶运动置信区间预报模型中，基于一元高斯分布来预报未来一段时间内的船舶运动范围。
船舶运动置信区间预报模型会自动从这段数据中提取出关键的数据特征矩阵用于预报t-1时刻的船舶运动概率分布函数，该数据特征矩阵记作，计算一元高斯分布函数中的与具体计算公式如下所示：
；
；
式中，为均值关于的函数表达式，为标准差关于的函数表达式，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为输入到神经网络中的特征张量；
得到时刻的船舶运动概率分布函数后，手动指定某一置信水平，将t-1时刻的船舶运动在这一置信水平下的置信上限和置信下限作为时刻的船舶运动范围预报结果；同时根据时刻的船舶运动概率分布函数，随机生成100个数据并取其均值作为船舶运动时历预报结果，获取从1到时刻船舶历史运动数据，进行多次迭代计算，得到多步的预报结果。
可以理解，本发明创造性的通过神经网络直接对未来的船舶运动概率分布函数进行预报的方法。现有的船舶运动极短期预报方法中，大部分预报方法都是直接对船舶运动的确切值进行预报，这种预报方法在时历极大值或极小值处的预报精度往往较差，在实际应用中存在一定危险性，而本发明使用基于概率分布函数的预报方法，可以通过调整置信水平的方式控制模型对极端情况的关注度，保证预报结果在极端情况下的安全性。
通过与本发明接近两种运动范围预报方法对比可知，其中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只能以正态概率分布计算船舶运动的置信区间，不能切换为其他概率分布模型。
基于长短期记忆神经网络的船舶运动包络预报方法，在提取船舶运动包络线的过程中本身就会产生误差，在后续的预报过程中会发生误差的二次传递，整体预报精度较差，对船舶运动的极端情况与不确定性考虑较少。
作为本发明另一种可能实施的方式，步骤2中，船舶运动的数据特征，可采用不同概率分布函数构建船舶运动置信区间预报模型。以S175船为例，在五级及五级以下的海况环境下，船舶运动时历数据较为平稳，建议采用一元高斯分布进行建模；在六级及六级以上的海况环境下，船舶运动时历数据非平稳性较为显著，建议采用Student-T分布进行建模。
对于某些特殊船型或特殊环境条件，选用的概率分布函数不局限于高斯分布或Student-T分布，也可以采用其他概率分布函数进行建模。
作为本发明另一种可能实施的方式，步骤3中，训练集、验证集、测试集的分割可以包括但不限制于60%、20%、20%的比例划分。
应用例1，以过去10s的船舶横摇运动时历为输入，预报未来12s的船舶运动范围，构建船舶运动置信区间预报模型。
选取某船型五级海况15节航速135°浪向下的模拟横摇运动数据作为数据集，数据总时长为18000s，时间步长为0.5s，图4为部分样本片段示意图；
步骤1：读取舰船运动时历数据。本案例中船舶运动时历数据为五级海况15节航速135°浪向下的横摇运动数据，数据总时长为18000s，时间步长为0.5s，共36000个数据点，记作记作：；
步骤2：选取船舶运动概率分布函数。在这里以一元高斯分布函数为例做说明，下式中表示想要预测的下一时刻船舶运动，通过高斯概率分布函数，我们将预测的值这一问题，转换为拟合假定服从的高斯分布的参数。
；
式中，为想要预测的下一时刻船舶运动；为正态分布的均值，表示概率分布的中心位置；为正态分布的标准差，用来度量数据的分散程度。
可以理解，该公式在数学领域内为一元高斯分布的基本表达式。在本发明中，由于船舶运动的概率分布与一元高斯分布有一定的相似性，故引入改公式对船舶运动的概率分布进行描述。现有技术在此处的拟合结果通常是一个数，即船舶下一时刻的运动幅度大小。相较于现有技术，本发明的拟合结果为多个概率分布函数参数（案例中为𝜇和𝜎）。引入这种表达方式可以使预报模型更好的描述船舶运动的不确定性，提高船舶运动极短期预报的鲁棒性。
步骤3：搭建循环神经网络架构。在本发明中，需要手动选择一种神经元搭建对应的循环神经网络架构，以LSTM神经元为例进行说明，在经过LSTM神经网络预报后的得到的结果接入两个全连接层Dense(1)，从而得到拟合出的𝜇与𝜎，由于标准差必然是正数，对𝜎的值使用softplus函数进行调整，如下式所示：
；
；
式中，为均值关于的函数表达式，为标准差关于的函数表达式，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为输入到神经网络中的特征张量；
在误差反向传播过程中，由于将每一个样本映射为了与两个值，损失函数需要建立三个输入间的关系，为下一时刻的真实运动值；
设样本服从正态分布，则其似然函数为：
；
式中，为正态分布的似然函数，该函数是关于（）的函数；
取对数得到所需的损失函数，表达式为：
；
式中，为样本数量；
分别对求偏导，令偏导数为0，得到：
；
解得：
；
其中，与就是正态分布中与的最大似然估计；为的最大似然估计值，为样本均值；
可以理解，上述公式主要是衡量拟合结果与真实结果的差异，从而驱动神经网络迭代优化权重矩阵，不断提高拟合精度。由于与现有技术不同，在上述的拟合结果中，本发明中的拟合结果为多个概率分布函数参数，故需要推导新的损失函数来衡量拟合结果与真实结果的差异。
步骤4：将数据集前30000个数据点作为训练集样本，以滑动窗口的方式构建训练集，需要以过去10s的船舶横摇运动时历为输入，预报未来12s的运动范围，故训练集的滑动窗口中应包含20个数据点，同时在数据集尾部预留24个数据点作为最后一组数据的映射对象，将训练集的滑动窗口分别记为：
；
；
将训练集之后的3000个数据点作为验证集样本，与训练集类似，分别记为：
；
；
步骤5：将船舶运动置信区间预报模型的输入步长设定为20（即10s），输出步长设定为24（即12s），然后将训练集与测试集传入到船舶运动置信区间预报模型中开始训练；
训练集中的映射关系为：
；
；
验证集中的映射关系为：
；
。
可以理解，本发明创新性的提出上述模型的输入输出长度，由于该模型在船舶运动极短期预报领域内的应用为首次，故该输入输出长度首次提出。该模型的输入时间长度通常要求不低于10s，输出长度通常在15s以内能保证较好的预报效果，过短的输入长度或过长的输出长度都会降低模型的预报精度。
步骤6：采用测试集数据验证训练完成后的船舶运动置信区间预报模型的预报效果，将验证集之后的3000个数据点作为测试集样本，与训练集类似，分别记为：
；
；
调用船舶运动置信区间预报模型，设置置信水平进行预报，得到最终的预报结果，案例中的置信水平设置为99%。下图5所示为提前12s的横摇运动范围预报结果部分片段展示。
实施例4，如图6所示，本发明实施例提出了一种基于置信区间的船舶运动极短期概率预报系统包括：
船舶运动时历数据描述模块1，用于基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
船舶运动置信区间预报模型构建模块2，用于将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
置信区间预报模块3，用于设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。
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。
本发明实施例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。
为进一步说明本发明实施例相关效果，进行如下实验：图7为基于船舶运动置信区间预报模型的船舶运动极短期概率预报方法与基于长短期记忆神经网络的船舶运动包络预报方法对比结果，从图7中可以看出船舶运动置信区间预报模型给出的预报结果对船舶运动时历的包裹效果要明显优于LSTM模型给出的上下包络线，且船舶运动置信区间预报模型给出的预报区间平均宽度相较于LSTM模型给出的上下包络线距离更小。对整段测试集数据的预报结果进行统计，将整段船舶运动时历曲线中不超出预报模型给出的区间上限与区间下限的数据点百分比，记作预报结果对时历曲线的包裹率，以此来衡量不同预报模型对船舶运动范围预报效果的优劣。其中，船舶运动置信区间预报模型给出的置信区间对运动时历曲线的包裹率为89.0%，LSTM模型给出的上下包络线对运动时历曲线的包裹率为82.1%。上述结果可以说明，基于船舶运动置信区间预报模型的船舶运动极短期概率预报方法效果更优。
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 (7)
1.一种基于置信区间的船舶运动极短期概率预报方法，其特征在于，该方法包括：
S1，基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
S2，将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
S3，设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息；
在步骤S2中，所述船舶运动置信区间预报模型选取一元高斯分布作为船舶运动概率分布函数；所述一元高斯分布的表达式为：
式中，x为想要预测的下一时刻船舶运动；μ为正态分布的均值，表示概率分布的中心位置；σ为正态分布的标准差，用来度量数据的分散程度；
所述构建船舶运动置信区间预报模型包括：
(1)对船舶运动时历数据进行数据集划分，划分为训练集、验证集、测试集；
(2)将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练；
(3)当神经网络模型训练完成后，得到船舶运动置信区间预报模型，采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证。
2.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S1中，所述船舶运动时历数据包括船舶待预测自由度上的历史运动数据及对应的时间戳，运动数据沿时间方向上均匀分布，对分布不均匀运动数据采用三次样条拟合方法对数据进行变采样，经变采样后，获取船舶运动时历数据转换频率的数据。
3.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤(2)中，所述将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练，包括：
(2.1)搭建循环神经网络架构，手动选择神经元搭建对应的循环神经网络架构，循环神经网络架构采用LSTM神经网络，将LSTM神经网络的输出的结果接入两个不同的全连接层Dense，得到拟合出的μ与σ，μ为正态分布的均值，表示概率分布的中心位置；σ为正态分布的标准差，用来度量数据的分散程度；标准差是正数，对σ的值使用softplus函数进行调整，表达式为：
式中，μ(hi，t)为均值μ关于hi，t的函数表达式，σ(hi，t)为标准差σ关于hi，t的函数表达式，为神经网络用于拟合μ的权重矩阵，bμ为神经网络用于拟合μ的偏执矩阵，为神经网络用于拟合σ的权重矩阵，bσ为神经网络用于拟合σ的偏执矩阵，hi，t为输入到神经网络中的特征张量；
在误差反向传播过程中，由于将每一个样本映射为了μ与σ两个值，损失函数需要建立μ，σ，xi三个输入间的关系，xi为下一时刻的真实运动值；
设样本服从正态分布N～(μ，σ2)，则其似然函数为：
式中，L(μ，σ2)为正态分布的似然函数，该函数是关于(μ，σ2)的函数；
取对数得到所需的损失函数，表达式为：
式中，n为样本数量；
分别对μ，σ2求偏导，令偏导数为0，得到：
解得：
其中，与就是正态分布中μ与σ2的最大似然估计；为μ的最大似然估计值，为样本均值；
(2.2)将数据集前30000个数据点作为训练集样本，以滑动窗口的方式构建训练集，需要以过去10s的船舶横摇运动时历为输入，预报未来12s的运动范围，故训练集的滑动窗口中应包含20个数据点，同时在数据集尾部预留24个数据点作为最后一组数据的映射对象，将训练集的滑动窗口分别记为：
Train1＝[r1，r2…r20]
Train2＝[r2，r3…r21]…Train29957＝[r29957，r29958…r29976]
将训练集之后的3000个数据点作为验证集样本，与训练集类似，分别记为：
Vali1＝[r30001，r30002…r30020]
Vali2＝[r30002，r30003…r30021]…Vali29957＝[r329957，r329958…r329976]。
4.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，步骤(3)中，所述采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证，包括：
将船舶运动置信区间预报模型的输入步长设定为20，即10s，输出步长设定为24，即12s，然后将训练集与测试集传入到船舶运动置信区间预报模型中开始训练；
训练集中的映射关系为：
Train1→r21，r22…r24
Train2→r22，r23…r45…Train29957→r29977，r29978…r30000
验证集中的映射关系为：
Vali1→h30021，h30022…h30044
Vali2→h30022，h30023…h30045…Vali2957→h32977，h32978…h33000。
5.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S3中，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息，包括：将从1到t-2时刻船舶历史运动数据Xi，1：t-2＝[x1，x2…xt-2]输入到船舶运动置信区间预报模型中，基于一元高斯分布来预报未来一段时间内的船舶运动范围；船舶运动置信区间预报模型自动从Xi，1：t-2这段数据中提取出关键的数据特征矩阵用于预报t-1时刻的船舶运动概率分布函数，该数据特征矩阵记作hi，t-1；得到t-1时刻的船舶运动概率分布函数后，手动指定某一置信水平，将t一1时刻的船舶运动在这一置信水平下的置信上限和置信下限作为t-1时刻的船舶运动范围预报结果；同时根据t-1时刻的船舶运动概率分布函数，随机生成100个数据并取其均值作为船舶运动时历预报结果Xi，t-1，获取从1到t-1时刻船舶历史运动数据Xi，1：t-2＝[x1，x2…xt-2，xt-1]，进行多次迭代计算，得到多步的预报结果。
6.根据权利要求4所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，采用测试集数据验证训练完成后的船舶运动置信区间预报模型的预报效果，将验证集之后的3000个数据点作为测试集样本，与训练集类似，分别记为：
Test1＝[r33001，r33002…r33020]
Test2＝[r33002，r33003…r33021]…Test2957＝[r35957，r35958…r35976]
调用船舶运动置信区间预报模型，设置置信水平进行预报，得到最终的预报结果。
7.一种基于置信区间的船舶运动极短期概率预报系统，其特征在于，该系统实施权利要求1-6任意一项所述的基于置信区间的船舶运动极短期概率预报方法，该系统包括：
船舶运动时历数据描述模块(1)，用于基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；
船舶运动置信区间预报模型构建模块(2)，用于将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；
置信区间预报模块(3)，用于设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302145.0A CN117892886B (zh) | 2024-03-18 | 2024-03-18 | 基于置信区间的船舶运动极短期概率预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302145.0A CN117892886B (zh) | 2024-03-18 | 2024-03-18 | 基于置信区间的船舶运动极短期概率预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892886A CN117892886A (zh) | 2024-04-16 |
| CN117892886B true CN117892886B (zh) | 2024-05-28 |
Family
ID=90646078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410302145.0A Active CN117892886B (zh) | 2024-03-18 | 2024-03-18 | 基于置信区间的船舶运动极短期概率预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892886B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118228009B (zh) * | 2024-05-27 | 2024-08-06 | 青岛哈尔滨工程大学创新发展中心 | 一种基于自相关分解的船舶运动极短期预报方法及系统 |
| CN118410722B (zh) * | 2024-06-28 | 2024-08-23 | 青岛哈尔滨工程大学创新发展中心 | 一种动力系统建模的非平稳性船舶运动预报方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038315A (zh) * | 2017-12-15 | 2018-05-15 | 东南大学 | 一种基于谱随机有限元模型的随机动载荷识别方法 |
| KR102042356B1 (ko) * | 2018-09-18 | 2019-11-07 | 한국해양대학교 산학협력단 | 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템 |
| 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 |
| 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 |
| CN116842381A (zh) * | 2023-06-13 | 2023-10-03 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN116861202A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN117454124A (zh) * | 2023-12-26 | 2024-01-26 | 山东大学 | 一种基于深度学习的船舶运动预测方法及系统 |
-
2024
- 2024-03-18 CN CN202410302145.0A patent/CN117892886B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038315A (zh) * | 2017-12-15 | 2018-05-15 | 东南大学 | 一种基于谱随机有限元模型的随机动载荷识别方法 |
| KR102042356B1 (ko) * | 2018-09-18 | 2019-11-07 | 한국해양대학교 산학협력단 | 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템 |
| 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 |
| 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 |
| CN116842381A (zh) * | 2023-06-13 | 2023-10-03 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN116861202A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN117454124A (zh) * | 2023-12-26 | 2024-01-26 | 山东大学 | 一种基于深度学习的船舶运动预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 基于ISVM的船舶横摇运动实时预报方法;刘胜;杨震;;哈尔滨工程大学学报;20110525(05);全文 * |
| 基于混沌理论与RBF神经网络的船舶运动极短期预报研究;顾民;刘长德;张进丰;;船舶力学;20131015(10);全文 * |
| 於家鹏,苏本如,余滋红.船舶运动极短期预报研究.舰船科学技术.(01),全文. * |
| 混沌理论和神经网络相结合的舰船摇荡运动极短期预报;侯建军;东昉;蔡烽;;舰船科学技术;20080215(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892886A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117892886B (zh) | 基于置信区间的船舶运动极短期概率预报方法及系统 | |
| CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
| CN114255616A (zh) | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 | |
| 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 | |
| CN113393032A (zh) | 基于重采样下的航迹循环预测方法 | |
| CN114842180B (zh) | 一种点云补全方法、装置、设备及介质 | |
| CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
| CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
| CN111815458A (zh) | 基于细粒度量化标注和集成方法的动态投资组合配置方法 | |
| CN116757716A (zh) | 基于改进时变深度前馈神经网络的电价预测方法及装置 | |
| CN109614742A (zh) | 一种海面高度持续性预测算法 | |
| CN115544860A (zh) | 间歇性分布式电源在复杂运行场景下的出力建模方法 | |
| CN110648183A (zh) | 基于灰色关联及qgnn的居民消费价格指数预测方法 | |
| CN118246348B (zh) | 海上浮标的轨迹重建方法 | |
| CN118278145B (zh) | 一种基于模仿和强化学习的铁路选线方法、设备及介质 | |
| CN116227571B (zh) | 模型的训练、动作确定方法、装置、电子设备及存储介质 | |
| CN116432518B (zh) | 一种畸形波发生概率的快速预报方法、系统、设备和介质 | |
| CN112836721B (zh) | 一种图像识别方法及装置、计算机设备、可读存储介质 | |
| CN117472190A (zh) | 基于神经网络的vr物理引擎调配系统 |
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 |