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

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，y

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

本发明中计算输出层的损失函数

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，X

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，y

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。