The invention discloses a method for ship meteorological prediction according to the marine meteorological information, first through the navigation of the ship database filter query and data normalization to obtain sample data, and then establish alternate sparse self encoding (Alternating Sparse Auto Encoders, ASAE) deep learning regression prediction model, a large number of ships sailing history sample data set based on L2, using the least squares method, weight decay constraints and KL contrastive divergence sparsity constraint defines a cost function, and combined with the alternation of unsupervised learning and supervised learning parameter tuning, finally to prediction of ship navigation data into the optimal parameters of the ASAE prediction model in the prediction of meteorological factors. Establish the function relationship between marine meteorological conditions and ship speed and ship sailing to the method of the invention to solve complex nonlinear problems in the calculation of meteorological factors, meteorological factors to improve the prediction accuracy, navigation optimization has important significance for energy saving and emission reduction.
【技术实现步骤摘要】
本专利技术属于船舶航运领域,具体涉及一种根据海洋气象信息预测船舶航行气象因子的方法。
技术介绍
航运业能源消耗和货物运转的大幅度增长,以及船舶的大型化导致航运碳排放速度增长,发达国家日益重视航运业低碳减排问题,国际航运碳排放限制的趋势已不可逆转。2013年1月1日国际海事组织(IMO)强制实施了“船舶能效设计指数(EEDI)”、“能效营运指数(EEOI)”和“船舶能效管理计划(SEEMP)”,这对船舶节能减排的开展工作具有强大推动力。“航行优化”是船舶节能减排的手段之一,其中海洋气象对船舶航行的影响是航行优化中极为重要的考虑因素,因此准确预测气象因子成为航行优化的技术难点。船舶航行过程中的船速受到船舶自身性能、船舶航行状态以及海洋气象条件等多种随机性因素的影响,预测海洋气象对船舶航速的影响具有重要指导意义。精确的预测气象因子能够更好的为气象导航平台提供数据支撑,使其能更加合理的为在航船舶推荐最佳航线以及最佳航速,不仅为船长的航行决策提供了科学性指导,而且能指导船员合理的操纵船舶航行,确保在航船舶在高能效、低排放的航行优化策略下实现船舶绿色航行。然而,海洋气象影响因素的随机多变性以及船舶自身性能的差异致使船速与各影响因素之间的函数关系无法准确确定,利用水池实验的物理模型以及流体力学的计算模型也无法为在航船舶提供实时的气象因子预测。深度学习(DeepLearning,DL)是从统计学角度出发分析与挖掘数据内部的隐含关系,基于机器学习的理念,利用大量历史数据的分布并结合人工神经网络的仿生机制,通过建立多隐层的神经网络模型并不断地训练调优模型参数,挖掘历史数据之 ...
【技术保护点】
一种根据海洋气象信息预测船舶航行气象因子的方法,其特征在于包括如下五个步骤:建立船舶航行数据库:通过船舶航行报告得到船舶性能数据,包括船长、船宽、船舶空载重量;通过历史航行日志记录得到船舶航行历史数据,包括航行时间、经度、纬度、吃水深度、载货量、纵倾角、主机最大持续功率、船舶额定转速、对地航速、油耗、气象因子;收集来自美国国家海洋和大气管理局发布的气象预报信息作为海洋气象数据,包括风向、风速、浪高、浪向、涌高、涌向、涌周期、波高、波向、波周期、海面压力;最后利用以上原始数据构建船舶航行数据库;数据预处理:针对船舶航行数据库中收集的原始数据进行数据选择,为数据中存在数据缺失的特征进行线性插值补充,最后将整合的多源数据进行统一的归一化处理,并将归一化后的数据转化为固定位数的二进制数,得到模型训练数据集;建立交替稀疏自编码深度学习回归预测模型:该模型的输入矩阵X是数据预处理步骤中进行变换后的数据,预测输出矩阵为设置交替稀疏自编码模型隐藏层的数量以及每层隐藏层的神经元数量,建立基于深度学习的交替稀疏自编码气象因子预测模型;利用随机数初始化网络的权重矩阵W和偏置矩阵b,每层网络的输出矩阵计算公式 ...
【技术特征摘要】
1.一种根据海洋气象信息预测船舶航行气象因子的方法,其特征在于包括如下五个步骤:建立船舶航行数据库:通过船舶航行报告得到船舶性能数据,包括船长、船宽、船舶空载重量;通过历史航行日志记录得到船舶航行历史数据,包括航行时间、经度、纬度、吃水深度、载货量、纵倾角、主机最大持续功率、船舶额定转速、对地航速、油耗、气象因子;收集来自美国国家海洋和大气管理局发布的气象预报信息作为海洋气象数据,包括风向、风速、浪高、浪向、涌高、涌向、涌周期、波高、波向、波周期、海面压力;最后利用以上原始数据构建船舶航行数据库;数据预处理:针对船舶航行数据库中收集的原始数据进行数据选择,为数据中存在数据缺失的特征进行线性插值补充,最后将整合的多源数据进行统一的归一化处理,并将归一化后的数据转化为固定位数的二进制数,得到模型训练数据集;建立交替稀疏自编码深度学习回归预测模型:该模型的输入矩阵X是数据预处理步骤中进行变换后的数据,预测输出矩阵为设置交替稀疏自编码模型隐藏层的数量以及每层隐藏层的神经元数量,建立基于深度学习的交替稀疏自编码气象因子预测模型;利用随机数初始化网络的权重矩阵W和偏置矩阵b,每层网络的输出矩阵计算公式为其中输出矩阵i表示模型的第i层,mi表示第i层包含的神经元个数,z表示第i层神经元的加权和,f(z)表示加权和的激活值,表示第i层隐藏层的第1个神经元的输出;将上一层网络的输出作为下一层网络的输入,即将上一层网络的输出矩阵作为下一层网络的输入矩阵X,依次迭代直到计算出该模型最后一层的输出矩阵,模型最后一层的输出为预测的气象因子;模型训练与参数优化:基...
【专利技术属性】
技术研发人员:王胜正,申心泉,宋远娣,徐铁,王帅,
申请(专利权)人:上海海事大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。