基于深度学习与支持向量回归的船舶能耗预测方法技术

本发明专利技术公开了一种基于深度学习与支持向量回归的船舶能耗预测方法，包括如下步骤：读取船舶用于记录航行过程数据的数据库，将数据库的技术参数作为输入数据构建深度学习模型；建立栈式自编码算法的网络模型，提取深度学习模型输入数据的特征向量；建立回归预测函数模型，确定回归预测函数模型的参数；将输入数据的特征向量输入回归预测函数模型，即可预测船舶在下一个时间段内的能耗值。本发明专利技术方法基于深度模型结构进行逐层式训练网络结构，相比于传统手工选择和提取特征，能有效提取船舶数据内在的非线性特征；另外支持向量回归(SVR)方法作为有效的预测模型，能更大可能性取得全局最优解，即更好预测能耗值。

Prediction method of ship energy consumption based on depth learning and support vector regression

The invention discloses a forecasting method based on support vector regression learning and the depth of the ship energy consumption, which comprises the following steps: reading the ship navigation process for recording data in the database, the database technology parameters as input data to construct deep learning model; network model stack self coding algorithm, feature vector extraction deep learning model input data; establishes the regression function model to determine the parameters of regression function model; the input feature vector input data regression function model can predict the energy consumption in the ship under a time value. The method of the invention depth model structure based on layer by layer training network structure, compared to the traditional manual selection and feature extraction, can effectively extract the inherent nonlinear characteristics of ship data; and support vector regression (SVR) method as the prediction model, more can obtain the global optimal solution, which is better forecast consumption value.

【技术实现步骤摘要】
基于深度学习与支持向量回归的船舶能耗预测方法
本专利技术涉及轮船航行数据的无监督特征提取与数据回归预测
，尤其涉及一种基于深度学习与支持向量回归的船舶能耗预测方法。
技术介绍
在节能减排的大环境下，减少能源的消耗，对改善环境有重要的影响。在能耗相关的行业，对电力能耗、船舶油耗等建立有效的模型，对能耗进行预测和分析，从生产和操作方面对能耗进行进一步控制，有利于减少能耗，从而采取有效的措施减少能耗。本行业中，对船舶能耗进行预测和分析的研究还处于不断深入的阶段。目前，在能耗预测与分析相关的问题的研究方法主要由以下方法:(1)、基于人工神经网络进行能耗预测，使用提供的数据集，利用反向传播算法，对数据进行拟合，使得网络输出与目标输出误差尽可能小；(2)、基于深度信念网络算法和逻辑回归进行能耗预测，进行预测分析。根据船舶航行的数据库，根据数据库中与能耗相关的技术参数，建立能耗的预测分析模型，使用多种预测模型的混合，对能耗进行进一步分析预测，提高模型预测的准确度，是一种可行的分析方法。
技术实现思路
为了克服现有技术存在的缺点与不足，本专利技术提供一种基于深度学习与支持向量回归的船舶能耗预测方法，利用栈式自编码提取船舶航行数据的特征，然后使用支持向量回归对特征进行回归计算，得到船舶的能耗值，使得更好地对能耗进行预测和分析。为解决上述技术问题，本专利技术提供如下技术方案：基于深度学习与支持向量回归的船舶能耗预测方法，包括如下步骤：S1、读取船舶用于记录航行过程数据的数据库，将数据库的技术参数作为输入数据构建深度学习模型；所述技术参数包括船舶传感器数据以及船舶能耗值的时间序列；S2、建立栈式自编码算法的网络模型，提取深度学习模型输入数据的特征向量；S3、建立回归预测函数模型，确定回归预测函数模型的参数；S4、将输入数据的特征向量输入回归预测函数模型，预测船舶在下一个时间段内的能耗值。进一步地，所述步骤S1中船舶传感器数据包括风速天气情况、轮船船速、船舶航向、轮船动力装置情况及轮船的控制信息。进一步地，所述轮船能耗值时间序列表示为：D1＝{(XtT|t＝T,T-1,...,T-k+1}其中D1为k维列向量，即当前时刻起前k个时刻的能耗值序列；所述船舶传感器数据表示为：D2＝[St1,St2,...,StM]T其中D2为M维列向量，即为当前时刻船舶传感器检测到的数据；将D1与D2按照前后顺序组成一个列向量，作为所述栈式自编码模型的输入数据，则船舶技术参数列向量D表示为：D＝[D1,D2]进一步地，对所述船舶技术参数列向量D，将其进行归一化处理，即将其缩放一定的尺度，使得输入数据归一化0至1，避免因为数据的尺度不同造成能耗值预测差异，归一化方式如下：其中，di、dmax、dmin分别表示数据D列向量中某一元素值、元素最大值、元素最小值，将其归一化后的数据作为最终的船舶技术参数数据。进一步地，所述步骤S2具体为：S21、在栈式自编码算法的网络结构中，使用网格参数寻优，设定网络结构隐含层的层数、每层隐含层的神经元个数和输入数据中轮船能耗值的时间序列的长度；S22、训练栈式自编码算法的网络结构，设定正则项相对最小化误差的权重λ和稀疏自编码的稀疏程度值ρ；S23、在栈式自编码算法的网络结构中，每层隐含层的稀疏自动编码器以无监督的训练方式对输入数据进行编码解码；S24、从栈式自编码算法网络结构的第一层隐含层到最后一层隐含层逐层进行贪婪式训练，以上一层的输出作为下一层的输入；S25、迭代步骤S24的过程，直到步骤S21设定的隐含层的层数为止，根据隐含层的第一层到最后一层的方向进行训练；S26、栈式自编码算法的网络结构的最后一层隐含层继续添加一层预测层，使用网络结构的输出作为预测层的输入，随机初始化预测层的参数值即神经元权重参数值；S27、使用已有船舶能耗值数据集对栈式自编码算法网络的神经元权重参数进行有监督的微调，使用反向传播算法对网络结构的所有层中的神经元权重参数进行微调，从网络的最后一层往结构的第一层的方向调整神经元权重参数，使得模型更好预测船舶能耗值；S28、使用以上步骤完成栈式自编码算法的训练后，输入船舶技术参数数据到栈式自编码算法的网络模型，而网络模型的输出即为深度学习模型输入数据的特征向量。进一步地，所述步骤S3具体为：S31、回归预测函数模型的表达式如下：f(Xi)＝WTφ(Xi)+b其中，Xi为输入数据的特征向量，WT是权重列向量，b是偏置向量，φ(Xi)是映射输入向量到高维的特征空间，在特征空间中进行线性回归；S32、求解回归模型的参数值，如下所示：约束于：εi,εi*≥0其中，C为预先设定值，C值大小范围变化表示在模型复杂度和泛化性能之间取得理想平衡；εi、εi*为松弛变量衡量误差的大小；ξ表示支持向量回归间隔带的大小；S33、对输入数据的特征使用高斯核函数K建立支持向量回归模型，如下式：K(Xi,Xj)＝exp(-||Xi-Xj||2/(2σ2))其中σ为高斯核的带宽；最终支持向量回归的预测函数，如下公式所示：其中，αi、为拉格朗日乘子参数；N为训练样本个数；Xi为待测试特征向量，Xj为训练样本特征向量。进一步地，所述步骤S4具体为：根据步骤S2输入数据的特征向量输入到步骤S33的支持向量回归的预测函数，即可预测船舶在下一个时间段内的能耗值。采用上述技术方案后，本专利技术至少具有如下有益效果：(1)、本专利技术方法采用栈式自编码和支持向量回归两个模型的融合，能充分利用栈式自编码以无监督方式提取船舶航行数据的特征，并且能够利用支持向量回归对时间序列进行准确预测的能力，即两种方法融合后模型的表达能力更强，两种算法融合后能更好的预测能耗值；(2)、本专利技术基于船舶的航行数据进行能耗值预测，预测船舶在当前船舶所处的环境及当前的船舶控制状态下的能耗值；通过调整船舶控制信息如船舶航速、船舶动力装置、航向信息，往减少能耗的方向进行调整船舶的控制信息，通过改变船舶当前控制信息比较不同控制状态下的预测能耗值，最后选择更优的船舶航行控制方案，进而减少能耗。附图说明图1是本专利技术基于深度学习与支持向量回归的船舶能耗预测方法的步骤流程图；图2是本专利技术基于深度学习与支持向量回归的船舶能耗预测方法中能耗预测网络结构图；图3是本专利技术基于深度学习与支持向量回归的船舶能耗预测方法中栈式自编码算法的步骤流程图；图4是本专利技术基于深度学习与支持向量回归的船舶能耗预测方法的控制船舶节约能耗的整体系统示意图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本申请作进一步详细说明。如图1所示，为本实例基于深度学习与支持向量回归的船舶能耗预测方法的步骤流程图，具体过程如下：步骤S1、根据现有的船舶实际航行的数据库，构建预测模型输入数据的结构，对船舶多种技术参数及能耗值时间序列以一定的方式融合作为模型输入：首先，读取船舶航行记录数据库，从数据库的各种技术参数中，将技术参数融合成用于估计能耗的数据结构形式；船舶数据库中，包含轮船传感器数据即风速天气情况、轮船船速、船舶航向、轮船动力装置情况及轮船的控制信息以及在这些状态下轮船能耗值时间序列；其中能耗值时间序列为当前时刻前的k个时间序列值，如下式表示：D1＝{本文档来自技高网...

【技术保护点】
一种基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，包括如下步骤：S1、读取船舶用于记录航行过程数据的数据库，将数据库的技术参数作为输入数据构建深度学习模型；所述技术参数包括船舶传感器数据以及船舶能耗值的时间序列；S2、建立栈式自编码算法的网络模型，提取深度学习模型输入数据的特征向量；S3、建立回归预测函数模型，确定回归预测函数模型的参数；S4、将输入数据的特征向量输入回归预测函数模型，预测船舶在下一个时间段内的能耗值。

【技术特征摘要】
1.一种基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，包括如下步骤：S1、读取船舶用于记录航行过程数据的数据库，将数据库的技术参数作为输入数据构建深度学习模型；所述技术参数包括船舶传感器数据以及船舶能耗值的时间序列；S2、建立栈式自编码算法的网络模型，提取深度学习模型输入数据的特征向量；S3、建立回归预测函数模型，确定回归预测函数模型的参数；S4、将输入数据的特征向量输入回归预测函数模型，预测船舶在下一个时间段内的能耗值。2.根据权利要求1所述的基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，所述步骤S1中船舶传感器数据包括风速天气情况、轮船船速、船舶航向、轮船动力装置情况及轮船的控制信息。3.根据权利要求2所述的基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，所述轮船能耗值时间序列表示为：D1＝{(XtT|t＝T,T-1,...,T-k+1}其中D1为k维列向量，即当前时刻起前k个时刻的能耗值序列；所述船舶传感器数据表示为：D2＝[St1,St2,...,StM]T其中D2为M维列向量，即为当前时刻船舶传感器检测到的数据；将D1与D2按照前后顺序组成一个列向量，作为所述栈式自编码模型的输入数据，则船舶技术参数列向量D表示为：D＝[D1,D2]4.根据权利要求3所述的基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，对所述船舶技术参数列向量D，将其进行归一化处理，即将其缩放一定的尺度，使得输入数据归一化0至1，避免因为数据的尺度不同造成能耗值预测差异，归一化方式如下：其中，di、dmax、dmin分别表示数据D列向量中某一元素值、元素最大值、元素最小值，将其归一化后的数据作为最终的船舶技术参数数据。5.根据权利要求4所述的基于深度学习与支持向量回归的船舶能耗预测方法，其特征在于，所述步骤S2具体为：S21、在栈式自编码算法的网络结构中，使用网格参数寻优，设定网络结构隐含层的层数、每层隐含层的神经元个数和输入数据中轮船能耗值的时间序列的长度；S22、训练栈式自编码算法的网络结构，设定正则项相对最小化误差的权重λ和稀疏自编码的稀疏程度值ρ；S23、在栈式自编码算法的网络结构中，每层隐含层的稀疏自动编码器以无监督的训练方式对输入数据进行编码解码；S24、从栈式...

【专利技术属性】
技术研发人员：詹国辉，俞祝良，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44