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 ...
【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...
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。