[发明专利]一种根据海洋气象信息预测船舶航行气象因子的方法

说明书

本发明公开了一种根据海洋气象信息预测船舶航行气象因子的方法，首先通过对船舶航行数据库筛选查询和数据归一化得到样本数据集，然后建立交替稀疏自编码(Alternating Sparse Auto‑Encoders,ASAE)深度学习回归预测模型，基于大量船舶历史航行样本数据集，采用最小二乘法、L₂权重衰减约束以及KL对比散度稀疏性约束定义一个代价函数，并结合交替无监督学习与有监督学习进行参数调优，最后将待预测船舶航行数据带入所求最优参数的ASAE预测模型中进行气象因子预测。本发明的方法能够建立船速与船舶航行中多变的海洋气象条件之间的函数关系，解决气象因子计算中的复杂非线性问题，提高气象因子预测精度，对节能减排航行优化具有重要的意义。

技术领域

本发明属于船舶航运领域，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。

背景技术

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(Deep Learning,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，挖掘历史数据之间隐含的模式与规律，最终得到一个解决实际问题的非线性函数关系进而实现数据预测的一种研究方法，其优势在于不仅能表达数据量更大更高维的集合，而且训练方式更加紧凑简洁。稀疏自编码(Sparse Auto-Encoders,SAE)是最常用的深度学习方法之一，它是由多个自编码器通过无监督学习训练得到的隐藏层堆叠而成，其前一层自编码器的隐藏层输出作为后一层自编码器的输入，用逐层贪婪训练法训练整个网络，即依次训练网络的每一层进而训练整个神经网络。稀疏自编码的优点是利用多层非线性映射组成的深度学习预测模型比浅层神经网络更有效，缺点是存在“梯度弥散”问题，即不能对底层网络进行全面学习，梯度下降法只对较高层的参数进行有效修正。

发明内容

为了克服以上缺点，本发明提供了一种根据海洋气象信息预测船舶航行气象因子的方法，能够解决海洋气象对船舶航行影响中气象因子预测的问题，综合考虑船舶自身性能、船舶航行数据以及海洋气象变化等因素，从机器学习、大数据技术以及统计学的角度出发，通过构建交替稀疏自编码(ASAE)深度学习回归预测模型进行模型训练及参数优化，最终训练得到一个气象因子预测模型用于解决海洋气象因素对船舶航速影响的准确预测。