[发明专利]基于随机森林与深度学习的船舶货运效率调控方法及系统

权利要求书

1.一种基于随机森林与深度学习的船舶货运效率调控方法，其特征在于，包括以下步骤S1-S6，或步骤S1-S5，或步骤S6：

S1，读取数据库中多个船舶航行数据样本，每个样本包含一组航行数据特征变量以及与该组航行数据特征变量对应的船舶货运效率，对这些样本进行随机抽样，航行数据特征变量包括船舶运行数据特征变量和船舶状态数据特征变量；

S2，构建最优随机森林模型，将随机抽样所得的航行数据特征变量作为随机森林模型的输入变量进行第一次测试,计算最优随机森林模型的预测误差，并从随机抽样所得的航行数据特征变量中提取出重要特征变量；

S3，构建最优深度学习模型，将所述重要特征变量作为最优深度学习模型的输入变量，进行第二次测试,计算最优深度学习模型的预测误差；

S4，读取实时船舶航行数据获得实时航行数据特征变量，将实时航行数据特征变量作为输入变量输入最优随机森林模型进行第一次预测、输入最优深度学习模型中进行第二次预测；

S5，将第一次预测结果和第二次预测结果进行加权处理，得到船舶货运效率最终预测值，并求取置信区间；

S6，根据获得的船舶货运效率最终预测值与置信区间的对应关系调整船舶航行运行数据，达到最优船舶运行效率。

2.根据权利要求1所述的基于随机森林与深度学习的船舶货运效率调控方法，其特征在于，所述船舶运行数据特征变量包括船舶动力系统数据，所述船舶动力系统数据包括如下种类：发动机转速、齿轮机油压、尾轴转速之一或任意组合，所述船舶状态数据特征变量包括如下种类：GPS信号变化数据，天气数据，船舶吃水数据，船舶上下水数据，船舶自控信息之一或任意组合；

对船舶运行数据的种类和船舶状态数据的种类进行抽样，抽样所得的船舶运行数据的种类数量大于船舶状态数据的种类数量。

3.根据权利要求1所述的基于随机森林与深度学习的船舶货运效率预测方法，其特征在于，所述步骤S2具体为：

S21、在随机森林模型中，首先将船舶航行数据样本分割为训练集、验证集和测试集；

S22、使用随机森林模型的默认参数，用训练集对随机森林模型训练，得到训练好的随机森林模型；

S23、将训练好的随机森林模型用验证集进行验证，得出第一模型误差；

S24、用网格搜索方法将随机森林模型的部分或全部默认参数进行组合，得到随机森林模型的多组参数组合；

S25、利用交叉验证方法，对每一种参数组合下的随机森林模型用验证集进行验证，得到每组参数组合的随机森林模型的误差；

S26、将第一模型误差与交叉验证后得到的每组参数组合的随机森林模型的误差进行比较，误差最小即为最优随机森林模型；

S27、利用最优随机森林模型对测试集进行第一次测试，并计算最优随机森林模型的预测误差，利用最优随机森林模型对输入数据提取重要特征变量。