[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

说明书

本发明提出了一种基于随机森林与深度学习的船舶货运效率调控方法，读取多个船舶航行数据样本；构建最优随机森林模型，计算其预测误差，并提取出重要特征变量；构建最优深度学习模型，计算其预测误差；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；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；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。该方法简单有效，能较好的对船舶货运效率进行预测与调控，实现船舶货运效率的最优化。

技术领域

本发明涉及计算机领域，具体涉及一种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。

背景技术

航运是作为水上运输的一种极重要的运输方式，其地位不可忽视。在航运中，船舶货运效率是指同型号船舶在运送同等单位的货物时，在单位时间内行驶单位长度的位移所消耗的油量，因此船舶货运效率是船舶在航行任务中的一个重要的参数指标。

影响船舶货运效率的因素有很多，如发动机转速、齿轮机油压、左右尾轴转速、GPS信号变化数据、GPS经纬度数据、天气数据、船舶吃水数据、上下水数据、油箱液位数据，发动机功率、载重排水、船舶载重信息等等。如何使船舶在不同的因素下能运行在最优的效率下是现目前研究的重点。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种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。

为了实现本发明的上述目的，本发明提供了一种基于随机森林与深度学习的船舶货运效率调控方法，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。

本发明能过先利用随机森林模型进行第一预测，再通过深度学习模型进行第二次预测，将两次预测的结果进行加权得到最终的船舶货运效率和置信区间，根据获得的船舶货运效率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，这加强了调控船舶货运效率的准确性。

优选的，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。