[发明专利]一种基于机器学习的在港船舶能耗预测方法

权利要求书

1.一种基于机器学习的在港船舶能耗预测方法，其特征在于，包括以下步骤：

步骤一：收集船舶相关数据和港口相关数据，包括港口航道数据、泊位数据及船舶属性数据；

步骤二：船舶主机和辅机功率参数的确定以及船舶类型、船舶吨级的构成和在港船舶能耗值的分布分析，确定每一艘船舶在锚地、港内航道和泊位中的能耗功率；

步骤三：构建预测模型，通过多个选择机器学习算法和预测特征对船舶能耗分别进行预测，然后对模型预测结果进行验证，并选择模型预测准确度评价指标对所选择的机器学习算法进行评价，对比各选择机器学习算法预测不同类型的船舶和不同泊位的船舶能耗时的准确度，以选择预测准确度最高的算法；

步骤四：计算步骤三中所选择的预测特征在船舶能耗预测中的重要性，通过改变船舶装卸作业效率和船舶到港时间间隔来设置不同的工况，分别预测港口在不同装卸作业效率和不同船舶到港时间间隔下的在港船舶能耗值。

2.根据权利要求1所述的一种基于机器学习的在港船舶能耗预测方法，其特征在于，所述港口为综合性港口时，

步骤一中，所述船舶相关数据具体为：港口航道数据包括航道长度及通航规则；泊位数据包括泊位个数、各泊位的吨级和位置及各泊位用途；船舶属性数据包括船舶属性信息、船舶货物信息及船舶作业信息，其中，船舶属性信息包括船舶长度、船舶载重吨、船舶净吨、船舶国籍和船舶航速；船舶货物信息包括贸易类型和船舶货种，贸易类型包括内外贸和进出口；船舶作业信息包括船舶停靠泊位、装卸作业单位及单位性质、船舶实际装卸吨、船舶装卸作业效率、船舶抵港时间、船舶靠泊时间、船舶开始作业时间、船舶结束作业时间、船舶离泊时间和船舶离港时间，船舶抵港时间包括月份、星期和具体时间；

步骤三中，所述选取的机器学习算法包括梯度增强回归算法、随机森林回归算法、BP神经网络算法、线性回归算法和K近邻回归算法；预测特征包括步骤一中采集的船舶长度、船舶国籍、船舶净吨、船舶载重吨、船舶货种、船舶实际装卸吨、船舶抵港月份、船舶抵港星期、船舶抵港具体时间、装卸作业单位、装卸作业单位性质、船舶停靠泊位、船舶装卸作业效率、进出口和内外贸；预测特征作为预测模型的输入参数，将在港船舶能耗值作为输出，通过机器学习算法，应用预测模型对在港船舶能耗值进行预测；选取的模型有效性验证方法为k层交叉验证；选取的模型预测准确度评价指标包括可释方差值、平均绝对误差、均方误差、和确定系数R方值。

3.根据权利要求2所述的一种基于机器学习的在港船舶能耗预测方法，其特征在于，所述评价指标的计算公式为：

其中，EVS表示可释方差值，MAE表示平均绝对误差，MSE表示均方误差，r²表示确定系数R方值；y和y_i表示船舶能耗对数值的实际值，和表示船舶能耗对数值的预测值；表示所有y_i的平均值；n表示样本数量。