[发明专利]一种基于LSTMC混合网络的船舶横摇预测方法

说明书

本发明一种基于LSTMC混合网络的船舶横摇预测方法，使用Pandas读取数据集数据并进行数据的预处理，将大地风速、船舶姿态角及其角速度数据传入网络进行训练；搭建LSTMC混合网络；训练LSTMC混合网络；用Keras高层接口Keras.Model.fit()方法进行模型的训练，设置保存评价指标MSE、MAPE最优的一次模型参数；把新的船舶姿态数据传入到训练好的混合网络中去，得到预测的船舶姿态数据。本发明能够快速准确地完成对船舶横摇的预测，相比其他单一的神经网络模型，不仅能够提取时间特征，而且能够提取空间特征，提高预测精度。

技术领域

本发明涉及船舶领域，尤其涉及一种基于LSTMC混合网络的船舶横摇预测方法。

背景技术

船舶在海上航行时受到大风、海浪以及洋流等不确定性外力的耦合影响，由于船舶整体受力情况非常复杂，此时船舶会发生无规律的摇摆。在船舶的各种姿态角中，其中横摇对于船舶的安全性威胁最大。不仅会影响船员的舒适感，而且会对船舶的航行产生很大的安全隐患，所以船舶横摇预测一直是一个热门的课题。2015年6月1号，东方之星旅游客船在长江中游湖北监利水域倾覆事的件就是一个悲痛的例子。此次事件中，经各方全力搜救，事发时船上454人中仅有12人生还，由此可见船舶横摇不仅对于船舶来讲是至关重要的，对于人的生命安全更加重要。如果能预测船舶在未来几秒钟内的运动姿态，那么当危险来临时可以提前将船舶进行预控制，将极大地提高船舶水上作业时的安全性和稳定性。

在船舶运动姿态预测方面现有的预测算法主要有卡尔曼滤波法、谱估计法、艏前波法、基于自回归模型的方法、基于混沌分析的方法和人工神经网络方法等。本方法采用混合神经网络作为预测模型，神经网络有强大的特征提取能力与非线性映射能力，比较传统方法有更好的预测效果。但是单一神经网络预测模型在面对复杂多变的非线性时间序列时往往难以有好的预测效果，所以本方法采用LSTM模型与卷积模型的混合模型作为预测模型。混合预测模型在MSE、MAPE等评价指标上均优于单一模型。

发明内容

为了解决上述技术问题，本发明提供了一种基于LSTMC混合网络的船舶横摇预测方法。

本发明的目的是这样实现的：

一种基于LSTMC混合网络的船舶横摇预测方法，包括如下步骤：

步骤1：使用Pandas读取数据集数据并进行数据的预处理，每10步数据为一组，前8步的数据作为训练数据用于拟合网络参数，第9、10步的数据作为预测数据，每一组训练数据及其预测数据为一个训练样本，64个训练样本为一个批次，将大地风速、船舶姿态角及其角速度数据传入网络进行训练；

步骤2：搭建LSTMC混合网络；使用Keras高层接口Keras.Model.compile()方法进行模型的装配，设置参数Epoch＝30，Batch size＝64，优化器为Adam，评价指标器为MSE、MAPE；

步骤3：训练LSTMC混合网络；用Keras高层接口Keras.Model.fit()方法进行模型的训练，设置保存评价指标MSE、MAPE最优的一次模型参数；

步骤4：经过步骤3后得到混合网络的模型参数，把新的船舶姿态数据传入到训练好的混合网络中去，得到预测的船舶姿态数据。

所述步骤2中的LSTMC混合网络包括一层双向LSTM网络、两层卷积层、两层最大池化层、两层全连接层，一层神经元连接随机组断层，双向LSTM层提取数据的时间特征，两层卷积层提取数据的空间特征。

所述双向LSTM网络神经元个数为：第一层64，第二层100

与现有技术相比，本发明的有益效果是：

本发明能够快速准确地完成对船舶横摇的预测，相比其他单一的神经网络模型，不仅能够提取时间特征，而且能够提取空间特征，提高预测精度。

附图说明