[发明专利]一种基于数据融合的混合船舶横摇预测方法

说明书

本发明涉及船舶横摇运动预测技术，具体涉及一种基于数据融合的混合船舶横摇预测方法，将原始数据通过解码得到分辨率为100Hz的原始高分辨率船舶横摇时间序列数据集；采用重采样技术、Hampel identifier算法和深度特征提取技术对原始高分辨率数据进行预处理；将低分辨率数据和深度特征信息数据，划分为训练集、验证集和测试集；分别选用低分辨率数据和深度特征信息数据的训练集建立双向长短期记忆‑卷积神经网络BiLSTM‑CNN初始模型；采用MOFEPSO算法将两种数据集的预测结果进行融合，完成数据融合预测；建立多层误差修正模型，得到预测结果。该方法能精确的确定性的预测船舶运动，具有较大的实际应用潜力。

技术领域

本发明属于船舶横摇运动预测技术领域，特别涉及一种基于数据融合的混合船舶横摇预测方法。

背景技术

21世纪是人类大规模利用海洋资源、扩大海洋产业和发展海洋经济的新时代。船舶作为海洋运输的主要工具，发挥着非常重要的作用。在海上航行的船舶会连续产生横摇、纵摇、艏摇、横荡、纵荡和垂荡六个自由度的运动。与船舶的其他自由度相比，船舶横摇运动更活跃，更容易对船体和船员构成威胁。重要的是，船舶横摇运动的产生也易受到其内部不稳定性的影响。船舶横摇运动的极端突发性对船舶的稳定性和安全性有着重要的影响。大多数船舶都安装了姿态传感器，以实时监测船舶的横摇运动和其他自由度。除实时监测外，船舶运动的预测也具有重要意义。准确的船舶横摇预测可以为船舶运动控制、海上运输和直升机起降提供合理的建议。

近年来，人工智能模型是计算机科学的一个新兴领域。它试图为计算机提供学习能力，可以从数据中学习和提取特征，并扩展到数据驱动的预测方法和算法。大多数学者都致力于在人工智能的基础下，开展船舶运动的高精度预测研究。其中，双向长短期记忆-卷积神经网络不仅具备双向长短期记忆模型捕获时间序列的正向和后向时间特征信息的能力，也具备卷积神经网络提取连续时间序列之间空间特征信息的能力。为了提高数据融合预测模型的精度，避免过拟合问题，可以采用多目标优化算法，在优化预测精度的同时保证模型的鲁棒性。由于外界环境干扰以及数据采集设备的误差，原始数据中不可避免地存在着一些离群点，使得预测模型难以学习时间序列的变化规律。而在船舶运动预测领域中，往往还忽略了原始高采样率船舶运动数据的深层特征信息。利用基于深度学习的特征提取方法，探索和学习原始高分辨率船舶横摇序列的隐含特征信息是提高混合模型性能的有效途径之一。而如果将基于深度学习提取高分辨率数据特征的方法与重采样变换方法得到的数据合理融合，在确定性船舶横摇运动预测中可能获得更好的精度和鲁棒性。通过计算初始预测结果与实际数据之间的残差序列，然后通过分解算法将残差序列分解为多个子序列，再建立统计模型或智能模型进行误差修正。这也是提高船舶横摇预测数值输出精度的方法之一。

发明内容

本发明的目的是针对目前船舶横摇运动预测忽略原始高采样率数据的深度特征信息的问题，提供一种基于多目标优化、深度特征提取和多层误差修正的混合数据融合预测模型。

为解决上述技术问题，本发明采用如下技术方案：一种基于数据融合的混合船舶横摇预测方法，包括以下步骤：

步骤1、获取原始船舶横摇数据，将原始船舶横摇数据通过解码得到分辨率为100Hz的原始高分辨率船舶横摇时间序列数据集；

步骤2、采用重采样技术、Hampel identifier算法和深度特征提取技术对原始高分辨率船舶横摇时间序列数据集进行预处理，得到低分辨率数据和原始高分辨率数据的深度特征信息数据；

步骤3、将步骤2所得低分辨率数据和深度特征信息数据划分为训练集、验证集和测试集；

步骤4、分别选用低分辨率数据和深度特征信息数据的训练集建立双向长短期记忆-卷积神经网络BiLSTM-CNN初始模型；