[发明专利]一种根据海洋气象信息预测船舶航行气象因子的方法

摘要

本发明公开了一种根据海洋气象信息预测船舶航行气象因子的方法，首先通过对船舶航行数据库筛选查询和数据归一化得到样本数据集，然后建立交替稀疏自编码(Alternating Sparse Auto‑Encoders,ASAE)深度学习回归预测模型，基于大量船舶历史航行样本数据集，采用最小二乘法、L₂权重衰减约束以及KL对比散度稀疏性约束定义一个代价函数，并结合交替无监督学习与有监督学习进行参数调优，最后将待预测船舶航行数据带入所求最优参数的ASAE预测模型中进行气象因子预测。本发明的方法能够建立船速与船舶航行中多变的海洋气象条件之间的函数关系，解决气象因子计算中的复杂非线性问题，提高气象因子预测精度，对节能减排航行优化具有重要的意义。

主权项

1.一种根据海洋气象信息预测船舶航行气象因子的方法，其特征在于包括如下五个步骤：建立船舶航行数据库：通过船舶航行报告得到船舶性能数据，包括船长、船宽、船舶空载重量；通过历史航行日志记录得到船舶航行历史数据，包括航行时间、经度、纬度、吃水深度、载货量、纵倾角、主机最大持续功率、船舶额定转速、对地航速、油耗、气象因子；收集来自美国国家海洋和大气管理局发布的气象预报信息作为海洋气象数据，包括风向、风速、浪高、浪向、涌高、涌向、涌周期、波高、波向、波周期、海面压力；最后利用以上数据构建船舶航行数据库；数据预处理：针对船舶航行数据库中收集的原始数据进行数据选择，为数据中存在数据缺失的特征进行线性插值补充，最后将整合的多源数据进行统一的归一化处理，并将归一化后的数据转化为固定位数的二进制数，得到模型训练数据集；建立交替稀疏自编码深度学习回归预测模型：该模型的输入矩阵X是数据预处理步骤中进行变换后的数据，预测输出矩阵为设置交替稀疏自编码模型隐藏层的数量以及每层隐藏层的神经元数量，建立基于深度学习的交替稀疏自编码气象因子预测模型；利用随机数初始化网络的权重矩阵W和偏置矩阵b，每层网络的输出矩阵计算公式为其中输出矩阵i表示模型的第i层，m_i表示第i层包含的神经元个数，z表示第i层神经元的加权和，f(z)表示加权和的激活值，表示第i层隐藏层的第1个神经元的输出；将上一层网络的输出作为下一层网络的输入，即将上一层网络的输出矩阵作为下一层网络的输入矩阵X，依次迭代直到计算出该模型最后一层的输出矩阵，模型最后一层的输出为预测的气象因子；模型训练与参数优化：基于数据预处理步骤中得到的训练数据，根据交替稀疏自编码网络定义一个代价函数，该代价函数的目标是求解L₂权重衰减约束以及KL对比散度稀疏性约束下平方误差损失最小化的凸二次规划问题，即求解其中L₂权重衰减约束通过设定权重衰减因子系数λ，权衡权重参数与预测结果平方误差项之间的比重，在一定程度上防止了模型过拟合的现象，KL对比散度约束通过设定稀疏性系数β，在模型训练中对参数的稀疏性进行限定，使模型得到了稀疏性参数学习；最终结合交替无监督学习与有监督学习方法对模型进行训练并利用梯度下降法进行参数优化，其中无监督学习是对输入矩阵X进行自学习即输出矩阵也为X，为了便于区分无监督学习的输出矩阵此处用表示，无监督训练得到该层隐藏层输出，有监督学习是将无监督学习网络的输出矩阵换为标签数据进行训练，即输出矩阵为真实气象因子y，梯度下降法用于最小化模型代价函数，该代价函数是沿着代价函数最小平方误差的方向对网络权重矩阵以及偏置矩阵进行调整；在调整过程中，代价函数逐渐变小直到满足最小误差约束或连续6次代价函数不降反增则停止调整，最终得到最优模型参数；将优化后的参数带入建立交替稀疏自编码深度学习回归预测模型步骤的预测模型中，得到训练后的ASAE气象因子预测模型；模型应用：将待预测的航行数据，即船舶自身性能数据、船舶航行数据以及海洋气象数据输入模型训练与参数优化步骤中训练后的ASAE气象因子预测模型中，并输出气象因子。