[发明专利]一种根据海况与操纵条件预测船舶油耗的方法

说明书

技术领域

本发明属于船舶航运领域，具体涉及一种根据海况与操纵条件预测船舶油耗的方法。

背景技术

船舶航行过程中的燃油消耗受到气象海况条件、船舶航行状态以及操纵条件等多种不确定因素的影响，而油耗预测对船舶航速、航向等操纵具有重要的指导意义。精确的油耗计算能够更好地指导船员操纵船舶航行，保证在船期要求时间内以低油耗、低排放、高效益的操纵方案航行。然而，影响因素的不确定性以及一些因素之间的高度相关性致使油耗与各影响因素之间的函数关系无法准确确定，也无法准确地计算船舶在航期间的油耗。

统计机器学习是基于大量历史数据的分布，结合统计学理论建立模型假设，通过设计算法过程从数据和模型估计参数，不断学习从而改进模型性能，自动寻找数据之间存在的规律，计算得到一个对自然模型近似的函数关系，并利用所得函数关系对未知数据进行预测，测试模型的泛化能力并验证模型假设的一种研究方法

回归分析是数据挖掘中常用的方法之一，它反映了数据属性值的特性，并通过函数形式表达数据映射的关系，从而发现属性值之间的依赖关系。回归分析方法被广泛应用于对数据序列的预测及相关关系的研究中。

LASSO算法是机器学习算法中一种能够实现指标集合精简，并能处理具有多重共线性性质数据的有偏估计方法。该算法通过在损失函数中引入L₁惩罚函数，在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而使一些指标的回归系数严格等于零，也就是说，LASSO算法具有变量稀疏的特性，能够消除冗余特征，发现问题需要且仅需要的变量，实现指标集合精简的同时得到对结果具有较强解释能力的模型。

LARS算法用于决定哪些变量被选入模型并给出相应变量的参数估计。该算法不是在每一步前向逐步回归中直接加入某个变量，而是先找出和因变量相关度最高的那个变量，然后沿着最小平方误差的方向对变量的系数进行调整，在调整过程中，该变量和残差项的相关系数会逐渐减小直到出现新的变量与残差的相关性大于此时该变量与残差的相关性，然后重新沿着最小平方误差的方向进行调整，重复进行该过程，直至所有变量被选入自变量集合中，最终得到所求的参数估计。

发明内容

本发明提供了一种根据海况与操纵条件预测船舶油耗的方法，能够解决船舶航行过程中油耗计算问题，综合考虑影响船舶航行的气象、海况、航行状态和操纵性能等因素，通过构建统计模型并结合机器学习算法对模型进行参数学习及模型训练，最终训练得到一个油耗预测模型用于解决多种因素影响下船舶油耗的快速、准确预测。

本发明提供的一种根据海况与操纵条件预测船舶油耗的方法，主要发明点是基于LASSO算法的船舶油耗预测模型框架。

基于LASSO算法的船舶油耗预测模型框架基于船舶历史航行数据和气候海况数据，首先建立线性回归预测模型并提出假设，然后采用LASSO算法定义一个代价函数，并转换为求解L₁约束下平方误差损失最小化的凸二次规划问题，结合LARS算法求解LASSO问题的稀疏解，实现系数收缩与变量选择，最后训练得到船舶油耗预测模型。

为了实现以上目的，本发明主要包括以下步骤：

步骤(1)原始数据采集。主要采用不同的设备及途径采集气候海况数据、船舶航行状态数据和船舶操纵数据。

步骤(2)数据预处理。针对(1)中采集的原始数据进行数据筛选，对数据去噪、裁剪和同步等处理，然后集成来自多个数据源的数据同时去除冗余，最后对集成的数据进行统一的归一化处理，得到模型训练数据集。

步骤(3)建立油耗预测模型。根据步骤(2)中训练数据集的分布特点以及经验假设输入特征变量与对应预测输出变量之间满足线性关系，建立多元线性回归预测模型。

步骤(4)参数学习与模型训练。基于步骤(2)中得到的训练数据，采用LASSO算法定义一个代价函数，并转换为求解L₁约束下平方误差损失最小化的凸二次规划问题，最终结合交叉验证与LARS算法对模型参数进行学习，并采用Osborne对偶算法求解LASSO估计。最后将LASSO估计值代入步骤(3)中建立的油耗预测模型中，得到训练后的油耗预测模型。

步骤(5)模型应用。将未知的气象海况数据和船舶操纵数据输入步骤(5)中得到的油耗预测模型中，可以输出最终的油耗预测结果。

本发明与现有的人工神经网络(BP-ANN)、支持向量回归(SVR)预测模型相比，具有以下特点：

1.本发明能够实现变量稀疏，解决多重共线性问题和过拟合等问题。