[发明专利]一种船舶纵摇预测方法

说明书

本发明公开了一种船舶纵摇预测方法，读取船舶运动数据并转化为监督学习数据，所述监督学习数据包括样本数据和标签；搭建基于通道注意力机制的Bi‑ConvLSTM网络，包括两层双向ConvLSTM循环网络、CNN网络、通道注意力机制和全连接层；采用梯度下降的方法训练网络，训练参数包括迭代次数epoch、批次大小batch_size，模型训练采用反向传播更新模型参数，保存迭代次数最大时的模型参数，并记录到训练时的MSE；将待预测的船舶运动数据输入训练好的所述基于通道注意力机制的Bi‑ConvLSTM网络，得到船舶纵摇预测结果。本发明所提出的网络模型预测精度和性能更好，且训练收敛速度更快。

技术领域

本发明属于船舶航行领域，涉及一种船舶纵摇预测方法，特别是一种基于Bi-ConvLSTM-CA神经网络模型的船舶纵摇预测方法。

背景技术

船舶航行在海洋上易受到海浪、洋流的影响，会产生六个自由度的耦合，其中的横摇与纵摇角度对于船舶运行的影响是最大的。其中，纵摇预测的方法较少，目前并没有很有效的预测方法。随着海洋工业的快速发展，船舶安全航行与作业在恶劣的海洋环境下显得十分重要。船舶运动姿态预测利用船舶的历史数据进行建模分析来预测未来一段趋势的姿态，并及时调整船舶平台的姿态保持船舶整体的稳定，这将会有效地降低船舶航行作业风险。船舶运动姿态是通过安装在船体的传感器记录到的，属于时间序列范畴，并且有以下几个特点：记录到的数据通常过大、高维；包含测量引起的噪声、冗余信息和人为因素。随着统计学理论、人工智能、神经网络和时间序列分析，越来越多的新的方法应用于船舶运动姿态预测。在船舶运动姿态预测方面，现有的主要预测方法有：统计学习方法预测、机器学习算法预测、灰色预测、循环神经网络方法、卷积神经网络方法、人工神经网络方法和组合模型。神经网络能够处理非线性和随机性的时间序列数据，比传统的预测方法效果要好。其中，注意力机制常用于时间序列预测，通常是提取到不同时间步间的信息和不同变量间的相关性。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于Bi-ConvLSTM-CA神经网络模型的船舶纵摇预测方法，通过采用混合结构模型相较于传统预测模型具有更优的预测性能。

为解决上述技术问题，本发明的一种船舶纵摇预测方法：

读取船舶运动数据，将所述船舶运动数据转化为监督学习数据，所述监督学习数据包括样本数据和标签；

搭建基于通道注意力机制的Bi-ConvLSTM网络，包括两层双向ConvLSTM循环网络、CNN网络、通道注意力机制和全连接层；

采用梯度下降的方法训练所述基于通道注意力机制的Bi-ConvLSTM网络，训练参数包括迭代次数epoch、批次大小batch_size，模型训练采用反向传播更新模型参数，保存迭代次数最大时的模型参数，并记录到训练时的MSE；

将待预测的船舶运动数据输入训练好的所述基于通道注意力机制的Bi-ConvLSTM网络，得到船舶纵摇预测结果。

进一步的，所述船舶运动数据包括纵摇角、回转角、相对风速、相对风向、船舶纵向速度和横向速度。

进一步的，采用滑动窗口将所述船舶运动数据转化为监督学习数据。

进一步的，所述基于通道注意力机制的Bi-ConvLSTM网络的两层双向ConvLSTM循环网络采用Relu激活函数，同时提取数据的时空信息，然后包括一层卷积层和一层平均池化层的CNN网络分别对不同时间步在ConvLSTM的输出进行特征处理，使数据在通道维度上聚合形成新的三维特征数据；然后通道注意力利用新的三维特征数据不同通道的最大值和平均值之和形成权重，各个通道数据乘以相应的权重再取和，最后形成单个通道的二维数据，全连接层将所述二维数据回归成预测值。