基于置信区间的船舶运动极短期概率预报方法及系统技术方案

技术编号：41093153 阅读：6 留言：0更新日期：2024-04-25 13:52

本发明专利技术属于船舶与海洋工程技术领域，公开了基于置信区间的船舶运动极短期概率预报方法及系统。该方法包括基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述所述船舶运动时历数据；然后将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；设定不同的置信水平，对船舶运动未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶海上作业信息。本发明专利技术采用拟合假定目标服从的概率分布函数参数直接对船舶运动不同置信水平下的置信区间预报，有效避免了分布预报中的误差积累和包络预报中的端点效应干扰。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于船舶与海洋工程，尤其涉及基于置信区间的船舶运动极短期概率预报方法及系统。

技术介绍

1、随着海洋科考和海洋矿产资源开发等活动日趋频繁，船舶在复杂海域的航行与作业逐渐成为常态。由于受到复杂海浪环境的影响，船舶海上航行与作业时的安全时刻受到威胁，因此针对各类海上作业场景的水面作业决策技术需求日益迫切。对于海洋航行和海上作业等应用场景，秒级至十秒级的船舶运动极短期预报对于船舶工作的安全和高效至关重要。然而，船舶在波浪中的运动会受到很多因素的影响，使得预测船舶运动时历变得更加困难。随着时间序列预测技术的发展，舰船运动范围预报成为了一种重要的研究方向。舰船运动范围预报是一种通过对船舶当前或过去的运动状态与一些外部环境条件的测量，提前预测未来一段时间内船舶的运动范围，为海上作业提供指导的技术。在过去的研究中，船舶运动范围预报通常基于时间序列分析方法或深度学习方法，通过对船舶运动时历包络线进行预报从而获得未来一段时间内的船舶运动范围。

2、专利技术专利《一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法》（公开号cn112684701a，公开日2021.04.20），该方案对某一自由度下的船舶运动历史数据进行归一化处理，形成船舶运动原始时间序列，将原始时间序列分为训练集和测试集，建立长短时记忆网络lstm模型进行预测，得到第一次船舶运动的预测结果，重新构造数据集，建立高斯过程回归gpr模型进行预测，得到第二次船舶运动的预测结果，在获得高精度的点预测结果的同时还能得到具有概率分布意义的船舶运动区间预测结果；

3、中国专利技术专利《基于长短期记忆神经网络的船舶运动包络预报方法及系统》（公开日：20231010，公开号：cn116861202a），该方案根据船舶运动时历数据和船舶运动包络数据，建立人工神经网络模型，训练得到包络时历数据与运动时历数据的映射关系，然后再将得到的船舶运动包络时历数据输入到长短期记忆神经网络模型中，开展船舶运动包络预报。

4、通过上述分析，现有技术存在的问题及缺陷为：目前已有的实现方案中，基于长短时记忆网络和高斯过程回归的船舶运动预报方法在对船舶运动时历置信区间进行预测时，分为两步进行，即在使用lstm模型对船舶运动时历进行预测后再根据预测结果计算船舶运动时历分布区间，由于预报分布进行，该方法得到的预报结果存在误差积累，且该方法中的gpr模型只能以正态概率分布计算船舶运动的置信区间，不能切换为其他概率分布模型。

5、现有技术基于长短期记忆神经网络的船舶运动包络预报方法，同样是分为了两步对船舶运动范围进行预报，即在提取船舶运动包络线后再对该包络线进行预报，从而预测船舶运动范围。在提取船舶运动包络线的过程中，传统的三次样条拟合方法会受到端点效应的影响从而无法精确提取端点处的包络线，ann方法在提取包络线的过程中同样会存在一定的误差，而包络预报模型对端点处数据的变化较为敏感，因此难以实现理想的预报效果。

技术实现思路

1、为克服相关技术中存在的问题，本专利技术公开实施例提供了基于置信区间的船舶运动极短期概率预报方法及系统。

2、所述技术方案如下：基于置信区间的船舶运动极短期概率预报方法，该方法包括：

3、s1，基于船舶惯导系统记录船舶运动时历数据，手动指定概率分布函数描述船舶运动时历数据；

4、s2，将船舶运动时历数据作为输入，概率分布函数中的参数作为输出，训练神经网络模型学习输入与输出间的映射关系，构建船舶运动置信区间预报模型；

5、s3，设定不同的置信水平，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息。

6、在步骤s1中，所述船舶运动时历数据包括船舶待预测自由度上的历史运动数据及对应的时间戳，运动数据沿时间方向上均匀分布，对分布不均匀运动数据采用三次样条拟合方法对数据进行变采样，经变采样后，获取船舶运动时历数据转换频率的数据。

7、在步骤s2中，所述船舶运动置信区间预报模型选取一元高斯分布或student-t分布两种概率分布模型作为船舶运动概率分布函数。

8、进一步，所述一元高斯分布的表达式为：

9、；

10、式中，为想要预测的下一时刻船舶运动；为正态分布的均值，表示概率分布的中心位置；为正态分布的标准差，用来度量数据的分散程度。

11、在步骤s2中，所述构建船舶运动置信区间预报模型包括：

12、（1）对船舶运动时历数据进行数据集划分，划分为训练集、验证集、测试集；

13、（2）将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练；

14、（3）当神经网络模型训练完成后，得到船舶运动置信区间预报模型，采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证。

15、在步骤（2）中，所述将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练包括：

16、（2.1）搭建循环神经网络架构，手动选择神经元搭建对应的循环神经网络架构，循环神经网络架构采用lstm神经网络，将lstm神经网络的输出的结果接入两个不同的全连接层dense，得到拟合出的与，为正态分布的均值，表示概率分布的中心位置；为正态分布的标准差，用来度量数据的分散程度；标准差是正数，对的值使用softplus函数进行调整，表达式为：

17、；

18、；

19、式中，为均值关于的函数表达式，为标准差关于的函数表达式，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为神经网络用于拟合的权重矩阵，为神经网络用于拟合的偏执矩阵，为输入到神经网络中的特征张量；

20、在误差反向传播过程中，由于将每一个样本映射为了与两个值，损失函数需要建立三个输入间的关系，为下一时刻的真实运动值；

21、设样本服从正态分布，则其似然函数为：

22、；

23、式中，为正态分布的似然函数，该函数是关于（）的函数；

24、取对数得到所需的损失函数，表达式为：

25、；

26、式中，为样本数量；

27、分别对求偏导，令偏导数为0，得到：

28、；

29、解得：

30、；

31、其中，与就是正态分布中与的最大似然估计；为的最大似然估计值，为样本均值；

32、（2.2）将数据集前30000个数据点作为训练集样本，以滑动窗口的方式构建训练集，需要以过去10s的船舶横摇运动时历为输入，预报未来12s的运动范围，故训练集的滑动窗口中应包含20个数据点，同时在数据集尾部预留24个数据点作为最后一组数据的映射对象，将训练集的滑动窗口分别记为：

33、；

34、；

35、将训练集之后的3000个数据点作为验证集样本，与训练集类似，分别本文档来自技高网...

【技术保护点】

1.一种基于置信区间的船舶运动极短期概率预报方法，其特征在于，该方法包括：

2.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S1中，所述船舶运动时历数据包括船舶待预测自由度上的历史运动数据及对应的时间戳，运动数据沿时间方向上均匀分布，对分布不均匀运动数据采用三次样条拟合方法对数据进行变采样，经变采样后，获取船舶运动时历数据转换频率的数据。

3.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S2中，所述船舶运动置信区间预报模型选取一元高斯分布或Student-T分布两种概率分布模型作为船舶运动概率分布函数。

4.根据权利要求3所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，所述一元高斯分布的表达式为：

5.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S2中，所述构建船舶运动置信区间预报模型包括：

6.根据权利要求5所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤（2）中，所述将训练集与验证

7.根据权利要求5所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，步骤（3）中，所述采用训练好的船舶运动置信区间预报模型对测试集数据进行预报验证，包括：

8.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤S3中，使用所述船舶运动置信区间预报模型对船舶未来一段时间内运动不同置信水平下的置信区间进行预报，获取船舶运动特征信息，包括：将从1到时刻船舶历史运动数据输入到船舶运动置信区间预报模型中，基于一元高斯分布来预报未来一段时间内的船舶运动范围；船舶运动置信区间预报模型自动从这段数据中提取出关键的数据特征矩阵用于预报时刻的船舶运动概率分布函数，该数据特征矩阵记作；得到时刻的船舶运动概率分布函数后，手动指定某一置信水平，将t-1时刻的船舶运动在这一置信水平下的置信上限和置信下限作为时刻的船舶运动范围预报结果；同时根据时刻的船舶运动概率分布函数，随机生成100个数据并取其均值作为船舶运动时历预报结果，获取从1到时刻船舶历史运动数据，进行多次迭代计算，得到多步的预报结果。

9.根据权利要求7所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，采用测试集数据验证训练完成后的船舶运动置信区间预报模型的预报效果，将验证集之后的3000个数据点作为测试集样本，与训练集类似，分别记为：

10.一种基于置信区间的船舶运动极短期概率预报系统，其特征在于，该系统实施权利要求1-9任意一项所述的基于置信区间的船舶运动极短期概率预报方法，该系统包括：

...

【技术特征摘要】

1.一种基于置信区间的船舶运动极短期概率预报方法，其特征在于，该方法包括：

2.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤s1中，所述船舶运动时历数据包括船舶待预测自由度上的历史运动数据及对应的时间戳，运动数据沿时间方向上均匀分布，对分布不均匀运动数据采用三次样条拟合方法对数据进行变采样，经变采样后，获取船舶运动时历数据转换频率的数据。

3.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤s2中，所述船舶运动置信区间预报模型选取一元高斯分布或student-t分布两种概率分布模型作为船舶运动概率分布函数。

4.根据权利要求3所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，所述一元高斯分布的表达式为：

5.根据权利要求1所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤s2中，所述构建船舶运动置信区间预报模型包括：

6.根据权利要求5所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，在步骤（2）中，所述将训练集与验证集传入到神经网络模型中，并设置初始参数进行神经网络模型训练，包括：

7.根据权利要求5所述的基于置信区间的船舶运动极短期概率预报方法，其特征在于，步骤（3）中，所述采用训练好的船舶运动置信区间预报...

【专利技术属性】
技术研发人员：黄礼敏，蒋昊，陈航宇，王仕杰，
申请(专利权)人：青岛哈尔滨工程大学创新发展中心，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人