【技术实现步骤摘要】
本专利技术涉及能耗数据处理与预测，具体为一种基于联邦学习的多船互通的能耗预测方法及系统。
技术介绍
1、船舶能耗预测是指利用数据分析和机器学习模型来预测船舶在多种影响因素下的能耗情况，以帮助船舶管理者优化航行路线、节约燃料成本，提高船舶的运行效率。准确地预测船舶能耗对实现航速优化，纵倾优化等具有重要作用。在实际预测过程中，需要考虑船舶油耗的影响因素，如航行速度、吃水、风速、浪高等都会对能耗带来影响；与此同时，良好的能耗预测结果很大程度上依赖于大量的有标注的监督学习数据，可以说在神经网络中训练的数据越多，其训练效果越好。然而在船舶能耗预测的实际应用中，单一的用户往往难以收集充足的高质量训练数据，因此传统能耗预测方法在实际应用中存在巨大困难。
2、现有的能耗预测方法存在以下困难：环境因素，复杂气象，季节，洋流等影响船舶能耗的环境因素多，需要采集的大数据维度多，是船舶能效模型的基础。工况因素，除了商船航行任务，海上工程船特种作业船将面对更为复杂的多任务、多工况的情况，这也给船舶能耗的精准建模带来了挑战。单船数据有限，单一船舶以及船队的运营路线相对固定，难以遇到和获取足够丰富的实际航行数据样本，特别是极端恶劣天气下的航行油耗数据样本。大数据建模需要依赖丰富完整的数据样本，有限的数据样本会导致建模效率低下，导致模型无法满足实际业务需求，提供有效的预测结果。在现有技术条件下，船队和船东之间由于不同的业务需求或商业利益的考虑，无法共享船舶能效和状态的数据。
技术实现思路
1、鉴于上述
2、因此，本专利技术解决的技术问题是：如何满足实际业务中多变的海况和复杂的工况场景，在保证数据隐私的前提下打通各个船队之间的数据壁垒，将共享数据用于训练统一的船舶能耗模型。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于联邦学习的多船互通的能耗预测方法，包括：
4、收集船舶的能耗数据，对数据进行预处理；
5、构建数学模型进行联邦学习，对模型进行初始化处理；
6、使用聚合服务器聚合各用户的梯度做全局训练，更新模型参数；
7、将全局能耗模型的参数反馈更新本地模型，达到全局模型收敛后，将模型应用于能耗预测；
8、所述对模型进行初始化处理包括，模型初始化，各参与方在本地进行模型训练，并得到梯度值；
9、，
10、其中，表示梯度计算函数；表示参与方；表示本地模型参数；表示针对第个参与方的目标函数求当前模型参数的梯度；
11、各参与方在获得模型梯度后，进行联邦学习训练及更新，使用加密技术，对模型参数进行掩饰，并将掩饰后的结果发送给聚合服务器，服务器进行安全聚合操作；使用paillier同态加密算法生成秘钥。
12、作为本专利技术所述的基于联邦学习的多船互通的能耗预测方法的一种优选方案，其中：所述收集船舶的能耗数据包括，收集船舶能耗及其相关特征数据，包括功率和使用频率高的用电设备的能耗数据，发电机、推进及辅助设备运行数据；航行操纵数据，航速/对水速度、舵角、船艏向、吃水、纵倾；海况数据：风速、风向、流速、流向、浪高、涌高、水深。
13、作为本专利技术所述的基于联邦学习的多船互通的能耗预测方法的一种优选方案，其中：所述对数据进行预处理包括，数据收集后对获得的数据集进行扫描，筛选删除缺失值、字符串及非数值型的数据，移除异常数据；
14、通过人工视检去除纵倾、吃水部分异常数据，通过3σ原则处理其他异常数据；
15、使用基于变量的分布特性处理缺失值；针对连续型变量，采用均值法进行插值补充；针对离散型变量通过转换成哑变量进行填充，针对字符串和非数值型数据，通过one-hot编码和标签编码进行转换，其中one-hot编码针对无序分类变量，标签编码针对有序分类变量。
16、作为本专利技术所述的基于联邦学习的多船互通的能耗预测方法的一种优选方案，其中：所述将全局能耗模型的参数反馈更新本地模型包括，服务器收集各参与方的模型参数，根据各方样本数量，用加权平均的方式进行聚合，得到下一轮模型参数，各参与方的计算量由三个关键参数控制，每一轮中执行计算的参与方的比例；每个参与方在每轮上对其本地数据集进行的训练步骤；参与方更新时所使用的本地小批量大小；
17、重复联邦学习训练及更新和模型参数聚合的步骤，利用损失函数对全局模型进行评估，直至得到的全局能耗模型满足收敛条件，将最终的全局能耗模型确定为目标能耗模型；
18、将训练好的目标模型部署到实际应用中进行能耗预测，将得到的目标模型传递给参与方；参与方将待预测的新样本输入目标模型，进行能耗预测。
19、作为本专利技术所述的基于联邦学习的多船互通的能耗预测方法的一种优选方案，其中：所述使用聚合服务器聚合各用户的梯度包括，首先聚合服务器将模型参数初始化，之后进行多轮参数聚合，每轮选取个参与方参与训练，；
20、在第轮，聚合服务器将本轮模型下发给各参与方，每个被选中的参与方同时在本地根据模型用本地数据训练自己的模型，即，训练完成之后将模型参数上传至聚合服务器，表示学习率；
21、生成密钥包括，随机选择两个大素数p，q，满足，且满足p,q长度相等，gcd表示最大公约数；计算和，公式表示为：
22、，
23、，
24、其中，表示最小公倍数；随机选择整数；定义l函数，并计算公式表示为：
25、，
26、，
27、得到公钥为，私钥为，表示模运算的符号；
28、加密过程包括，输入明文信息m，满足0mn；选择随机数r且，选择计算秘文；
29、解密过程包括，输入密文c，且满足，则计算明文消息。
30、作为本专利技术所述的基于联邦学习的多船互通的能耗预测方法的一种优选方案，其中：所述构建数学模型进行联邦学习包括，将数据集转化为多元时间序列监督学习数据集；设有个船东用户，第个船东本地多源时间序列监督数据集定义为：
31、 ，
32、其中，，表示中的第个数据样本，表示数据样本维度，表示数据样本数量，对应船只能耗标签为；
33、通过构建神经网络模型进行能耗预测，分别构建个深度神经网络能耗预测模型，公式表示为：
34、 ，
35、深度神经网络结构包括：输入层，输入为多元时间序列监督学习数据集；长短期记忆网络层，根据输入的数据获取时空多尺度特征；全连接输出层，用于获得能耗预测的结果。
36、一种采用如本专利技术任一所述方法的基于联邦学习的多船互通的能耗预测系统，其中：
37、数据收集与处理模块，收集船舶的多源能耗数据及相关特征数据，确保数据完整性，并处理数据中的异常值与缺失值，转化为适合模型训练的多元时间序列数据；
38、本地模型训练模块，负责在各参与方的本地服务器上构建深度神经网络模型，并进行初步模型训练，生成模型的本文档来自技高网...
【技术保护点】
1.一种基于联邦学习的多船互通的能耗预测方法，其特征在于，包括：
2.如权利要求1所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述收集船舶的能耗数据包括，收集船舶能耗及其相关特征数据，包括功率和使用频率高的用电设备的能耗数据，发电机、推进及辅助设备运行数据；航行操纵数据，航速/对水速度、舵角、船艏向、吃水、纵倾；海况数据：风速、风向、流速、流向、浪高、涌高、水深。
3.如权利要求2所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述对数据进行预处理包括，数据收集后对获得的数据集进行扫描，筛选删除缺失值、字符串及非数值型的数据，移除异常数据；
4.如权利要求3所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述将全局能耗模型的参数反馈更新本地模型包括，服务器收集各参与方的模型参数，根据各方样本数量，用加权平均的方式进行聚合，得到下一轮模型参数，各参与方的计算量由三个关键参数控制，每一轮中执行计算的参与方的比例；每个参与方在每轮上对其本地数据集进行的训练步骤；参与方更新时所使用的本地小批量大小；
5.如权利要
6.如权利要求5所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述构建数学模型进行联邦学习包括，将数据集转化为多元时间序列监督学习数据集；设有个船东用户，第个船东本地多源时间序列监督数据集定义为：
7.一种采用如权利要求1-6任一所述方法的基于联邦学习的多船互通的能耗预测系统，其特征在于：包括数据收集与处理模块、本地模型训练模块、联邦学习与安全聚合模块、模型评估与部署模块；
8.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的基于联邦学习的多船互通的能耗预测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于联邦学习的多船互通的能耗预测方法的步骤。
...【技术特征摘要】
1.一种基于联邦学习的多船互通的能耗预测方法，其特征在于，包括：
2.如权利要求1所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述收集船舶的能耗数据包括，收集船舶能耗及其相关特征数据，包括功率和使用频率高的用电设备的能耗数据，发电机、推进及辅助设备运行数据；航行操纵数据，航速/对水速度、舵角、船艏向、吃水、纵倾；海况数据：风速、风向、流速、流向、浪高、涌高、水深。
3.如权利要求2所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述对数据进行预处理包括，数据收集后对获得的数据集进行扫描，筛选删除缺失值、字符串及非数值型的数据，移除异常数据；
4.如权利要求3所述的基于联邦学习的多船互通的能耗预测方法，其特征在于：所述将全局能耗模型的参数反馈更新本地模型包括，服务器收集各参与方的模型参数，根据各方样本数量，用加权平均的方式进行聚合，得到下一轮模型参数，各参与方的计算量由三个关键参数控制，每一轮中执行计算的参与方的比例；每个参与方在每轮上对其本地数据集进行的训练步骤；参与方更新时所使用的本地小批量大小；
5....
【专利技术属性】
技术研发人员：黄彬，叶柏基，林锦艳，张一凡，范子华，赵景文，
申请(专利权)人：海南省木杉智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。