一种根据海洋气象信息预测船舶航行气象因子的方法与流程

本发明属于船舶航运领域，具体涉及一种根据海洋气象信息预测船舶航行气象因子的方法。

背景技术：

航运业能源消耗和货物运转的大幅度增长，以及船舶的大型化导致航运碳排放速度增长，发达国家日益重视航运业低碳减排问题，国际航运碳排放限制的趋势已不可逆转。2013年1月1日国际海事组织(IMO)强制实施了“船舶能效设计指数(EEDI)”、“能效营运指数(EEOI)”和“船舶能效管理计划(SEEMP)”，这对船舶节能减排的开展工作具有强大推动力。“航行优化”是船舶节能减排的手段之一，其中海洋气象对船舶航行的影响是航行优化中极为重要的考虑因素，因此准确预测气象因子成为航行优化的技术难点。船舶航行过程中的船速受到船舶自身性能、船舶航行状态以及海洋气象条件等多种随机性因素的影响，预测海洋气象对船舶航速的影响具有重要指导意义。精确的预测气象因子能够更好的为气象导航平台提供数据支撑，使其能更加合理的为在航船舶推荐最佳航线以及最佳航速，不仅为船长的航行决策提供了科学性指导，而且能指导船员合理的操纵船舶航行，确保在航船舶在高能效、低排放的航行优化策略下实现船舶绿色航行。然而，海洋气象影响因素的随机多变性以及船舶自身性能的差异致使船速与各影响因素之间的函数关系无法准确确定，利用水池实验的物理模型以及流体力学的计算模型也无法为在航船舶提供实时的气象因子预测。

深度学习(Deep Learning,DL)是从统计学角度出发分析与挖掘数据内部的隐含关系，基于机器学习的理念，利用大量历史数据的分布并结合人工神经网络的仿生机制，通过建立多隐层的神经网络模型并不断地训练调优模型参数，挖掘历史数据之间隐含的模式与规律，最终得到一个解决实际问题的非线性函数关系进而实现数据预测的一种研究方法，其优势在于不仅能表达数据量更大更高维的集合，而且训练方式更加紧凑简洁。稀疏自编码(Sparse Auto-Encoders,SAE)是最常用的深度学习方法之一，它是由多个自编码器通过无监督学习训练得到的隐藏层堆叠而成，其前一层自编码器的隐藏层输出作为后一层自编码器的输入，用逐层贪婪训练法训练整个网络，即依次训练网络的每一层进而训练整个神经网络。稀疏自编码的优点是利用多层非线性映射组成的深度学习预测模型比浅层神经网络更有效，缺点是存在“梯度弥散”问题，即不能对底层网络进行全面学习，梯度下降法只对较高层的参数进行有效修正。

技术实现要素：

为了克服以上缺点，本发明提供了一种根据海洋气象信息预测船舶航行气象因子的方法，能够解决海洋气象对船舶航行影响中气象因子预测的问题，综合考虑船舶自身性能、船舶航行数据以及海洋气象变化等因素，从机器学习、大数据技术以及统计学的角度出发，通过构建交替稀疏自编码(ASAE)深度学习回归预测模型进行模型训练及参数优化，最终训练得到一个气象因子预测模型用于解决海洋气象因素对船舶航速影响的准确预测。

交替稀疏自编码(ASAE)是本发明提出的一种能够缓解“梯度弥散”的深度学习方法。该算法的优点是通过交替执行无监督学习与有监督学习实现底层参数的学习与调优，在预训练中首先利用无监督学习进行自编码网络训练，接着利用有监督学习的梯度下降法进行参数调优。ASAE模型每次只训练一层网络，并将该层网络训练得到的隐藏层数据作为下一层网络的输入数据，即逐层贪婪地训练隐藏层，直至训练完所有层的网络，最后将交替稀疏自编码网络学习到的参数进行权重转移，在模型最顶层附加一层BP神经网络自上而下的对所有层的参数进行回调。ASAE算法通过在代价函数中引入L2权重衰减约束以及KL散度稀疏性约束使残差平方和最小化，即L2权重衰减约束可以防止过拟合现象，KL散度保证了参数的稀疏性，提高了模型的泛化性并缩短了训练时间。

本发明提供的一种根据海洋气象信息预测船舶航行气象因子的方法，主要发明点是交替稀疏自编码(ASAE)模型，以及交替稀疏自编码(ASAE)深度学习的船舶航行气象因子预测模型框架。

交替稀疏自编码(ASAE)模型能够通过交替执行无监督学习与有监督学习实现底层参数的学习与调优，缓解深度学习方法普遍存在的“梯度弥散”问题。交替稀疏自编码(ASAE)深度学习的船舶航行气象因子预测模型框架利用了大量的船舶自身性能数据、历史航行数据和海洋气象数据，首先建立交替稀疏自编码(ASAE)回归预测模型，然后根据最小二乘法、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，最终目标是求解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，结合无监督学习和有监督学习实现逐层贪婪训练以及参数优化，最终得到优化后的船舶航行气象因子预测模型。

为了实现以上目的，本发明根据海洋气象信息预测船舶航行气象因子的方法包括以下步骤：

步骤一：建立船舶航行数据库。船舶航行数据库的建立。船舶航行数据库主要包括船舶自身性能数据、船舶航行历史数据以及海洋气象数据三部分。通过船舶航行报告得到船舶性能数据；通过历史航行日志记录得到船舶航行历史数据；收集来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)发布的气象预报信息作为海洋气象数据；最后将数据传送至数据库服务器进行构建船舶航行数据库。为了进行船舶航行气象因子的预测，需要采集的数据包括船长、船宽、船舶空载重量、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、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，其中气象因子作为模型的输出变量，其他变量作为模型的输入变量。

步骤二：数据预处理。针对步骤一中建立的船舶航行数据库进行数据选择，为数据中存在数据缺失的特征进行线性插值补充，然后将整合的船舶航行数据进行统一的归一化处理。由于航行数据特征间数值差异大，特征内部数值差异小的特点，严重影响了深度学习算法的执行效率和模型的复杂度，因此需要对航行数据进行归一化处理来消除量纲带来的差异。本发明中为了突出特征内部的微小差别，对步骤一中船舶航行数据选择的结果进行归一化后，将其转换为固定位数二进制表示，固定位数可以是八位二进制、十六位进制、三十二位二进制。

步骤三：建立交替稀疏自编码(ASAE)深度学习的气象因子预测模型。根据步骤二中训练数据集的分布特点以及特征变量与气象因子之间的复杂非线性关系，建立基于深度学习的交替稀疏自编码(ASAE)气象因子预测模型，该模型的输入矩阵X为步骤二中归一化变换后的训练数据集，预测输出矩阵为设置交替稀疏自编码(ASAE)模型隐藏层的数量以及每层隐藏层的神经元数量，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i表示模型的第i层，mi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。

步骤四：模型训练与参数优化。基于步骤二中得到的训练数据，根据交替稀疏自编码(ASAE)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(其中ρ为每层网络稀疏性的约束值，为每层网络的神经元激活度)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，该算法是沿着代价函数最小平方误差的方向对网络权重变量以及偏置变量进行调整。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。将交替无监督学习与有监督学习进行梯度下降法优化后的参数带入交替稀疏自编码(ASAE)深度学习回归预测模型建立步骤建立的预测模型中，得到训练后的ASAE气象因子预测模型。

步骤五：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步骤四中训练优化后得到的ASAE气象因子预测模型中，可以实现输出气象因子。

本发明与现有的人工神经网络(ANN)、稀疏自编码网络(SAE)预测模型相比，具有以下优点和效果：

1.本发明采用了基于深度学习的交替稀疏自编码(ASAE)模型，综合考虑了多种海洋气象因素对船舶航速产生的影响，降低了对复杂多元非线性数据回归预测的模型训练时间，同时提高了预测精度。

2.本发明能够实现在预训练过程中交替使用无监督学习与有监督学习进行逐层贪婪的训练，缓解深度学习普遍存在的“梯度弥散”问题，对模型底层数据进行了充分学习。

3.本发明具有较强的泛化能力并进行了变量稀疏性约束。本发明在代价函数中引入了L2权重衰减约束以及KL对比散度约束，分别为公式的第二项和第三项，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。

附图说明

图1为本发明根据海洋气象信息预测船舶航行气象因子的方法的流程图；

图2为本发明逐层贪婪训练的ASAE预测模型图。

具体实施方式

下面结合附图详细描述本发明提供的一种根据海洋气象信息预测船舶航行气象因子的方法。图1为根据海洋气象信息预测船舶航行气象因子的方法的流程图。

如图1，本发明根据海洋气象信息预测船舶航行气象因子的方法主要包括五个步骤：

步骤一：船舶航行数据库的建立。船舶航行数据库主要包括船舶自身性能数据、船舶航行历史数据以及海洋气象数据三部分。通过船舶航行报告得到船舶性能数据；通过历史航行日志记录得到船舶航行历史数据；收集来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)发布的气象预报信息作为海洋气象数据；最后将数据传送至数据库服务器进行构建船舶航行数据库。为了进行船舶航行气象因子的预测，需要采集的数据包括船长、船宽、船舶空载重量、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、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，其中气象因子作为输出响应，其他变量作为模型的输入变量。

步骤二：数据预处理。针对步骤一中建立的船舶航行数据库进行数据选择，为数据中存在数据缺失的特征进行线性插值补充，然后将整合的船舶航行数据进行统一的归一化处理。由于航行数据特征间数值差异大，特征内部数值差异小的特点，严重影响了深度学习算法的执行效率和模型的复杂度，因此需要对航行数据进行归一化处理来消除量纲带来的差异。本发明中为了突出特征内部的微小差别，对步骤一中船舶航行数据选择的结果进行归一化后，将其转换为固定位数二进制表示，固定位数可以是八位二进制、十六位进制、三十二位二进制。

步骤三：建立交替稀疏自编码(ASAE)深度学习的气象因子预测模型。根据步骤二中训练数据集的分布特点以及特征变量与气象因子之间的复杂非线性关系，建立基于深度学习的交替稀疏自编码(ASAE)气象因子预测模型，该模型的输入矩阵X为步骤二中归一化变换后的训练数据集，预测输出矩阵为设置交替稀疏自编码(ASAE)模型隐藏层的数量以及每层隐藏层的神经元数量，气象因子预测模型可用以下式子逐层计算：

式中，i表示模型的第i层，X表示第i层的输入矩阵，W、b分别表示上一层与该层网络的连接权值矩阵与偏置矩阵，是该层对应的预测输出矩阵，mi表示第i层包含的神经元个数，表示第i层隐藏层的第1个神经元的输出，z表示第i层神经元的加权和，f(z)表示加权和的激活值，常用的激活函数有线性函数、斜面函数、阈值函数、S形函数、双曲正切函数等，本发明选用的激活函数为S形函数如下：

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。

步骤四：模型训练与参数优化。交替稀疏自编码结合了无监督学习与有监督学习的特点，交替使用自编码网络的无监督学习与BP神经网络的有监督学习进行网络的预训练，每次预训练中BP神经网络利用梯度下降法进行了参数调优，该模型每次只训练一层网络，并将该层网络训练得到的输出数据作为下一层网络的输入数据，即逐层贪婪地训练隐藏层，直至训练完所有层的网络，最后将交替稀疏自编码网络学习到的参数进行权重转移，在最顶层附加一层BP神经网络自上而下的对所有层的参数进行回调。该网络参数调优的代价函数如下：

式中，λ为权重衰减因子，权衡误差平方项与L2权重衰减的比重，其中ρ为每层网络稀疏性的约束值，为每层网络的神经元激活度，β为稀疏性限制因子，控制网络参数的稀疏性比重。本发明中采用梯度下降法对网络参数进行调优，梯度下降法用于最小化模型代价函数，该算法是沿着代价函数最小平方误差的方向对网络权重变量以及偏置变量进行调整。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。将交替无监督学习与有监督学习进行梯度下降法优化后的参数带入交替稀疏自编码(ASAE)深度学习回归预测模型建立步骤建立的预测模型中，得到训练后的ASAE气象因子预测模型。

步骤五：模型应用。将船舶自身性能数据、船舶航行数据以及海洋气象数据输入步骤四中训练后得到的ASAE气象因子预测模型中，可以实现输出气象因子。

如图2为逐层贪婪训练的ASAE预测模型图。逐层贪婪训练方法是在模型预训练过程中逐层训练得到最优参数，即无监督地训练隐藏层参数，并利用有监督学习将参数调整到最优值，最优参数是代价函数达到最小值时的各层连接权值矩阵以及偏置矩阵。交替稀疏自编码模型是通过交替无监督学习与有监督学习逐层训练后的自编码网络隐藏层堆叠而成的，在该模型的最顶层附加一层BP神经网络并利用梯度下降算法实现模型的整体参数调优，将整体调优后的参数代入ASAE模型得到气象因子预测模型，最终将待预测的航行数据输入训练优化后得到的ASAE气象因子预测模型中，输出气象因子即实现海洋气象对船舶航速影响的预测。表1为ANN、SAE和本发明提出的ASAE模型的预测性能对比，这三个模型采用同样的7000条数据作为训练样本进行模型训练。从中可以看出，本发明提出的ASAE模型训练时间最短并且其预测结果的均方误差最小。

表1 ANN、SAE和ASAE模型的预测性能对比

本领域的技术人员可以对本发明进行各种改型和改变。因此，本发明覆盖了落入所附的权利要求书及其等同物的范围内的各种改型和改变。