一种基于多模型融合的船舶能耗高精度预测系统

本发明涉及船舶能耗预测应用领域，尤其涉及一种基于多模型融合的船舶能耗高精度预测系统。

背景技术：

1、船舶智能能效管理是实现船舶绿色化和智能化发展的有效途径之一。为开展船舶能耗智能预测方法研究，进一步提高船舶智能能效管理水平，需要开展更加准确、高效的船舶能耗预测方法与技术研究。然而，现有船舶能耗预测模型预测精度低，且没有综合考虑航行气象数据等多变影响因素，从而导致能耗预测模型对航行环境适应性弱，难以实现船舶能耗的精准预测。

技术实现思路

1、本发明提供一种基于多模型融合的船舶能耗高精度预测系统，以克服上述技术问题。

2、一种基于多模型融合的船舶能耗高精度预测系统，包括数据收集与分析模块、单模型算法船舶能耗预测模块、多模型融合船舶能耗预测模块以及人机交互模块，

3、数据收集与分析模块用于收集船舶能效数据及气象数据，并对船舶能效数据及气象数据进行预处理，根据特征选择方法对预处理后的船舶能效数据和气象数据进行特征选择后得到特征数据集，并将特征数据集按一定比例划分训练集和测试集，

4、单模型算法船舶能耗预测模块用于分别使用训练集构建不同类型的船舶能耗预测模型并采用测试集进行测试，根据测试结果计算得到不同模型的性能评价指标，根据性能评价指标的取值选择满足约束条件的船舶能耗预测模型集，

5、多模型融合船舶能耗预测模块用于基于stacking模型融合方法对船舶能耗预测模型集进行融合，并将融合后的模型表示为融合模型，并根据贝叶斯优化算法和自适应算法对融合模型进行参数优化，根据优化后的融合模型对船舶能耗进行预测，

6、人机交互模块用于显示数据收集与分析模块、单模型算法船舶能耗预测模块以及多模型融合船舶能耗预测模块的分析处理、运行过程以及分析结果。

7、优选地，所述单模型算法船舶能耗预测模块包括基于统计机器学习的预测模型单元、基于神经网络算法的预测模型单元、基于集成学习算法的预测模型单元以及单模型对比分析单元，所述基于统计机器学习的预测模型单元包括基于多元线性回归模型的船舶能耗预测模型、基于支持向量回归的船舶能耗预测模型以及基于k近邻算法的船舶能耗预测模型，所述基于神经网络算法的预测模型单元包括基于bp神经网络的船舶能耗预测模型和基于长短期记忆神经网络的船舶能耗预测模型，所述基于集成学习算法的预测模型单元包括基于决策树的船舶能耗预测模型、基于随机森林算法的船舶能耗预测模型、基于极端梯度提升算法的船舶能耗预测模型、基于极端随机树的船舶能耗预测模型以及基于adaboost的船舶能耗预测模型，所述单模型对比分析单元用于根据测试集对不同类型的船舶能耗预测模型进行测试并获取测试结果，根据测试结果计算得到不同模型的性能评价指标，根据性能评价指标的取值选择满足约束条件的船舶能耗预测模型集。

8、优选地，所述根据性能评价指标的取值选择满足约束条件的船舶能耗预测模型集包括根据性能评价指标设置目标函数，

9、根据性能评价指标中的决定系数设置第一约束条件，将满足第一约束条件的船舶能耗预测模型存储至第一过滤模型集中，并分别计算第一过滤模型集中目标函数的取值并按照目标函数取值进行降序排序，

10、设置第二约束条件，所述第二约束条件为模型的数量约束，根据第二约束条件从第一过滤模型集中依次选择模型并存储至船舶能耗预测模型集中。

11、优选地，所述根据性能评价指标设置目标函数为根据公式(1)设置目标函数，

12、

13、式中，r2、mape、rmse、mae和mse分别为决定系数、平均绝对百分比误差、均方根误差、平均绝对误差和均方误差；w1、w2、w3、w4和w5为不同的权重系数且相加为1。

14、优选地，所述根据贝叶斯优化算法和自适应算法对融合模型进行参数优化包括，

15、步骤s1：获取船舶能耗预测模型集中的船舶能耗预测模型并表示为基础模型，

16、步骤s2：基于stacking模型融合方法对所获取的基础模型进行融合，并将融合后的模型表示为融合模型，

17、步骤s3：通过采用贝叶斯优化算法和自适应算法对基础模型的参数域空间内的近似最优超参数组合参数进行调整，

18、步骤s4：基于得到的基础模型的近似最优超参数组合，将其作为融合模型的参数，得到基于贝叶斯优化算法和自适应算法优化的融合模型。

19、优选地，所述步骤s2包括构建一个包含两层结构的模型，所述模型的第一层为基础学习层，所述模型的第二层为元学习层，所述基础学习层用于根据特征数据集分别对船舶能耗预测模型集中的船舶能耗预测模型进行k折交叉验证训练并生成新数据集，将新数据集划分为新训练集和新测试集，所述元学习层用于构建元模型并根据新数据集对元模型进行学习，所述学习包括分别根据新训练集和新测试集对元模型进行训练和测试，将训练和测试后的元模型表示为融合模型。

20、本发明提供一种基于多模型融合的船舶能耗高精度预测系统，设计了目标函数，分别计算不同类型的船舶能耗预测模型的性能评价指标的取值，基于第一约束条件和第二约束条件选择了多种性能较佳的单模型，并根据stacking模型对性能较佳的单模型进行了融合，构建了基于stacking框架的船舶能耗预测融合模型，并通过贝叶斯优化算法和自适应算法对融合模型进行了优化，从而提高了船舶能耗预测融合模型的预测精度。

技术特征：

1.一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，包括数据收集与分析模块、单模型算法船舶能耗预测模块、多模型融合船舶能耗预测模块以及人机交互模块，

2.根据权利要求1所述的一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，所述单模型算法船舶能耗预测模块包括基于统计机器学习的预测模型单元、基于神经网络算法的预测模型单元、基于集成学习算法的预测模型单元以及单模型对比分析单元，所述基于统计机器学习的预测模型单元包括基于多元线性回归模型的船舶能耗预测模型、基于支持向量回归的船舶能耗预测模型以及基于k近邻算法的船舶能耗预测模型，所述基于神经网络算法的预测模型单元包括基于bp神经网络的船舶能耗预测模型和基于长短期记忆神经网络的船舶能耗预测模型，所述基于集成学习算法的预测模型单元包括基于决策树的船舶能耗预测模型、基于随机森林算法的船舶能耗预测模型、基于极端梯度提升算法的船舶能耗预测模型、基于极端随机树的船舶能耗预测模型以及基于adaboost的船舶能耗预测模型，所述单模型对比分析单元用于根据测试集对不同类型的船舶能耗预测模型进行测试并获取测试结果，根据测试结果计算得到不同模型的性能评价指标，根据性能评价指标的取值选择满足约束条件的船舶能耗预测模型集。

3.根据权利要求1所述的一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，所述根据性能评价指标的取值选择满足约束条件的船舶能耗预测模型集包括根据性能评价指标设置目标函数，

4.根据权利要求3所述的一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，所述根据性能评价指标设置目标函数为根据公式(1)设置目标函数，

5.根据权利要求1所述的一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，所述根据贝叶斯优化算法和自适应算法对融合模型进行参数优化包括，

6.根据权利要求5所述的一种基于多模型融合的船舶能耗高精度预测系统，其特征在于，所述步骤s2包括构建一个包含两层结构的模型，所述模型的第一层为基础学习层，所述模型的第二层为元学习层，所述基础学习层用于根据特征数据集分别对船舶能耗预测模型集中的船舶能耗预测模型进行k折交叉验证训练并生成新数据集，将新数据集划分为新训练集和新测试集，所述元学习层用于构建元模型并根据新数据集对元模型进行学习，所述学习包括分别根据新训练集和新测试集对元模型进行训练和测试，将训练和测试后的元模型表示为融合模型。

技术总结
本发明公开了一种基于多模型融合的船舶能耗高精度预测系统，包括数据收集与分析模块用于收集并处理船舶能效数据及气象数据，根据特征选择方法对数据进行特征选择；单模型算法船舶能耗预测模块用于构建不同类型的船舶能耗预测模型并进行测试，基于测试结果选取性能优异的模型构成船舶能耗预测模型集；多模型融合船舶能耗预测模块用于通过Stacking模型融合方法将船舶能耗预测模型集中的基础模型进行融合，并采用贝叶斯优化算法和自适应算法优化融合模型，根据优化后的融合模型进行船舶能耗预测；人机交互模块用于对其他模块的分析处理、运行过程以及分析结果进行显示。本发明构建了基于Stacking的船舶能耗预测融合模型，提高了船舶能耗预测融合模型的预测精度。

技术研发人员：王凯,国鑫,王建行,黄连忠,马冉祺,赵俊豪
受保护的技术使用者：大连海事大学
技术研发日：
技术公布日：2024/1/15