基于LSTM的船舶油耗预测方法、装置和存储介质与流程

本技术属于船舶油耗预测，具体涉及基于lstm的船舶油耗预测方法、装置和存储介质。

背景技术：

1、全球航运业一直是世界贸易和经济增长的重要推动力，其中船舶油耗预测一直是航运公司面临的一项重要挑战，准确的船舶燃料消耗预测，可以帮助航运公司做出有效的决策和优化运营。燃油消耗通常占据船舶运营成本的重要部分。准确地预测船舶的油耗有助于船舶运营商制定更有效的策略，如优化航行路线、调整船速和实施节油措施，从而降低燃油消耗和成本。船舶油耗预测可以帮助船舶公司和港口管理机构更好地分配和调度船舶资源。通过预测船舶的油耗，可以合理安排船舶的到港时间、停靠时间和装卸作业，提高港口和船舶的效率。此外，船舶油耗预测对环境保护和可持续发展也具有重要意义。船舶是重要的全球贸易运输方式，但也是环境污染的主要来源之一。通过准确预测船舶的油耗，可以帮助控制二氧化碳排放和其他污染物的释放，促进航运业的可持续发展和环境保护。

2、通过利用先进技术，如基于lstm建立时序模型实现船舶油耗预测，可以提高预测的准确性和可靠性，为船舶行业带来更大的效益和发展机会。但是目前的方案没有考虑不同时间尺度的相关信息，模型的学习能力和性能有待提高。

技术实现思路

1、本技术的技术目的在于提供基于lstm的船舶油耗预测方法，以解决现有技术的方案没有考虑不同时间尺度的相关信息，模型的学习能力和性能有待提高的技术问题。

2、本技术的技术目的还在于提供基于lstm的船舶油耗预测装置，以解决现有技术的方案没有考虑不同时间尺度的相关信息，模型的学习能力和性能有待提高的技术问题。

3、为实现上述技术目的，本技术采用以下方法。

4、第一方面，本技术提供了基于lstm的船舶油耗预测方法，用于预测所述船舶油耗，所述预测方法包括：

5、获取所述船舶相关的多个不同时间尺度的数据源特征序列；

6、将每一时间尺度的所述数据源特征序列，分别作为对应lstm模块的输入时间序列数据；

7、根据选择的注意力机制，确认每一所述lstm模块的注意力权重；

8、对每一所述lstm模块的输出和对应的所述注意力权重进行注意力加权求和操作，获得综合特征表示；

9、根据所述综合特征表示，获得所述船舶油耗预测结果。

10、进一步地，所述数据源特征序列包括环境特征参数和船舶特征参数，所述环境特征参数用于描述所述船舶所处海洋和大气环境的特征和状态，所述船舶特征参数用于描述所述船舶的形态、性能和规格的信息。

11、进一步地，所述环境特征参数包括流速、风速和涌浪高度，所述船舶特征参数包括船长、船宽、航速和船舶吃水。

12、进一步地，所述lstm模块包括多个lstm层，各所述lstm层的lstm隐藏单元的数量依次减少。

13、再进一步地，所述lstm模块还包括与所述多个lstm层中最后一层lstm层依次连接的全连接层和dropout层。

14、进一步地，根据选择的注意力机制，确认所述lstm模块的注意力权重，包括：

15、使用训练获得的注意力权重参数对每一所述lstm模块的输出进行点积，然后通过softmax函数进行规范化，得到相应的注意力权重向量。

16、再进一步地，得到相应的注意力权重向量之后还包括：

17、对所述注意力权重向量中每一所述注意力权重进行缩放，以确保它们的和为1，具体包括：

18、将每一所述注意力权重除以它们的和，从而得到归一化的注意力权重。

19、进一步地，多个所述不同时间尺度的数据源特征序列包括：

20、第一时间尺度的数据源特征序列、第二时间尺度的数据源特征序列和第三时间尺度的数据源特征序列，所述第一时间尺度、第二时间尺度和第三时间尺度的时间间隔依次减小。

21、进一步地，所述方法还包括训练步骤，训练步骤具体包括以下步骤：

22、输入历史多个不同时间尺度的数据源特征序列和对应实际船舶油耗数据，并分为训练集和测试集；

23、构建多个所述lstm模块以及所述注意力机制的初始注意力权重参数；选择损失函数来衡量输出的船舶油耗预测结果与实际船舶油耗数据之间的误差；基于所述训练集对所述lstm模块和初始注意力权重参数进行训练；

24、在每个训练迭代中，将训练集输入各所述lstm模型，确认输出和损失，并应用反向传播算法来更新所述lstm模型以及所述注意力权重参数，利用优化器来最小化损失函数，所述训练迭代中调整超参数；

25、在训练完成后，使用所述测试集进行评估，获得训练完成的所述lstm模块和所述注意力机制。

26、进一步地，所述方法还包括：

27、对所述数据源特征序列进行预处理，包括去除异常值、处理缺失值以及数据平滑。

28、第二方面，本技术实施例提供了基于lstm的船舶油耗预测装置，用于预测所述船舶油耗，所述预测装置包括，

29、输入单元，用于获取所述船舶相关的多个不同时间尺度的数据源特征序列；

30、lstm单元，用于将每一时间尺度的所述数据源特征序列，分别作为对应lstm模块的输入时间序列数据；

31、注意力单元，用于根据选择的注意力机制，确认所述lstm模块的注意力权重；

32、加权求和单元，用于对所述lstm模块的输出和所述注意力权重进行注意力加权求和操作，获得综合特征表示；

33、输出单元，用于根据所述综合特征表示，获得船舶油耗预测结果。

34、可以理解的是，在利用基于lstm的船舶油耗预测装置进行船舶油耗预测之前，需要对基于lstm的船舶油耗预测装置进行训练，训练的方法可参见以上描述以及图2，本技术实施例不再赘述。

35、第三方面，本技术实施提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面任意一种可能的实施方式所提供的基于lstm的船舶油耗预测。

36、与现有技术相比，本技术实施例提供的基于lstm的船舶油耗预测方法，通过采集多个时间尺度的特征参数，可以获得更全面、多样化的信息。不同时间尺度的参数可能与船舶油耗存在不同的关联关系，通过综合考虑这些参数，可以提高预测的准确性。当只采集单一时间尺度的特征参数时，船舶油耗预测结果可能对特定时间尺度下的变化更为敏感，容易受到异常或噪声数据的干扰；通过采集多个时间尺度的参数可以提供更多的信息，使预测方法具备更好的鲁棒性，能够更好地适应不同的数据变化和环境条件。通过引入注意力机制，设置各个lstm模块的注意力权重，可以自适应地关注多尺度数据源特征序列中对油耗预测重要的部分，并抑制对不相关的部分的注意。这使得预测方法在面对噪声等环境因素变化时能够更好地适应。

37、本技术实施例提供的基于lstm的船舶油耗预测装置，通过输入单元采集来自不同时间尺度的特征参数，能够收集到丰富而多样的数据信息，通过综合考虑这些参数，本技术实施例可以提高油耗预测的准确性，避免了只采集单一时间尺度的特征参数，预测结果容易受到异常或噪声数据的影响的问题，从而提高了预测的可靠性。通过使用多个时间尺度的参数，本技术实施例能够更好地适应不同数据变化和环境条件，从而提高对船舶油耗的预测准确性。通过注意力单元引入注意力机制，设置各个lstm模块的注意力权重，可以自适应地关注多尺度数据源特征序列中对油耗预测重要的部分，并抑制对不相关的部分的注意。这使得预测方法在面对噪声等环境因素变化时能够更好地适应。