[發明專利]一種基于LSTMC混合網絡的船舶橫搖預測方法

有效

• 申請號: 202110226036.1
• 申請日: 2021-03-01
• 公開（公告）號: CN112948969B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 王宇超;王輝;傅薈璇;王成龍;付明玉;鄒德鑫;王秋蘇;張明月;顧志強
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06F119/14
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明一種基于LSTMC混合網絡的船舶橫搖預測方法，使用Pandas讀取數據集數據并進行數據的預處理，將大地風速、船舶姿態角及其角速度數據傳入網絡進行訓練；搭建LSTMC混合網絡；訓練LSTMC混合網絡；用Keras高層接口Keras.Model.fit()方法進行模型的訓練，設置保存評價指標MSE、MAPE最優的一次模型參數；把新的船舶姿態數據傳入到訓練好的混合網絡中去，得到預測的船舶姿態數據。本發明能夠快速準確地完成對船舶橫搖的預測，相比其他單一的神經網絡模型，不僅能夠提取時間特征，而且能夠提取空間特征，提高預測精度。

技術領域

本發明涉及船舶領域，尤其涉及一種基于LSTMC混合網絡的船舶橫搖預測方法。

背景技術

船舶在海上航行時受到大風、海浪以及洋流等不確定性外力的耦合影響，由于船舶整體受力情況非常復雜，此時船舶會發生無規律的搖擺。在船舶的各種姿態角中，其中橫搖對于船舶的安全性威脅最大。不僅會影響船員的舒適感，而且會對船舶的航行產生很大的安全隱患，所以船舶橫搖預測一直是一個熱門的課題。2015年6月1號，東方之星旅游客船在長江中游湖北監利水域傾覆事的件就是一個悲痛的例子。此次事件中，經各方全力搜救，事發時船上454人中僅有12人生還，由此可見船舶橫搖不僅對于船舶來講是至關重要的，對于人的生命安全更加重要。如果能預測船舶在未來幾秒鐘內的運動姿態，那么當危險來臨時可以提前將船舶進行預控制，將極大地提高船舶水上作業時的安全性和穩定性。

在船舶運動姿態預測方面現有的預測算法主要有卡爾曼濾波法、譜估計法、艏前波法、基于自回歸模型的方法、基于混沌分析的方法和人工神經網絡方法等。本方法采用混合神經網絡作為預測模型，神經網絡有強大的特征提取能力與非線性映射能力，比較傳統方法有更好的預測效果。但是單一神經網絡預測模型在面對復雜多變的非線性時間序列時往往難以有好的預測效果，所以本方法采用LSTM模型與卷積模型的混合模型作為預測模型。混合預測模型在MSE、MAPE等評價指標上均優于單一模型。

發明內容

為了解決上述技術問題，本發明提供了一種基于LSTMC混合網絡的船舶橫搖預測方法。

本發明的目的是這樣實現的：

一種基于LSTMC混合網絡的船舶橫搖預測方法，包括如下步驟：

步驟1：使用Pandas讀取數據集數據并進行數據的預處理，每10步數據為一組，前8步的數據作為訓練數據用于擬合網絡參數，第9、10步的數據作為預測數據，每一組訓練數據及其預測數據為一個訓練樣本，64個訓練樣本為一個批次，將大地風速、船舶姿態角及其角速度數據傳入網絡進行訓練；

步驟2：搭建LSTMC混合網絡；使用Keras高層接口Keras.Model.compile()方法進行模型的裝配，設置參數Epoch＝30，Batch size＝64，優化器為Adam，評價指標器為MSE、MAPE；

步驟3：訓練LSTMC混合網絡；用Keras高層接口Keras.Model.fit()方法進行模型的訓練，設置保存評價指標MSE、MAPE最優的一次模型參數；

步驟4：經過步驟3后得到混合網絡的模型參數，把新的船舶姿態數據傳入到訓練好的混合網絡中去，得到預測的船舶姿態數據。

所述步驟2中的LSTMC混合網絡包括一層雙向LSTM網絡、兩層卷積層、兩層最大池化層、兩層全連接層，一層神經元連接隨機組斷層，雙向LSTM層提取數據的時間特征，兩層卷積層提取數據的空間特征。

所述雙向LSTM網絡神經元個數為：第一層64，第二層100

與現有技術相比，本發明的有益效果是：

本發明能夠快速準確地完成對船舶橫搖的預測，相比其他單一的神經網絡模型，不僅能夠提取時間特征，而且能夠提取空間特征，提高預測精度。

附圖說明