[發明專利]一種多源異構油耗數據特征提取及融合方法

有效

• 申請號: 202110410643.3
• 申請日: 2021-04-13
• 公開（公告）號: CN113076655B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 左毅;朱永潔;李鐵山;馬赫
• 申請（專利權）人: 大連海事大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N20/00
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 魯保良;李洪福

1.一種多源異構油耗數據特征提取及融合方法，其特征在于：包括以下步驟：

S1、對油耗數據進行預處理

油耗數據即與油耗相關的傳感器數據，油耗數據預處理包括補充缺失值和刪除異常值兩部分；首先，使用插值法對因傳感器故障產生的缺失值進行補充，然后將油耗數據中超出船舶正常操作區域的數據作為異常數據予以剔除；油耗數據包括船舶風速數據、縱傾數據、舵角數據、主機燃油數據、螺距數據、航速數據和吃水數據；

S2、對預處理后的各類油耗數據進行時域的一致性操作

時域的一致性操作包括分幀操作和幀移操作；所述分幀操作，即采用等長度的幀長d對時域進行移動分幀；所述幀移操作，即在移動分幀過程中相鄰兩幀之間具有一定的重疊區域，重疊區域稱為幀移，幀移長度取幀長的20％～60％；通過上述操作，保證不同采樣頻率的傳感器數據實現時域上的一致性；

S3、對各幀數據進行特征提取操作

根據步驟S2得到的數據，對各幀數據進行特征提取操作，特征提取包括統計特征提取與時間序列特征提取；兩種特征的提取過程如下：

S31、提取統計特征向量

各幀數據的統計特征包括平均值mean、方差variance、眾數mode、中位數median、上邊緣max、上四分位點Q₃、下四分位點Q₁和下邊緣min；

考慮各幀數據存在非標準正態分布，提取平均值、方差、眾數和中位數作為統計特征向量A；

考慮到各幀數據存在離群數據，提取上邊緣、上四分位點、下四分位點和下邊緣作為統計特征向量B；

將數據按數值大小排序得到上四分位點Q₃和下四分位點Q₁；并將上四分位點Q₃和下四分位點Q₁之間的間隔定義為：

IQR＝Q₃-Q₁

根據排列所得的上四分位點和下四分位點，得到幀內數據的上邊緣和下邊緣計算公式如下：

Max＝Q₃+IQR

Min＝Q₁-IQR

S32、提取時間序列特征向量

采用改進的階層聚類方法提取幀內數據的時間序列特征，采用歐氏距離作為相似性度量，具體過程如下：

S321、輸入分幀后的一幀數據D設定時間序列特征的個數為k；

S322、按下式計算迭代次數epoch：

epoch＝length(D)-k

其中length(D)表示計算一幀數據點個數；

S323、分別計算相鄰時間數據點的歐式距離dist(D_i,D_i+1)，即計算數據點i和數據點i+1之間的歐式距離，并將其存儲于變量dis(i)：

dis(i)＝dist(D_i,D_i+1)

S324、對歐式距離最近的相鄰數據點進行合并，取數據點i和數據點i+1的平均值進行合并，并將合并后的數據點覆蓋數據點i；

D_i＝(D_i+D_i+1)/2

S325、轉步驟S323，直至獲得k個時間序列特征：

c₁,c₂,…，c_k-1，c_k

S4、對統計特征向量與時間序列特征向量進行融合

將步驟S3得到的統計特征和時間序列特征進行融合，作為相關機器學習方法的輸入；所述特征融合，即將得到的各幀數據統計特征向量與時間序列特征向量進行合并，得到融合后特征向量；其中統計特征向量A與時間序列特征的融合特征向量為：

(mean，variance，mode，median,c₁,c₂,…，c_k)

統計特征向量B與時間序列特征的融合特征向量為：

(min,Q₁,Q₃,max,c₁,c₂,…，c_k)

S5、將融合后的特征作向量為機器學習方法的輸入

利用步驟S4得到的融合后的特征作向量作為機器學習方法的輸入，實現對船舶油耗的建模，所述機器學習方法包括線性回歸方法、支持向量回歸方法、人工神經網絡方法。