基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

基于AIS数据的船舶航迹多维预测方法

目前,船舶轨迹预测存在数据噪声严重、缺乏考虑历史轨迹的相似性的问题,导致预测精度不高,难以满足实际需求。针对该问题,从船舶自动识别系统(Automatic Identification System, AIS)数据去噪、在预测模型中考虑历史数据两个方面提高船舶轨迹单步预测的精度和可靠性。根据相邻时刻的AIS数据修复当前时刻的船舶运动参数;使用二维长短时记忆网络(Long Short-Term Memory, LSTM)算法分别从时间和空间的角度将当前船舶的航迹数据和历史轨迹数据相融合,建立航迹预测模型和区域预测模型;利用试验数据验证模型的综合性能。试验结果表明:该模型可获得精度较高的船舶航行轨迹。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

基于改进三参数灰色模型的海上交通事故预测

针对基于非齐次指数离散函数的灰色模型NHGM(1,1,k)在海上交通事故预测中存在的不足,提出一种优化背景值和残差综合修正的三参数灰色预测模型INHGM(1,1,λ,k),并通过改进的自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)算法对模型中的初始值和背景值进行优化计算。将INHGM(1,1,λ,k)模型和NGHM(1,1,k)模型与传统GM(1,1)模型应用于我国海上船舶交通事故的模拟与预测,并对模拟与预测数据的精度进行比较。结果表明:INHGM(1,1,λ,k)模型模拟和预测的平均相对误差较NGHM(1,1,k)模型更小,与传统的GM(1,1)模型相比预测精度较高,减少原模型由于参数近似替代所导致的模拟误差,在误差允许的范围内,可为船舶交通事故的预测和控制提供新的理论依据。     

基于大数据分析的船舶出海频率预测模型研究

传统船舶频率预测模型存在预测量与实际出海频率值差值较大的问题,通过分析发现,传统预测模型对频率干扰系数的应用缺乏灵活性,无法自适应匹配频率干扰系数值。针对问题根源,提出大数据分析的船舶出海频率预测模型。利用大数据分析算法,对船舶出海频率目标量进行最优量锁定;根据最优目标函数构建频率预测模型,并针对模型相关量进行大数据干扰系数自适应过滤,将静态频率干扰系数转换为动态频率干扰系数。最后通过定义预测任务参量,完成预测模型输出预测量的精度优化。通过与传统预测模型的仿真数据测试表明,设计模型能够将预测误差控制在0.8差值范围内,解决传统预测模型误差大于1.5差值的问题。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

改进灰色模型的船舶航行轨迹自动预测研究

为实现更加精准、自动化的船舶航行轨迹预测,利用改进灰色模型,提出一种基于改进灰色模型的船舶航行轨迹自动预测方法。在船舶航行中的AIS数据中对船舶航行轨迹数据进行提取,其中AIS数据具体包括船舶航程数据、船舶动态数据以及船舶动态数据。通过数据估计算法插补缺失数据,分为2个步骤,第1步是对插补数据进行识别,第2步是对其进行插补。通过改进灰色模型对船舶航行轨迹进行自动预测,主要使用基于缓冲算子改进的灰色模型构建船舶航行轨迹自动预测模型。选取某船舶服务项目中包含的船舶AIS数据作为实验数据,对设计方法进行实例测试。测试结果表明,设计方法的数据提取质量较高、预测模型的误差较小,具有广阔的市场应用前景。     

基于计算机视觉的船舶操纵受扰力预测模型

常规船舶操纵受扰力预测模型在高海况预测数据幅值较大的情况下,预测过程引入的误差较大,因此设计一种基于计算机视觉的船舶操纵受扰力预测模型。首先分析船舶水上受力,得到不同坐标系下船舶自由度向量,在一定假设条件下得到船舶受力方程,了解船舶的受力情况后对基于计算机视觉的船舶航行图像的质量进行处理,填充连通图像区域,完成图像形态学处理,提取出与船舶操纵受扰力相关的图像兴趣区域,结合船舶自身的特性,完成船舶操纵受扰力的预测。仿真实验的结果表明,设计的预测模型在高海况不同船舶航行速度下,预测误差均小于常规模型,验证了设计模型的准确度。     

船舶港口建筑工程造价的预测模型构建

针对当前船舶港口建筑工程造价预测误差、准确度低的缺陷,设计了基于贝叶斯回归算法的船舶港口建筑工程造价预测模型。首先对当前船舶港口建筑工程造价预测现状进行分析,分析船舶港口建筑工程造价预测误差大的原因,然后根据船舶港口建筑工程造价数据,引入贝叶斯回归算法对船舶港口建筑工程造价的变化态势进行拟合和预测,最后通过船舶港口建筑工程造价预测的仿真实验分析预测效果,本文模型很好把握了船舶港口建筑工程造价变化规律,船舶港口建筑工程造价预测精度超过95%,船舶港口建筑工程造价预测的训练和测试时间短,船舶港口建筑工程造价结果要明显好于其他模型,为船舶港口建筑工程造价预测提供了一种新的研究工具。     

基于混沌理论和改进极限学习机的船舶升沉预报（英文）

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分。为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM)。在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型。不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10%,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性。     

基于云推理的船舶航行速度非线性数学控制模型

传统的船舶航行速度数学预测模型在数据转换的过程中具备较大误差,导致最终的预测准确率较低。为了能够提高船舶航行速度预测的准确度,基于云推理建立船舶航行速度的非线性数学控制模型。建立云推理规则发生器,探究双条件下的运行模式,转化船舶航行的历史数据,以此建立全新的线性数学模型。实验结果表明,该数学控制模型的预测精度能够达到85.2%,相较于传统的集中数学模型有较大的改进,且建模时间也相对较短,因此可知该数学模型具备实用价值。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

基于RNN-LSTM的船舶运动轨迹预测

针对船舶轨迹预测精确性与实时性的需求，从数据层面探究影响船舶航行轨迹的特征，通过相关性分析确定网络的输入，提出结合循环神经网络-长短期记忆（Recurrent Neural Networks - Long Short Term Memory，RNN-LSTM）的船舶航行轨迹预测模型。通过船舶Z形试验相关数据与实船实际航行数据对网络模型进行训练，并对未来船舶航行轨迹进行预测。对未来轨迹的预测值与实际值进行对比。结果表明，模型预测误差小，验证该方案在船舶轨迹预测中的实用性和有效性。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。     

基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测

由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping, DTW)算法构造损失函数,提升模型的预测精度。结果表明：通过与灰色模型(Grey Model, GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA)、小波神经网络(Wavelet Neural Network, WNN)、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。     

RBF神经网络在船舶电力负荷预测中的应用

综合以往取得的研究成果,应用RBF神经网络对船舶电力负荷预测问题进行深入研究,提出一种基于RBF神经网络的船舶电力负荷预测方法。基于RBF神经网络实施船舶电力负荷预测,需要对对应的历史负荷数据进行选取。分两个层面对历史数据实施预处理,首先对异常数据实施完善和补充,接着实施样本归一化处理。基于RBF神经网络构建船舶电力负荷的对应预测模型,在模型的构建中,首先对节点数量进行确定。选取某高校实施船舶电站控制实验时使用的船舶作为实验船舶进行预测实例研究。根据研究中的实验结果,发现设计方法在预测时的相对误差较小,是一种预测精度较高的方法。     

基于支持向量机的船舶交通流量预测模型

针对船舶交通流的随机性大,影响因素多,船舶交通流量预测的准确度不高等现象,基于支持向量机理论,结合长江苏通大桥断面的观测数据,建立支持向量机的预测模型进行短期的船舶流量预测.预测结果与实际流量比较一致,优于SPSS线性回归的预测效果.验证了支持向量机预测模型在船舶流量短期预测中的可行性.     

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据.基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足.以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性.     

海滨吹填区软土地基固结沉降的预测研究

运用灰色理论建立地基沉降的非等时距的等维新息预测模型。采用胶州湾底海岸吹填区的地面沉降监测数据对预测模型进行检验,并与普通GM(1,1)模型的模拟结果进行比较,该模型的预测精度和计算精度均高于普通GM(1,1)模型,预测数据与实测数据的误差较小。本研究成果对类似的吹填区软土地基沉降监测具有一定参考价值。     

基于混沌理论和改进极限学习机的船舶升沉预报

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分.为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM).在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型.不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10％,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性.