一种基于动力法和注意力机制的船舶碳排放特征预测方法

1.本发明涉及船舶污染物排放估算技术和时序预测技术，特别涉及一种基于动力法和注意力机制的船舶碳排放多特征预测方法。


背景技术：

2.随着航运业在国际贸易活动和全球经济中发挥着越来越重要的作用，航运业的温室气体排放量也随之大幅增加，船舶交通繁忙的港口尤为严重，对海洋环境和人类健康产生了负面影响。减轻环境压力的最有效方法是减少污染物的排放，提高处理率，降低能源消耗。因此，应针对船舶活动频繁的港口附近水域制定详细的船舶排放清单，并根据过去排放特征预测未来一段时间的排放特征，掌握船舶碳排放的特征规律，以便相关部门采取有效的管理策略减少船舶排放。
3.基于ais数据的动力法被大部分学者用于估算船舶污染物排放，方法切实可行。但该方法对船舶ais系统有要求，由于内河中ais基站存在覆盖范围不全面、船舶上行信号受阻、ais系统受大气无线电干扰等因素，ais数据存在缺失、错误、重复等问题，内河船舶的污染物排放清单估计仍有局限性。而船舶大气排放清单是防控船舶大气污染的重要基础，有必要对其进行本地化研究，使其适应船舶排放的实际情况，进而建立准确的船舶排放清单。
4.此外，船舶的排放清单中包含着丰富的时序动态信息，时序序列能够用于预测动态演化过程。在过去几十年里，科学家们一直致力于开发能够捕捉时间序列潜在模式的专用模型，以便能够有效地推断未来。注意机制的发展带来了长期依赖性学习的改进，transformer架构在多种自然语言处理应用中实现了最先进的性能。最近的工作也证明了在时间序列预测应用中使用注意机制的好处，其性能优于可比的循环网络。
5.基于上述问题和现状，本发明采用基于ais数据的动力法和基于注意力机制的tft时序预测模型，利用船舶ais数据、船舶劳氏档案数据、污染物排放因子参数和地理信息，建立高分辨率的船舶碳排放清单，并实现对船舶的多时段污染物排放特征预测。本发明通过数据清理、ais数据轨迹整合、数据融合和数据补全等操作对ais数据进行预处理，保证ais数据的准确性。按船舶类型和船舶运行状态通过动力法对污染物排放量进行估算和分析，确保分析碳排放规律和预测碳排放特征实时考虑到动态船舶行为。对船舶的国籍、类型等属性进行关联研究，从船舶注册地、船舶类型和其他船舶属性以及时空方面掌握该区域内污染物排放源的特征规律及影响碳排放的因素，掌握船舶碳排放的来龙去脉，从而为我国制定精确的碳减排政策和碳交易提供数据支撑。


技术实现要素：

6.针对当前船舶污染治理面对的压力和当前方法存在的问题，本发明提供了一种基于动力法和注意力机制的船舶碳排放特征预测方法，实现对船舶碳排放的估算和未来排放特征的预测。本发明通过数据清洗，ais数据轨迹整合，数据融合和数据补全等操作，解决了ais数据在设备使用和数据传输采集过程中，由于传感器特性、信号干扰、传输通道拥塞等
原因出现的信息缺失、错误、重复、异常等状况带来的计算误差问题，保证了后续计算的精度。基于处理好的数据，采用动力法建立船舶高分辨率的船舶碳排放清单，并利用排放清单中的数据，整理成时序序列，实现对船舶污染物排放的多时段特征预测。
7.本发明所述的基于动力法和注意力机制的船舶碳排放特征预测方法由四个模块组成。第一个模块为ais数据的预处理模型：针对ais数据在存储和管理过程中可能存在的故障、错误、间断等问题，以及多路增量ais数据接入过程可能存在的数据缺失、异常、简短、速率不稳定等问题，根据船舶碳排放溯源的需求，结合船舶劳氏数据和地理信息，对数据进行数据清洗，ais数据轨迹整合，数据融合和数据补全操作，为后续计算提供高质量的数据基础。第二个模块为船舶高分辨率排放清单的建立：利用处理完成的船舶ais数据和地理信息，采用船舶动力法，根据污染物排放因子、船舶运行状态和其他船舶属性，分别计算船舶主机、辅机和锅炉的碳排放量，建立具体到单艘船舶、排放物所处设备、排放时间的高分辨率碳排放清单。第三个模块为船舶碳排放特征的预测：本模块提取出船舶碳排放清单中与预测目标相关的数据项，建立船舶碳排放时序序列，利用基于注意力机制的tft时序预测模型，学习各个特征之间的关系，实现对船舶碳排放的多时段特征预测。第四个模块为船舶碳排放特征规律的分析：根据建立的高分辨船舶碳排放清单和对未来碳排放特征的预测结果，从时空、船舶所属地、船舶类型、航行状态等不同维度分析船舶碳排放特征规律，并根据预测结果掌握未来排放特征，为相关部门制定减排措施提供数据支撑。
8.为实现上述目的，本发明采用如下的技术方案：
9.步骤s1：船舶ais数据预处理
10.本发明使用船舶ais数据完成船舶碳排放的计算和预测。由于ais数据在设备使用和数据传输采集过程中可能出现信息缺失、错误、重复、异常等状况，对后续的数据挖掘分析造成干扰。因此需要对ais数据进行预处理。
11.步骤s11：ais数据的数据清洗
12.异常数据包括数据异常、行为异常和位置异常。其中数据异常包括数据项超出阈值和缺失，行为异常包括航行状态超出阈值和航迹不符常理，位置异常包括船舶偏离航道和超出研究范围。对于异常的数据，需结合应用场景和理论基础对数据进行剔除或更正。
13.步骤s12：ais数据轨迹整合
14.由于ais设备每隔3秒到几分钟发送一次信号，数据量非常大，对于后续的计算过程非常不便，所以需要先对海量的ais数据进行计算整合。将一艘船在一个设备内(航道/锚地/泊位)的一次完整活动的轨迹点整合成一条轨迹，对应一条数据，便于后续处理和计算。
15.步骤s13：ais数据融合和补全
16.结合船舶劳氏档案数据，通过船舶的mmsi编码，与ais数据进行匹配融合，使ais数据中的动态轨迹信息和船舶静态属性相结合。对于劳氏数据库中不包含的数据，则结合实际应用场景和理论知识，采用关系式计算、统计、计算平均值的方法确定，最终建立完整的船舶污染物排放资料数据库。
17.步骤s2：建立高分辨率船舶碳排放清单
18.本发明采用船舶动力法，利用ais数据、船舶劳氏数据、排放因子参数和地理信息，分别计算船舶在不同航行状态、不同港口设备内的主机、辅机和锅炉的碳排放量，从而建立高分辨的船舶碳排放清单。
19.步骤s3：基于注意力机制的船舶碳排放特征预测模型
20.基于步骤s2中建立的船舶碳排放清单，从中提取出与预测目标相关的属性，并整理成时序数据，作为预测模型的输入。基于注意力机制的船舶碳排放特征预测模型通过学习时序数据中不同特征之间的关系及时序序列的时间依赖关系，基于过去的船舶碳排放特征，对未来船舶的碳排放情况做出预测。
21.步骤s4：船舶碳排放特征规律分析
22.根据建立的船舶碳排放清单和对船舶碳排放特征的预测，对船舶国籍、类型进行关联研究，从时空排放规律、船舶航行状态、产生排放构件等不同角度，多维度分析，掌握船舶碳排放的特征规律，从而为有关部门制定有针对性的减排政策提供有力的数据支撑和理论参考。
23.与已有技术相比，本发明有益效果在于：
24.本发明通过对船舶ais数据的数据清洗、轨迹整合、数据融合和数据补全操作，保证了ais数据的数据质量，避免因数据质量问题对后续计算结果造成影响。并且建立的排放清单，无论是在时间、空间，还是排放源，都保证了高粒度、高精度，进一步提高了船舶排放清单的精度，详细掌握了船舶碳排放的来龙去脉和影响船舶碳排放的驱动因素。此外，对于船舶碳排放情况的特征预测也达到了较为精确的效果，提前掌握船舶碳排放的趋势变化，为相关部门制定针对性的减排措施提供科学的决策依据。
附图说明
25.结合附图，从下面对本发明实施例的详细描述，将更好地理解本发明，附图中类似的标号指示类似的部分，其中：
26.图1为发明方法流程图；
27.图2为ais数据预处理流程图；
28.图3为本发明采用的基于注意力机制的temporal fusion transformer时序预测模型。
具体实施方式
29.针对当前船舶污染治理面对的压力，本发明提供了一种基于动力法和注意力机制的船舶碳排放特征预测方法，实现高分辨率的船舶碳排放清单的建立和未来多时段船舶排放特征的预测，从时空、船舶所属地、船舶类型、航行状态等不同维度分析船舶碳排放特征规律，并根据预测结果判断未来排放趋势，为相关部门制定减排措施提供数据支撑。本发明所述的基于动力法和注意力机制的船舶碳排放特征预测方法由四个模块组成，分别为船舶ais数据预处理模块、建立船舶高分辨率碳排放清单模块、基于注意力机制的船舶碳排放特征预测模型和船舶碳排放特征规律分析模块。
30.首先第一个步骤为ais数据的预处理：针对ais数据在存储和管理过程中可能存在的故障、错误、间断等问题，以及多路增量ais数据接入过程可能存在的数据缺失、异常、简短、速率不稳定等问题，根据船舶碳排放溯源的需求和实际应用场景，结合船舶劳氏数据和地理信息，对数据进行数据清洗，ais数据轨迹整合，数据融合和数据补全操作，以为后续计算提供高质量的数据基础。第二个模块为船舶高分辨率排放清单的建立：结合地理信息，采
用船舶动力法，根据污染物排放因子、船舶运行状态和其他船舶属性，分别计算船舶主机、辅机和锅炉的碳排放量，建立具体到每艘船舶、船舶所在设备、排放时间的高分辨率船舶碳排放清单。第三个模块为船舶碳排放特征的预测：本模块提取出船舶碳排放清单中与预测目标相关的数据项，建立船舶碳排放时序序列，利用基于注意力机制的tft时序预测模型，学习各个特征之间的关系，实现船舶碳排放的多时段特征预测。第四个模块为船舶碳排放特征规律的分析：根据建立的高分辨船舶碳排放清单和对未来船舶碳排放特征的预测，从时空、船舶所属地、船舶类型、航行状态等不同维度分析船舶碳排放特征规律，并根据预测结果掌握未来排放趋势，为相关部门制定减排措施提供数据支撑。
31.本发明中，如图1所示，一种基于动力法和注意力机制的船舶碳排放特征预测方法，包括以下步骤：
32.步骤s1：花粉数据预处理
33.本发明使用数字切片扫描仪nanozoomer-sq slice scanner将物质化的玻璃载玻片转换成数字化的全视野图像(whole slide images,wsi)。由于wsi图像具有超大的像素，不利于模型的直接训练和预测。另外，花粉颗粒非常稀疏，尺寸较小，与整张图像比例相差悬殊。因此需要对wsi图像其进行分层裁剪以获得适配模型输入的最优尺寸图像。
34.步骤s1：船舶ais数据预处理
35.本发明使用船舶ais数据完成碳排放的计算和预测。由于ais数据在设备使用和数据传输采集过程中可能出现信息缺失、错误、重复、异常等状况，对后续的数据挖掘分析造成干扰。因此需要对ais数据进行预处理，以保证数据的精度和后续计算的准确性。数据处理过程如图2所示。
36.步骤s11：ais数据的数据清洗
37.利用大数据分析技术针对海量存量ais数据中在存储和管理过程中可能存在的故障、错误、间断等问题，以及多路增量ais数据接入过程可能存在的数据缺失、异常、简短、速率不稳定等问题，结合实际应用场景对数据抽取以达到满意的分析结果。
38.根据船舶实时航速与船舶最大航速对比判断船舶航速异常，若船舶实时航速大于船舶最大航速，则为航速异常将轨迹点剔除；船舶航向角范围为0至360度，超过正常航向角范围视为航向角异常将轨迹点剔除；船舶mmsi编号不是九位数字的将轨迹点剔除；船舶类型、船名等其他数据字段超出阈值的轨迹点都剔除。将时间、轨迹点位置、行驶速度、航向角等动态信息数据项缺失的轨迹点剔除。若船舶轨迹点位置落在天津港范围外，视为轨迹点位置异常应剔除。另外，根据船舶imo编号、船舶名称以及上报时间等信息，剔除重复上报的ais信息。
39.步骤s12：ais数据轨迹整合
40.由于ais每隔3秒到几分钟发送一次信号，数据量非常大，对于后续的计算过程非常不便，所以需要先对海量的ais数据进行计算整合。对同一艘船舶在同一设备(航道/锚地/泊位)内的所有ais轨迹点进行整合，计算其在港口设备内的平均行驶速度、航行时间等。整合轨迹后的ais数据包括船舶mmsi、船舶类型、船舶所属国家、船长、船宽、驶入时间、驶离时间、所在设备id及名称、平均行驶速度、航行时间等信息，一艘船在一个设备内(航道/锚地/泊位)一次完整活动的所有轨迹点整合成一条轨迹，对应一条数据，可直接用于船舶污染物排放清单的计算。
41.步骤s13：ais数据融合和补全
42.船舶劳氏档案包括船舶的基本信息，如船舶mmsi、船舶建造年代、船舶所属国家、主发动机最大额定连续功率、主发动机转速(大于1000转/min以上高速机、300＜n≤1000转/min中速机、≤300转/min以下低速机)、主发动机制造商信息、辅机最大额定功率、发动机数目、设计最大航速、使用燃油种类、辅机最大额定功率、船舶种类等。通过船舶劳氏数据库提供的mmsi编码，在劳氏数据库中查找对应船舶的静态属性信息，并与整合轨迹后的ais数据进行匹配融合。
43.对于劳氏数据库中不包含的数据，则采用拟合关系式计算或统计平均值的方法确定，最终建立完整的船舶污染物排放资料数据库。对于船舶建造年份、船舶制造商信息，采用统计劳氏数据库中相应数据众数的方法。对于船舶吨级、船舶主机转速，采用计算劳氏数据库中相应数据平均值的方法。
44.大多数船只的发动机功率可以从劳氏数据库中提取，然而对于一些从数据库中找不到的船舶，为了提供更准确的估算结果，假设船舶的发动机功率与船舶类型及其总吨位有关，那么缺失的发动机功率信息可以通过船舶劳氏档案统计信息参照缺失信息的多少进行相补全。对于缺少发动机功率信息但有总吨位信息的船舶，采用非线性回归方法来预测这些船舶的发动机功率；对于缺少发动机功率信息和总吨位信息的船舶，采用大小相近的其他船舶的发动机功率作为这些船舶的发动机功率；对于只有mmsi号和船型信息的船舶，采用港口所有同类型船舶的平均功率作为这些船舶的发动机功率；对于只有mmsi号码的船舶，采用港口所有船舶的平均功率作为这些船舶的发动机功率。对于缺失的ae功率可以通过特定船型的ae功率与me功率之比来预测。为保证本研究中船舶排放估算结果的准确性，本发明参照《中国船舶大气污染物排放清单2016》确定不同类型船舶主机与辅机功率的比值。
45.步骤s2：建立高分辨率船舶碳排放清单
46.对于船舶温室气体co2排放的估算，本研究采用“自上而下”的动力法，以船舶主机、船舶辅机和锅炉输出的能量(单位：kw
·
h)与各种排放物相对应的排放因子相乘这一函数关系式为基础，计算中所采用的排放因子以g/kw
·
h为计量单位，最后结合相应的排放因子修正系数进行修正。结合地理信息，分别计算单艘船舶在单个航道、锚地和泊位内的co2排放量，再将整个港口网内不同时间的不同船舶的co2排放量整合，得到整个港口不同设施内的实时排放量，继而建立高分辨率的船舶co2排放清单。
47.步骤s21：船舶主机碳排放估算
48.船舶主机污染物排放估算公式如下：
49.ei＝mcr
×
lf
×
act
×
efi
×
fcf
×
cf
×
10-6
ꢀꢀ
(1)
50.其中ei为船舶主机co2的排放估算量，单位为吨；mcr为船舶主机最大连续额定功率，单位为kw；lf为船舶主机负荷系数，无量纲单位，计算公式为：
[0051][0052]
act为船舶航行时间，单位为h；efi为co2的排放因子，单位为：g/kw
·
h，低速柴油机的efi为620，中速柴油机的efi为683；fcf为燃油修正系数，无量纲单位，对于ro(2.7％s)、hfo(1.5％s)、mgo(0.5％s)、mdo(1.5％s)、mgo(0.1％s)不同燃油类型，co2的fcf均为1；
cf为船舶主机低负荷调整系数，无量纲单位，对于负荷系数lf为1％、2％、3％、4％、5％、6％、7％、8％、9％、10％、11％、12％、13％、14％、15％、16％、17％、18％、19％、≧20％的cf分别为5.82、3.28、2.44、2.01、1.76、1.59、1.47、1.38、1.31、1.25、1.21、1.17、1.14、1.11、1.08、1.06、1.04、1.03、1.01和1。
[0053]
步骤s22：船舶辅机碳排放估算
[0054]
船舶辅机污染物排放估算公式如下：
[0055]
eai＝a_mcr
×
lf_a
×
act
×
efai
×
fcf_a
×
10-6
ꢀꢀ
(3)
[0056]
其中eai为船舶辅机co2的排放估算量，单位为吨；a_mcr为船舶辅机最大连续额定功率，单位为kw，采用船舶劳氏数据库中数据补全，对于缺失的，则通过船舶辅机功率与船舶主机最大连续额定功率的比率推算，计算公式如下：
[0057]
a_mcr＝amr
×
mcr
ꢀꢀ
(4)
[0058]
amr为船舶辅机功率与船舶主机最大连续额定功率的比率，对于船舶类型为载车船、散货船、集装箱船、游轮、杂货船、远洋拖船、冷藏船、滚装船、油轮和其他类型的船舶，amr分别为0.266、0.222、0.22、0.278、0.191、0.222、0.406、0.259、0.211和0.222；mcr为船舶主机最大连续额定功率；lf_a为船舶辅机负荷系数，无量纲单位，根据船舶类型、航行状态确定，如表1所示；act为船舶辅机运行的时间，单位为h；efai为co2的排放因子，单位为g/kw
·
h，取值为683；fcf_a为燃油修正系数，无量纲单位，对于ro(2.7％s)、hfo(1.5％s)、mgo(0.5％s)、mdo(1.5％s)、mgo(0.1％s)不同燃油类型，co2的fcf_a均为1。
[0059]
表1.船舶辅机负荷比例系数lf_a
[0060][0061]
步骤s23：船舶锅炉排放估算
[0062]
船舶锅炉污染物排放的估算公式如下：
[0063]
ebi＝b
energy
×
act
×
efbi
×
10-6
ꢀꢀ
(5)
[0064]
其中ebi为船舶锅炉co2的排放量，单位为吨；b_energy为船舶锅炉的负荷功率，单位为kw，锅炉通常仅在船舶主负荷小于或等于20％时开启，船舶在海上正常航行时，锅炉处于关闭状态，因此锅炉负荷功率b_energy在巡航状态和减速区航行状态均为0，在其他航行状态下，对于船舶类型为载车船、散货船、集装箱船、游轮、杂货船、远洋拖船、冷藏船、滚装船、油轮和其他类型的船舶，b_energy分别为371、109、506、1393、137、0、109、464、3000和137；act为船舶锅炉开机运行的时间，单位为h；efbi为船舶锅炉co2的排放因子，为970g/kw
·
h。
[0065]
步骤s3：基于注意力机制的船舶碳排放特征预测模型
[0066]
本发明采用一种新颖的基于注意力机制的dnn架构，时间融合transformer(tft)模型，如图3所示。模型通过学习时序数据中不同特征之间的关系及时序序列的时间依赖关系，基于过去的船舶碳排放特征，对未来船舶的碳排放情况做出预测。模型的主要成分分别是：(1)门控机制：控制是否跳过架构中的某些组件，以适应数据集和应用场景；(2)变量选择网络：tft通过应用于静态协变量和时间相关协变量的变量选择网络进行变量选择，在每个时间步选择相关的输入变量，并去除不必要的噪声输入；(3)静态协变量编码器：通过对上下文向量进行编码来调节时间动态变量，从而将静态特征集成到网络中；(4)时间处理模块：从观察到的和已知的时变输入中学习时间关系，采用seqtoseq层进行局部处理，长期依赖则使用multi-head attention来捕获；(5)预测区间：通过分位数预测来确定每个预测范围内可能的目标值范围。
[0067]
本发明以步骤s2中建立的高分辨率co2排放清单作为模型的输入，实现对天津港船舶碳的多时段排放特征预测。其中输入包含目标值相关的已知输入和静态元数据，提取排放清单中的设备id作为静态变量，以时间信息年、月、日、星期、距离开始时间天数和各个设备以天为粒度的污染物排放量作为时变变量，利用模型学习它们与目标预测值(船舶碳排放量)之间的特征关系，从而生成预测时间范围内船舶可能的目标值范围。
[0068]
本发明以天为时间步长，按照7:2:1的比例将数据集划分为训练集、验证集和测试集。训练集用于特征学习，测试集用于超参数优化，测试集用于模型的性能评估。超参数优化通过随机搜索进行，选择最优的模型参数，可设置合适的迭代次数和epoch大小。所有超参数的完整搜索范围如下：
[0069]
·
hidden layer size—10，20，40，80，160，240，320
[0070]
·
dropout rate—0.1，0.2，0.3，0.4，0.5，0.7，0.9
[0071]
·
minibatch size—64，128，256
[0072]
·
learning rate—0.0001，0.001，0.01
[0073]
·
max gradient norm—0.01，1.0，100.0
[0074]
·
num heads—1，4
[0075]
本发明使用过去30天的数据预测未来1天的船舶碳放量，对于模型训练和超参数优化，采用联合最小化分位数损失，对所有分位数输出求和：
[0076][0077][0078]
其中ω是包含m个样本的训练数据的域，w表示tft的权重，q是输出分位数的集合(本发明使用q＝{0.1，0.5，0.9}，并且(.)+＝max(0，.)。对于测试集，整个预测范围内的标准化分位数损失，本发明重点关注p50和p90风险：
[0079][0080]
其中是测试样本的域。
[0081]
另外本发明还采用rmse、mae作为模型的评价指标。均方根误差rmse为预测误差的标准偏差，误差表示了实际点和预测回归线的距离，均方根误差表示实际点在预测回归线
周围的分布情况，范围为[0,+∞]，误差越大，该值越大。
[0082]
计算公式为：
[0083][0084]
平均绝对误差mae的范围为[0,+∞]，误差越大，该值越大。计算公式为：
[0085][0086]
这些方法被广泛用于评估回归问题的准确性，对于所有指标，值越低越好。
[0087]
步骤s4：船舶碳排放特征规律分析
[0088]
本发明根据建立的船舶碳排放清单和对船舶碳排放特征的预测，对船舶国籍、类型进行关联研究，从时空排放规律、船舶航行状态、船舶类型、船舶归属地、船舶所在设备等不同角度多维度、细粒度掌握船舶碳排放的特征规律，实现对港口海域内船舶的多时段碳排放特征预测，了解未来船舶碳排放趋势，为有关部门制定有针对性的减排政策提供有力的数据支撑和理论参考。通过对船舶碳排放时空维度的排放规律分析，掌握排放较多的时间段和港口设施，以便有关部门及时调整可用的人力资源和监管工作；通过对碳排放船舶航行状态维度的排放规律分析，量化不同航行状态下船舶的排放情况，以便港口管理人员进一步优化装卸方案，减少不必要的排放；通过对船舶归属地维度的碳排放分析，以便相关部门控制碳排放交易征税和加大对碳排放量大的国家/地区船舶的管控力度；通过对碳排放船舶类型维度的分析，掌握港口货物装卸结构，以便当地政府利用资本、技术和人力资源优势推进相关清洁能源项目的进行，进一步优化港口环保结构。

技术特征：
1.一种基于动力法和注意力机制的船舶碳排放特征预测方法，其特征在于，该船舶碳排放特征预测方法由四个模块组成；第一个模块为ais数据的预处理模型：根据船舶碳排放溯源的需求，结合船舶劳氏数据和地理信息，对数据进行数据清洗，ais数据轨迹整合，数据融合和数据补全操作，为后续计算提供高质量的数据基础；第二个模块为船舶高分辨率排放清单的建立：利用处理完成的船舶ais数据和地理信息，采用船舶动力法，根据污染物排放因子、船舶运行状态和其他船舶属性，分别计算船舶主机、辅机和锅炉的碳排放量，建立具体到单艘船舶、排放物所处设备、排放时间的高分辨率碳排放清单；第三个模块为船舶碳排放特征的预测：提取出船舶碳排放清单中与预测目标相关的数据项，建立船舶碳排放时序序列，利用基于注意力机制的tft时序预测模型，学习各个特征之间的关系，实现对船舶碳排放的多时段特征预测；第四个模块为船舶碳排放特征规律的分析：根据建立的高分辨船舶碳排放清单和对未来碳排放特征的预测结果，从时空、船舶所属地、船舶类型、航行状态不同维度分析船舶碳排放特征规律，并根据预测结果掌握未来排放特征，为相关部门制定减排措施提供数据支撑。2.根据权利要求1所述的基于动力法和注意力机制的船舶碳排放特征预测方法，其特征在于，船舶ais数据预处理中，使用船舶ais数据完成船舶碳排放的计算和预测；步骤s11：ais数据的数据清洗；异常数据包括数据异常、行为异常和位置异常；其中数据异常包括数据项超出阈值和缺失，行为异常包括航行状态超出阈值和航迹不符常理，位置异常包括船舶偏离航道和超出研究范围；对于异常的数据进行剔除或更正；步骤s12：ais数据轨迹整合；先对海量的ais数据进行计算整合；将一艘船在一个设备内的一次完整活动的轨迹点整合成一条轨迹，对应一条数据；步骤s13：ais数据融合和补全；结合船舶劳氏档案数据，通过船舶的mmsi编码，与ais数据进行匹配融合，使ais数据中的动态轨迹信息和船舶静态属性相结合；对于劳氏数据库中不包含的数据，则结合实际应用场景和理论知识，采用关系式计算、统计、计算平均值的方法确定，最终建立完整的船舶污染物排放资料数据库。3.根据权利要求1所述的基于动力法和注意力机制的船舶碳排放特征预测方法，其特征在于，建立高分辨率船舶碳排放清单中，采用船舶动力法，利用ais数据、船舶劳氏数据、排放因子参数和地理信息，分别计算船舶在不同航行状态、不同港口设备内的主机、辅机和锅炉的碳排放量，从而建立高分辨的船舶碳排放清单。4.根据权利要求1所述的基于动力法和注意力机制的船舶碳排放特征预测方法，其特征在于，基于注意力机制的船舶碳排放特征预测模型中，基于步骤建立的船舶碳排放清单，从中提取出与预测目标相关的属性，并整理成时序数据，作为预测模型的输入；基于注意力机制的船舶碳排放特征预测模型通过学习时序数据中不同特征之间的关系及时序序列的时间依赖关系，基于过去的船舶碳排放特征，对未来船舶的碳排放情况做出预测。5.根据权利要求1所述的基于动力法和注意力机制的船舶碳排放特征预测方法，其特征在于，船舶碳排放特征规律分析中，根据建立的船舶碳排放清单和对船舶碳排放特征的预测，对船舶国籍、类型进行关联研究，从时空排放规律、船舶航行状态、产生排放构件分
析，掌握船舶碳排放的特征规律。

技术总结
本发明公开了一种基于动力法和注意力机制的船舶碳排放特征预测方法，本方法采用基于AIS数据的动力法和基于注意力机制的TFT时序预测模型，利用船舶AIS数据、船舶劳氏档案数据、污染物排放因子参数和地理信息，建立高分辨率的船舶碳排放清单，并实现对船舶的多时段污染物排放特征预测。通过数据清理、AIS数据轨迹整合、数据融合和数据补全等操作对AIS数据进行预处理，保证AIS数据的准确性。按船舶类型和船舶运行状态通过动力法对污染物排放量进行估算和分析，确保分析碳排放规律和预测碳排放特征实时考虑到动态船舶行为。放特征实时考虑到动态船舶行为。放特征实时考虑到动态船舶行为。


技术研发人员：李永 谢温馨
受保护的技术使用者：北京工业大学
技术研发日：2023.06.02
技术公布日：2023/9/20