一种基于弹性回归网络的船舶油耗预测方法

1.本发明属于船舶油耗预测技术领域，特别涉及一种基于弹性回归网络的船舶油耗预测方法。


背景技术：

2.国际海事组织(imo)为逐步控制和减少航运业的二氧化碳排放，计划以《船舶能源效率管理计划》(seemp)为基础，制定适用于所有船舶的强制性标准,并正式通过关于船舶燃油消耗数据收集系统marpol附则vi修正案。且燃料费用已经成为船舶运营费用中最大的成本项目，几乎占航行成本的50％。经济和环境等因素共同决定了船舶都应该以更低的油耗和排放投入到未来的运营。
3.预测船舶在不同航行条件下的油耗，提高航运业的运营效率已成为一个重要课题。目前的油耗预测模型大多是非线性模型。这些模型虽然取得了较好的预测效果，但由于航行过程的复杂性，影响船舶操纵性能的因素很多，如风速、船速、纵倾和吃水等，即使非线性模型具有较好的预测精度，也不能很好地解释影响因素之间的关系。而且，少数线性回归模型中并没有考虑这些因素之间存在的多重共线性，从而使线性回归中两个或多个因素构成的模型预测失真。


技术实现要素：

4.为解决现有技术存在的上述问题，本发明要设计一种能够降低模型的复杂度的同时、提高预测精度的基于弹性回归网络的船舶油耗预测方法。
5.为实现上述目的，本发明的技术方案如下：一种基于弹性回归网络的船舶油耗预测方法，包括以下步骤：
6.s1、采集数据
7.s11、采集油耗数据，通过在船舶上安装燃油计采集船舶油耗数据，并将采集到的数据上传至数据库。
8.s12、采集油耗影响因素数据，通过在船舶上安装多种传感器，精确测量航行油耗影响因素数据：安装多普勒计程仪采集船舶对水航速；安装风速仪收集船艏风与横向风的风速；安装舵角指示器采集左、右舵的舵角；安装雷达液位计采集左、右舷的吃水；安装纵倾传感器收集纵倾角度；安装螺旋桨传感器收集左右螺距；并将采集的油耗影响因素数据上传到数据库中。
9.s2、数据预处理
10.s21、删除异常数据。若油耗数据服从正态分布，则根据3σ原则，当样本距离平均值大于3σ，则认定该样本为异常数据；若数据不服从正态分布，则通过远离平均距离3倍的标准差来判定异常数据。最后将各类数据的异常数据删除。
11.s22、数据重构。将油耗数据和油耗影响因素数据按照相同的时间周期分别计算平均值，将油耗数据和油耗影响因素数据的平均值分别作为后续油耗预测模型的输入数据。
12.s23、数据插值。采用线性插值法，对油耗数据和油耗影响因素数据中的缺失数据进行补偿，其表达式如下：
[0013][0014]
其中，a、b分别表示缺失数据的时间点和最终插值，a0和b0分别表示缺失数据的前一个时间点和数值；a1和b1分别表示缺失数据的后一个时间点和数据。
[0015]
s24、数据归一化。采用min-max标准化方法对油耗数据以及影响因素数据进行归一化处理，其表达式如下：
[0016][0017]
其中，x
norm
为归一化后的数据，x为原始数据，x
min
和x
max
分别为原始数据集中的最小值和最大值。归一化后的油耗数据和影响因素数据组成了数据集。
[0018]
s3、建立预测模型
[0019]
s31、定义变量。将油耗变量定义为因变量，影响因素变量定义为自变量，所述影响因素变量包括船速、风速、纵倾、左舷吃水、右舷吃水、左舷舵角、右舷舵角、左螺旋桨螺距、右螺旋桨螺距。
[0020]
s32、建立油耗预测模型。采用弹性回归网络建立油耗预测模型，在弹性回归网络中同时采用lasso回归网络和岭回归网络，以l1正则和l2正则作为正则化矩阵的弹性回归网络的惩罚项。
[0021][0022]
其中，yi表示第i时刻的油耗数据，x
ij
表示第i时刻的第j个变量的特征值，其中i＝1,2，...，n；j＝1,2，...p，n为观测值的个数，p为输入变量的个数。β0，β1，...β
p
为油耗预测模型参数，代表惩罚项。通过ρ参数调节l1和l2的凸组合，当ρ＝0时，弹性回归网络即为岭回归网络；当ρ＝1时，弹性回归网络回归即为lasso回归网络。在弹性回归网络中，λ代表惩罚项对弹性回归网络收敛程度的影响，当λ＝0时，惩罚项对弹性回归网络没有影响。
[0023]
s33、优化参数λ和ρ。采用k折交叉验证法确定油耗预测模型参数，将预处理后的数据集分成k份，轮流将其中k-1份作为训练集，1份作为测试集。在每组训练集和测试集下都有一个对应的弹性回归网络，采用拟合优度r2作为油耗预测模型评价指标，采用k次评价指标平均值最好的一组λ和ρ作为油耗预测模型参数。
[0024]
s3、评价油耗预测模型
[0025]
采用均方根误差rmse和拟合优度r2作为油耗预测模型的评价指标，其表达式如下：
[0026][0027][0028]
其中，observed
t
表示时间t时的观测值；predicted
t
表示时间t时的预测值；mean表示样本的平均值；n表示样本总量。
[0029]
rmse的值越小，r2越趋近于1，代表由船舶油耗预估模型所得到的船舶油耗预估值与实测的船舶油耗值之间的偏差越小。
[0030]
进一步地，所述燃油计的采样周期为0.5-3秒；多普勒计程仪的采样周期为2-5秒；风速仪的采样周期为1-5秒；舵角指示器的采样周期为0.5-3秒；雷达液位计的采样周期为0.3-3秒；纵倾传感器的采样周期为0.3-3秒；螺旋桨传感器的采样周期为0.5-3秒。
[0031]
所述时间周期为2-5分钟。
[0032]
与现有技术相比，本发明的优点如下：
[0033]
1、本发明结合最小绝对收缩和选择算子(least absolute shrinkage and selection operator，lasso)回归和岭回归(ridge regression)模型建立了弹性回归网络来筛选合适的影响因素，降低了油耗预测模型的复杂度的同时，提高了预测精度。
[0034]
2、本发明通过结合lasso回归和岭回归，使弹性回归网络兼有lasso回归和岭回归的优点。一方面具有lasso回归的优点，删除了对因变量影响较小的特征，解决多个特征变量之间的多重共线性问题。另一方面达到了岭回归防止过拟合的目的，提高了预测模型的精确度的同时，减低了模型的复杂度。
[0035]
说明附图
[0036]
图1是本发明的流程图。
[0037]
图2是油耗预测模型的参数确定流程图。
具体实施方式
[0038]
为使本发明实施例目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有实施例，都属于本发明的保护范围。
[0039]
如图1-2所示的一种基于弹性回归网络的船舶油耗预测方法，具体包括以下步骤：
[0040]
s1、数据采集
[0041]
s11、采集油耗数据，通过在船舶上安装燃油计采集船舶油耗信息并上传至数据库，燃油计的采样周期为1秒。
[0042]
s12、采集油耗影响因素数据，通过在船舶上安装大量且多种多样的传感器，例如：多普勒计程仪的采样周期为3秒；风速仪的采样周期为2秒；舵角指示器的采样周期为1秒；雷达液位计的采样周期为0.45秒；纵倾传感器的采样周期为0.5秒；螺旋桨传感器的采样周
期为1秒。精确测量航行相关信息，并将采集的各类数据上传到数据库中。
[0043]
s2、数据预处理
[0044]
s21、删除异常数据。对数据进行清洗，删除异常值和噪声。
[0045]
s22、数据插值。采用线性插值法，对数据中的缺失部分进行合理的补偿。
[0046]
s23、数据重构。由于各传感器收集数据的频率不一致，将收集的油耗数据和各类影响因素数据进行数据重构，时间周期为3分钟，便于后续油耗预测模型建立。
[0047]
s24、数据归一化。采用min-max标准化方法对油耗数据以及各类影响因素数据进行归一化处理。
[0048]
s3、建立预测模型
[0049]
s31、变量定义。将油耗定义为因变量，船速、风速、纵倾、左舷吃水、右舷吃水、左舵舵角、右舵舵角、左螺旋桨螺距、右螺旋桨螺距定义为自变量变量。
[0050]
s32、模型建立。采用弹性回归网络建立油耗预测模型，在弹性回归网络中同时采用lasso回归和岭回归，以l1正则和l2正则作为正则化矩阵的弹性回归网络模型的惩罚项。
[0051]
s33、参数λ和ρ优化。采用10折交叉验证法确定模型参数，将数据集分成10份，轮流将其中9份做训练，1份做验证。10次的结果的均值作为对算法精度的估计，选择的一组λ和ρ作为模型参数。
[0052]
s4、模型评价。均方根误差rmse和拟合优度r2作为弹性网络回归模型的评价指标。rmse为0.0198，r2为0.9879，说明弹性网络回归模型的预测误差较小。
[0053]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行同等替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于弹性回归网络的船舶油耗预测方法，其特征在于：包括以下步骤：s1、采集数据s11、采集油耗数据，通过在船舶上安装燃油计采集船舶油耗数据，并将采集到的数据上传至数据库；s12、采集油耗影响因素数据，通过在船舶上安装多种传感器，精确测量航行油耗影响因素数据：安装多普勒计程仪采集船舶对水航速；安装风速仪收集船艏风与横向风的风速；安装舵角指示器采集左、右舵的舵角；安装雷达液位计采集左、右舷的吃水；安装纵倾传感器收集纵倾角度；安装螺旋桨传感器收集左右螺距；并将采集的油耗影响因素数据上传到数据库中；s2、数据预处理s21、删除异常数据；若油耗数据服从正态分布，则根据3σ原则，当样本距离平均值大于3σ，则认定该样本为异常数据；若数据不服从正态分布，则通过远离平均距离3倍的标准差来判定异常数据；最后将各类数据的异常数据删除；s22、数据重构；将油耗数据和油耗影响因素数据按照相同的时间周期分别计算平均值，将油耗数据和油耗影响因素数据的平均值分别作为后续油耗预测模型的输入数据；s23、数据插值；采用线性插值法，对油耗数据和油耗影响因素数据中的缺失数据进行补偿，其表达式如下：其中，a、b分别表示缺失数据的时间点和最终插值，a0和b0分别表示缺失数据的前一个时间点和数值；a1和b1分别表示缺失数据的后一个时间点和数据；s24、数据归一化；采用min-max标准化方法对油耗数据以及影响因素数据进行归一化处理，其表达式如下：其中，x
norm
为归一化后的数据，x为原始数据，x
min
和x
max
分别为原始数据集中的最小值和最大值；归一化后的油耗数据和影响因素数据组成了数据集；s3、建立预测模型s31、定义变量；将油耗变量定义为因变量，影响因素变量定义为自变量，所述影响因素变量包括船速、风速、纵倾、左舷吃水、右舷吃水、左舷舵角、右舷舵角、左螺旋桨螺距、右螺旋桨螺距；s32、建立油耗预测模型；采用弹性回归网络建立油耗预测模型，在弹性回归网络中同时采用lasso回归网络和岭回归网络，以l1正则和l2正则作为正则化矩阵的弹性回归网络的惩罚项；
其中，y
i
表示第i时刻的油耗数据，x
ij
表示第i时刻的第j个变量的特征值，其中i＝1,2,
…
,n；j＝1,2,
…
p，n为观测值的个数，p为输入变量的个数；β0,β1,
…
β
p
为油耗预测模型参数，代表惩罚项；通过ρ参数调节l1和l2的凸组合，当ρ＝0时，弹性回归网络即为岭回归网络；当ρ＝1时，弹性回归网络回归即为lasso回归网络；在弹性回归网络中，λ代表惩罚项对弹性回归网络收敛程度的影响，当λ＝0时，惩罚项对弹性回归网络没有影响；s33、优化参数λ和ρ；采用k折交叉验证法确定油耗预测模型参数，将预处理后的数据集分成k份，轮流将其中k-1份作为训练集，1份作为测试集；在每组训练集和测试集下都有一个对应的弹性回归网络，采用拟合优度r2作为油耗预测模型评价指标，采用k次评价指标平均值最好的一组λ和ρ作为油耗预测模型参数；s3、评价油耗预测模型采用均方根误差rmse和拟合优度r2作为油耗预测模型的评价指标，其表达式如下：作为油耗预测模型的评价指标，其表达式如下：其中，observed
t
表示时间t时的观测值；predicted
t
表示时间t时的预测值；mean表示样本的平均值；n表示样本总量；rmse的值越小，r2越趋近于1，代表由船舶油耗预估模型所得到的船舶油耗预估值与实测的船舶油耗值之间的偏差越小。2.根据权利要求1所述一种基于弹性回归网络的船舶油耗预测方法，其特征在于：所述燃油计的采样周期为0.5-3秒；多普勒计程仪的采样周期为2-5秒；风速仪的采样周期为1-5秒；舵角指示器的采样周期为0.5-3秒；雷达液位计的采样周期为0.3-3秒；纵倾传感器的采样周期为0.3-3秒；螺旋桨传感器的采样周期为0.5-3秒；所述时间周期为2-5分钟。

技术总结
本发明公开了一种基于弹性回归网络的船舶油耗预测方法，包括以下步骤：采集油耗数据和油耗影响因素数据；对油耗数据和油耗影响因素数据进行预处理；采用弹性回归网络建立油耗预测模型，在弹性回归网络中同时采用Lasso回归网络和岭回归网络。本发明结合最小绝对收缩和选择算子回归和岭回归模型建立了弹性回归网络筛选合适的影响因素，降低了油耗预测模型的复杂度的同时，提高了预测精度。本发明通过结合Lasso回归和岭回归，使弹性回归网络兼有Lasso回归和岭回归的优点。既具有Lasso回归的优点，删除了对因变量影响较小的特征，解决多个特征变量之间的多重共线性问题。又达到了岭回归防止过拟合的目的，减低了模型的复杂度。减低了模型的复杂度。减低了模型的复杂度。


技术研发人员：左毅 李珊珊 李心宇 李铁山 陈俊龙
受保护的技术使用者：大连海事大学
技术研发日：2023.05.25
技术公布日：2023/9/20