-
题名基于ASAE深度学习预测海洋气象对船舶航速的影响
被引量：7
- 1
-
-
作者
王胜正
申心泉
赵建森
冀宝仙
杨平安
-
机构
上海海事大学商船学院
-
出处
《交通运输工程学报》
EI
CSCD
北大核心
2018年第2期139-147,共9页
-
基金
国家自然科学基金项目(51709167
61304230)
+1 种基金
上海市曙光人才计划(15SG44)
上海海事大学研究生学术新人培育项目(YXR2016089)
-
文摘
为了有效地预测海洋气象对船舶航速的影响,在稀疏自编码(SAE)网络模型的基础上提出交替稀疏自编码(ASAE)网络模型;构建了海洋气象对船舶航速影响的预测框架,利用关联规则方法对航行数据进行特征选择,挖掘了船速影响因素及其隐含关系;整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据,用训练样本对ASAE网络模型进行训练,用测试样本对ASAE网络模型进行验证,并与支持向量回归(SVR)模型、反向传播神经网络(BPNN)模型、深度信念网络(DBN)模型及SAE网络模型的预测结果进行了对比。研究结果表明:ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn,与SVR模型、BPNN模型、DBN模型及SAE网络模型相比,训练时间分别缩短了1 683.1、66.9、2.0、1.5s,预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn;ASAE网络模型的预测结果更符合实际海况,可动态掌握海洋气象对船舶航速的影响;通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用,在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响,从而改善船舶运营能效指标,实现节能、低碳、绿色航行的宗旨。
-
关键词
交通信息工程
智能航行
船舶航速
深度学习
交替稀疏自编码
关联规则
气象因子
-
Keywords
traffic information engineering
intelligence voyage
ship speed
deep learning
alternating sparse auto-encoder
association rule
meteorological factor
-
分类号
U675.79
[交通运输工程—船舶及航道工程]
-
