CN116307273A - 一种基于XGBoost算法的船舶运动实时预报方法及*** - Google Patents
一种基于XGBoost算法的船舶运动实时预报方法及*** Download PDFInfo
- Publication number
- CN116307273A CN116307273A CN202310555729.4A CN202310555729A CN116307273A CN 116307273 A CN116307273 A CN 116307273A CN 202310555729 A CN202310555729 A CN 202310555729A CN 116307273 A CN116307273 A CN 116307273A
- Authority
- CN
- China
- Prior art keywords
- ship
- motion
- xgboost
- period
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 201
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000000630 rising effect Effects 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B71/00—Designing vessels; Predicting their performance
- B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于XGBoost算法的船舶运动实时预报方法及***,所述方法包括:分别采集船舶六自由度运动数据;对每一自由度的船舶运动数据,分别提取船体的运动特征数据;分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;分别通过相应的XGBoost预测模型进行实时船舶运动预测;基于实时船舶运动预测数据,利用具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。本发明通过整合船舶运动预测结果并插值得到船舶运动的预测曲线,可提高船舶姿态预测的精度。
Description
技术领域
本发明属于船舶与海洋工程技术领域,具体涉及一种基于XGBoost算法的船舶运动实时预报方法及***。
背景技术
船舶在海中航行时受到海风、海浪和洋流的影响,会产生横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度的运动。在海况变化剧烈的情况下航行时,较大幅度的运动不仅会影响正常的船上作业,还会对船舶自身产生危害,甚至发生危险事故。
如果对船舶的运动状态进行提前预报,即利用极短期预报技术预报未来一段时间的船舶六自由度运动状态,则可保证特定的舰上作业顺利开展,尽可能减少因错失安全作业的时机而引发的事故,但是目前的船舶运动预报技术还存在着诸如实时性不好、预测精度不高等问题,需要进步一研究改善。
公开号为CN114357872A的专利公开了一种基于stacking模型融合的船舶运动黑箱辨识建模与运动预测方法,其对传感器获取的船舶的运动数据进行预处理,通过训练黑箱辨识模型进行船舶运动预测,但其需要基于转向的船舶运动数学模型,只能进行转向角度预测,无法持续预测船舶六自由度运动状态。
公开号为CN113837454A的专利公开一种船舶三自由度的混合神经网络模型预测方法及***,其将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列,并分解成为多个子序列,通过双向长短期记忆网络进行未来一段时间的姿态预测,但是只能对横摇、纵摇和垂荡这三自由度的摇荡运动进行预测,无法准确反映船舶运动时复杂的六自由度运动状态变化,导致实时性和预测精度不佳。
发明内容
有鉴于此,本发明提出了一种基于XGBoost算法的船舶运动实时预报方法及***,用于解决船舶运动预报精度不高的问题。
本发明第一方面,公开一种基于XGBoost算法的船舶运动实时预报方法,所述方法包括:
分别采集船舶六自由度运动数据,所述船舶六自由度运动数据包括船舶横摇、纵摇、艏摇、横荡、纵荡和升沉的运动数据;
对每一自由度的船舶运动数据,分别提取船体的运动特征数据,所述运动特征数据包括:幅值极值特征、周期极值特征和速率变化特征;
分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;
分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;
分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点;
基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的极值点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
在以上技术方案的基础上,优选的,所述对每一自由度的船舶运动数据,分别提取船体的运动特征数据具体包括:
对每一自由度的船舶运动数据,获取对应的原始时间序列;
基于原始时间序列数据分别提取船体的运动特征数据;
所述幅值极值特征包括极大值点幅值序列和极小值点幅值序列;
所述周期极值特征包括极大值点周期序列和极小值点周期序列;
所述速率变化特征包括速率上升的极大值点幅值序列和速率下降的极大值点幅值序列、速率上升的极大值点周期序列和速率下降的极大值点周期序列。
在以上技术方案的基础上,优选的,所述速率变化特征的提取方式为:
计算对应的原始时间序列的一阶导数时间序列;
计算一阶导数时间序列的极大值点,形成原始时间序列的速率上升极大值点幅值序列;
计算一阶导数时间序列的极小值点,形成原始时间序列的速率下降极大值点幅值序列;
对于每一个速率上升极大值点所对应的时刻,计算相邻速率上升极大值点的时间间隔,得到速率上升极大值点周期序列;
对于每一个速率下降极大值点所对应的时刻,计算相邻速率下降极大值点的时间间隔,得到速率下降极大值点周期序列。
在以上技术方案的基础上,优选的,所述分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型具体包括:
将极大值点幅值序列输入第一XGBoost模型,训练得到第一XGBoost预测模型,用于预测未来一段时间内的极大值点幅值;
将极小值点幅值序列输入第二XGBoost模型,训练得到第二XGBoost预测模型,用于预测未来一段时间内的极小值点幅值;
将极大值点周期序列输入第三XGBoost模型,训练得到第三XGBoost预测模型,用于预测未来一段时间内的极大值点周期;
将极小值点周期序列输入第四XGBoost模型,训练得到第四XGBoost预测模型,用于预测未来一段时间内的极小值点周期;
将速率上升的极大值点幅值序列输入第五XGBoost模型,训练得到第五XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点幅值;
将速率下降的极大值点幅值序列输入第六XGBoost模型,训练得到第六XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点幅值;
将速率上升的极大值点周期序列输入第七XGBoost模型,训练得到第七XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点周期;
将速率下降的极大值点周期序列输入第八XGBoost模型,训练得到第八XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点周期。
在以上技术方案的基础上,优选的,所述基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线具体包括:
分别按预测得到的极大/小值周期固定预测得到的极大/小值点幅值位置;
按照预测得到的速率上升/下降的极大值点周期固定预测得到的速率上升/下降的极大值点幅值位置,形成船舶运动曲线的特征点;
指定船舶运动曲线的极大值点的一阶导数为0,极小值点的一阶导数为0;
利用具有指定端点斜率的三次样条插值方法,对对应自由度的船舶运动曲线按照采样频率进行插值,得到船舶运动的预测曲线。
在以上技术方案的基础上,优选的,所述分别通过多维特征训练集训练XGBoost模型时,利用网格搜索法确定每一个XGBoost模型的关键参数取值范围。
在以上技术方案的基础上,优选的,所述方法还包括:
将船舶运动的预测曲线拼接到船舶运动的历史曲线上,在显示界面中显示拼接后的曲线数据。
本发明第二方面,公开一种基于XGBoost算法的船舶运动实时预报***,所述***包括:
数据采集模块:用于分别采集船舶六自由度运动数据;
数据前处理模块:用于对每一自由度的船舶运动数据,分别提取船体的运动特征数据,所述运动特征数据包括:幅值极值特征、周期极值特征和速率变化特征;
模型训练模块:用于分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;
运动预测模块:用于分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点;
数据后处理模块:用于基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、至少一个姿态传感器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明对每一自由度的船舶运动数据,分别提取船体的幅值极值特征、周期极值特征和速率变化特征等运动特征数据,在数据前处理阶段就提取能及时反映运动姿态深层次变化的特征,为每一类船体运动特征数据构造多维特征训练集并分别训练得到相应的XGBoost预测模型进行实时船舶运动预测,可以准确反映船舶运动时复杂的六自由度运动状态变化,最后整合船舶运动预测得到的幅值极值点、周期极值点和速率变化极值点,插值得到船舶运动的预测曲线,可针对各种海况等级下的高度非线性船舶六自由度运动提供高精度的船舶姿态实时预报。
2)本发明分别按预测得到的极大/小值周期固定船舶运动曲线的极大/小值点幅值位置,按照速率上升/下降极大值周期固定船舶运动曲线的速率上升/下降极大值点幅值位置,从而整合不同XGBoost预测模型的预测结果,然后基于船舶运动曲线在极大/小值点的斜率为0的原理,利用具有指定端点斜率的三次样条插值法,对船舶运动曲线进行插值,得到船舶运动的预测曲线。本发明可以快速整合不同XGBoost预测模型的预测结果,生成船舶运动的预测曲线,提高数据后处理的处理效率,保障船舶姿态预测的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于XGBoost算法的船舶运动实时预报方法流程图;
图2为本发明采集的升沉运动原始数据;
图3为本发明的数据前处理流程示意图;
图4为本发明对图3的升沉运动提取得到的幅值极值特征;
图5为本发明的速率变化极大值点幅值示意图;
图6为本发明的模型训练与数据后处理流程示意图;
图7为本发明的升沉运动插值得到的船舶运动的预测曲线。
图8为本发明的数据显示界面显示的纵摇、横摇、垂荡运动曲线。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种基于XGBoost算法的船舶运动实时预报方法,所述方法包括:
S1、数据采集:建立坐标系并分别采集船舶六自由度运动数据。
以船舶运动中心为坐标原点,指向船头为x轴正方向,垂直甲板向上为z轴正方向建立船舶固连坐标系,y轴垂直于x轴和z轴,用右手法则确定y轴正方向。
利用姿态传感器,以频率f采集时间长度为t的实船六自由度运动原始数据,则所采集的原始数据样本个数为n=f×t,分别包括在船舶固连坐标系下的纵荡运动X,横荡运动Y,升沉运动Z,横摇运动φ,纵摇运动θ,艏摇运动ψ。图2所示为本发明采集的升沉运动原始数据。
S2、数据前处理:对每一自由度的船舶运动数据,分别提取船体的运动特征数据。
本发明提取船体的运动特征数据包括幅值极值特征、周期极值特征和速率变化特征。其中,幅值极值特征包括极大值点幅值序列和极小值点幅值序列;周期极值特征包括极大值点周期序列和极小值点周期序列;速率变化特征包括速率上升的极大值点幅值序列和速率下降的极大值点幅值序列、速率上升的极大值点周期序列和速率下降的极大值点周期序列。
下面结合升沉运动Z,对步骤S2的具体实现过程进行说明。如图3所示为本发明的数据前处理流程示意图,数据前处理步骤具体包括:
S21、对每一自由度的船舶运动数据,获取对应的原始时间序列。
S22、计算原始时间序列数据的极大值点幅值序列和极小值点幅值序列。
(1)用公式
(2)用公式
通过步骤S22即可完成幅值极值特征提取。
S23、计算原始时间序列数据的极大值点周期序列和极小值点周期序列。
通过步骤S23即可完成周期极值特征提取,图4为本发明对图2的升沉运动提取得到的幅值极值特征。
S24、计算对应的原始时间序列的一阶导数时间序列。
S25、计算速率上升极大值点幅值序列和速率下降极大值点幅值序列。
(1)利用公式
(2)利用公式
图5为本发明的速率变化极大值点幅值示意图。
S26、计算速率上升极大值点周期序列和速率下降极大值点周期序列。
通过步骤S24~S26即可完成速率变化特征的提取。
通过步骤S2的船体的运动特征数据提取,每一自由度的船舶运动数据均对应8组特征序列。比如对于升沉运动Z,共计得到8组特征序列,分别为(1)极大值点幅值序列,(2)极大值点周期序列/>,(3)极小值点幅值序列/>,(4)极小值点周期序列/>,(5)速率上升极大值点序列/>,(6)速率上升极大值点周期序列/>,(7)速率下降极大值点序列/>,(8)速率下降极大值点周期序列/>。
S3、构造多维特征训练集:分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集。
图6为本发明的模型训练与数据后处理流程示意图,步骤S3具体包括如下分步骤:
S31、训练集和测试集划分。
对于每一组时间序列样本,分别取前90%为训练集,后10%为测试集。
S32、用滑动窗口法造多维特征训练集。
S4、训练XGBoost模型:分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型。
步骤S4具体包括如下分步骤:
S41、对每一自由度的船舶运动数据,利用XGBoost算法生成8个XGBoost模型训练网络,通过多维特征训练集一一训练XGBoost模型。
具体的,将极大值点幅值序列输入第一XGBoost模型,训练得到第一XGBoost预测模型,用于预测未来一段时间内的极大值点幅值;
将极小值点幅值序列输入第二XGBoost模型,训练得到第二XGBoost预测模型,用于预测未来一段时间内的极小值点幅值;
将极大值点周期序列输入第三XGBoost模型,训练得到第三XGBoost预测模型,用于预测未来一段时间内的极大值点周期;
将极小值点周期序列输入第四XGBoost模型,训练得到第四XGBoost预测模型,用于预测未来一段时间内的极小值点周期;
将速率上升的极大值点幅值序列输入第五XGBoost模型,训练得到第五XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点幅值;
将速率下降的极大值点幅值序列输入第六XGBoost模型,训练得到第六XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点幅值;
将速率上升的极大值点周期序列输入第七XGBoost模型,训练得到第七XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点周期;
将速率下降的极大值点周期序列输入第八XGBoost模型,训练得到第八XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点周期。
即对于升沉运动Z,分别采用(1)极大值点幅值序列、(2)极大值点周期序列/>、(3)极小值点序列/>、(4)极小值点周期序列、(5)速率上升极大值点序列/>、(6)速率上升极大值点周期序列/>、(7)速率下降极大值点序列/>、(8)速率下降极大值点周期序列/>共8组多维特征训练集一一训练8个XGBoost模型,得到8个XGBoost预测模型。
S42、利用网格搜索法确定每一个XGBoost模型的关键参数。
采用各组多维特征训练集中的样本训练XGBoost模型时,列举XGBoost算法中“树的最大深度‘max_depth’”、“学习率‘learning_rate’”、“最大迭代次数‘n_estimators’”、“新***的节点样本权重停止***的最小阈值‘min_child_weight’”、“叶子输出的最大步长‘max_delta_step’”、“样本采样率‘subsample’”、“列采样率‘colsample_bytree’”、L1正则化‘reg_lambda’”、L2正则化‘reg_alpha’”等9个关键参数取值范围,排列组合形成参数网络,利用网格搜索法得到的各组参数对XGBoost模型进行训练评估,分别得出8个训练集各自的最佳模型参数。
S43、分别利用所得到的XGBoost预测模型对测试集进行预测,并分别计算平均绝对误差(MAR)和平均绝对百分误差(RMSE)。
S44、若测试集误差满足要求,则正式开始对船舶六自由度运动预测;否则,更新训练参数重新训练。
S5、实时船舶运动预测:分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点。
实时采集船舶运动数据,将船舶运动数据经过步骤S2相同的数据前处理后得到的8组时间序列分别输入对应的8个XGBoost预测模型中,分别预测得到未来一段时间内的极大值幅值点、极小值点幅值、极大值点周期、极小值点周期、速率上升极大值点幅值、速率下降极大值点幅值、速率上升极大值点周期、速率下降极大值点周期。
S6、数据后处理:基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
具体的,分别按预测得到的极大/小值周期固定预测得到的极大/小值点幅值位置;按照预测得到的速率上升/下降的极大值点周期固定预测得到的速率上升/下降的极大值点幅值位置,形成船舶运动曲线的特征点;指定船舶运动曲线的极大值点的一阶导数为0,极小值点的一阶导数为0;最后利用具有指定端点斜率的三次样条插值方法,对船舶运动曲线按照采样频率进行插值,得到对应的船舶运动的预测曲线。
然后,利用三次样条插值方法对船舶运动曲线以采样频率进行插值,在插值时,指定极大值点一阶导数为0,极小值点一阶导数为0,进而在整合船舶运动特征的同时补全缺省数据,图7所示为升沉运动插值得到的船舶运动的预测曲线。
S7、运动曲线显示:将船舶运动的预测曲线拼接到船舶运动的历史曲线上,在显示界面中显示拼接后的曲线数据。
以不同颜色分别显示实际数据和预报数据,实时显示拼接后的曲线数据,比如以粗实线蓝色显示实际数据,以粗虚线红色显示预报数据;同时,在每一预报点后,以不同颜色或形状的细实线,显示历史预报数据,如图8所示为本发明的数据显示界面显示的纵摇、横摇、垂荡运动曲线。
本发明为每一类船体运动特征数据构造多维特征训练集并分别训练得到相应的XGBoost预测模型进行实时船舶运动预测,可以准确反映船舶的运动时复杂的六自由度运动状态变化,最后整合船舶运动预测得到的幅值极值点、周期极值点和速率变化极值点,插值得到船舶运动的预测曲线,可针对各种海况等级下的高度非线性船舶六自由度运动提供高精度的船舶姿态实时预报。并可以不断获取实时数据进行姿态预测以根据海况变化动态修正预报参数,为不同类型船舶的海上安全作业提供有力保障。
与上述方法实施例相对应,本发明还提出一种基于XGBoost算法的船舶运动实时预报***,所述***包括:
数据采集模块:用于分别采集船舶六自由度运动数据;
数据前处理模块:用于对每一自由度的船舶运动数据,分别提取船体的运动特征数据,所述运动特征数据包括:幅值极值特征、周期极值特征和速率变化特征;
模型训练模块:用于分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;
运动预测模块:用于分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点;
数据后处理模块:用于基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
以上***实施例和方法实施例是一一对应的,***实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述方法包括:
分别采集船舶六自由度运动数据,所述船舶六自由度运动数据包括船舶横摇、纵摇、艏摇、横荡、纵荡和升沉的运动数据;
对每一自由度的船舶运动数据,分别提取船体的运动特征数据,所述运动特征数据包括:幅值极值特征、周期极值特征和速率变化特征;
分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;
分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;
分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点;
基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
2.根据权利要求1所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述对每一自由度的船舶运动数据,分别提取船体的运动特征数据具体包括:
对每一自由度的船舶运动数据,获取对应的原始时间序列;
基于原始时间序列数据分别提取船体的运动特征数据;
所述幅值极值特征包括极大值点幅值序列和极小值点幅值序列;
所述周期极值特征包括极大值点周期序列和极小值点周期序列;
所述速率变化特征包括速率上升的极大值点幅值序列和速率下降的极大值点幅值序列、速率上升的极大值点周期序列和速率下降的极大值点周期序列。
3.根据权利要求2所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述速率变化特征的提取方式为:
计算对应的原始时间序列的一阶导数时间序列;
计算一阶导数时间序列的极大值点,形成原始时间序列的速率上升极大值点幅值序列;计算一阶导数时间序列的极小值点,形成原始时间序列的速率下降极大值点幅值序列;对于每一个速率上升极大值点所对应的时刻,计算相邻速率上升极大值点的时间间隔,得到速率上升极大值点周期序列;
对于每一个速率下降极大值点所对应的时刻,计算相邻速率下降极大值点的时间间隔,得到速率下降极大值点周期序列。
4.根据权利要求2所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型具体包括:
将极大值点幅值序列输入第一XGBoost模型,训练得到第一XGBoost预测模型,用于预测未来一段时间内的极大值点幅值;
将极小值点幅值序列输入第二XGBoost模型,训练得到第二XGBoost预测模型,用于预测未来一段时间内的极小值点幅值;
将极大值点周期序列输入第三XGBoost模型,训练得到第三XGBoost预测模型,用于预测未来一段时间内的极大值点周期;
将极小值点周期序列输入第四XGBoost模型,训练得到第四XGBoost预测模型,用于预测未来一段时间内的极小值点周期;
将速率上升的极大值点幅值序列输入第五XGBoost模型,训练得到第五XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点幅值;
将速率下降的极大值点幅值序列输入第六XGBoost模型,训练得到第六XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点幅值;
将速率上升的极大值点周期序列输入第七XGBoost模型,训练得到第七XGBoost预测模型,用于预测未来一段时间内的速率上升的极大值点周期;
将速率下降的极大值点周期序列输入第八XGBoost模型,训练得到第八XGBoost预测模型,用于预测未来一段时间内的速率下降的极大值点周期。
5.根据权利要求4所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线具体包括:
分别按预测得到的极大/小值周期固定预测得到的极大/小值点幅值位置;
按照预测得到的速率上升/下降的极大值点周期固定预测得到的速率上升/下降的极大值点幅值位置,形成船舶运动曲线的特征点;
指定船舶运动曲线的极大值点的一阶导数为0,极小值点的一阶导数为0;
利用具有指定端点斜率的三次样条插值方法,对对应自由度的船舶运动曲线按照采样频率进行插值,得到船舶运动的预测曲线。
6.根据权利要求1所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述分别通过多维特征训练集训练XGBoost模型时,利用网格搜索法确定每一个XGBoost模型的关键参数。
7.根据权利要求1所述的基于XGBoost算法的船舶运动实时预报方法,其特征在于,所述方法还包括:
将船舶运动的预测曲线拼接到船舶运动的历史曲线上,在显示界面中显示拼接后的曲线数据。
8.一种基于XGBoost算法的船舶运动实时预报***,其特征在于,所述***包括:
数据采集模块:用于分别采集船舶六自由度运动数据,所述船舶六自由度运动数据包括船舶横摇、纵摇、艏摇、横荡、纵荡和升沉的运动数据;
数据前处理模块:用于对每一自由度的船舶运动数据,分别提取船体的运动特征数据,所述运动特征数据包括:幅值极值特征、周期极值特征和速率变化特征;
模型训练模块:用于分别将每一类船体运动特征数据划分为训练集和测试集,采用滑动窗口法,分别将每一个训练集的数据样本构造为多维特征训练集;分别通过多维特征训练集训练XGBoost模型,得到相应的XGBoost预测模型;
运动预测模块:用于分别通过相应的XGBoost预测模型进行实时船舶运动预测,得到船舶运动的幅值极值点、周期极值点和速率变化极值点;
数据后处理模块:用于基于幅值极值点、周期极值点和速率变化极值点确定船舶运动曲线的特征点,基于具有指定端点斜率的三次样条插值方法,按照采样频率对船舶运动曲线进行插值,得到船舶运动的预测曲线。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、至少一个姿态传感器、通信接口和总线;
其中,所述处理器、存储器、姿态传感器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555729.4A CN116307273B (zh) | 2023-05-17 | 2023-05-17 | 一种基于XGBoost算法的船舶运动实时预报方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555729.4A CN116307273B (zh) | 2023-05-17 | 2023-05-17 | 一种基于XGBoost算法的船舶运动实时预报方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307273A true CN116307273A (zh) | 2023-06-23 |
CN116307273B CN116307273B (zh) | 2023-08-01 |
Family
ID=86794541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555729.4A Active CN116307273B (zh) | 2023-05-17 | 2023-05-17 | 一种基于XGBoost算法的船舶运动实时预报方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307273B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140114509A1 (en) * | 2012-10-24 | 2014-04-24 | John D. Venables | Predictive Sea State Mapping for Ship Motion Control |
US20150242769A1 (en) * | 2014-02-21 | 2015-08-27 | Safety Key Solutions FZ-LLC | Worksite monitoring and management systems and platforms |
CN108520335A (zh) * | 2018-03-20 | 2018-09-11 | 顺丰科技有限公司 | 抽检对象预测方法、装置、设备及其存储介质 |
CN110517071A (zh) * | 2019-08-15 | 2019-11-29 | 中国平安财产保险股份有限公司 | 基于机器模型的信息预测方法、装置、设备及存储介质 |
KR20200004622A (ko) * | 2018-07-04 | 2020-01-14 | 대우조선해양 주식회사 | 선박의 운동성능 예측 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
CN111435472A (zh) * | 2019-01-14 | 2020-07-21 | 顺丰科技有限公司 | 件量预测方法、装置、设备及存储介质 |
CN112052623A (zh) * | 2020-08-13 | 2020-12-08 | 哈尔滨工业大学 | 一种基于经验模态分解和支持向量回归的短期船舶姿态预测方法 |
CN112613636A (zh) * | 2020-11-25 | 2021-04-06 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于特征工程的XGboost风速短期预测方法 |
US20210129952A1 (en) * | 2018-07-04 | 2021-05-06 | Ørsted Wind Power A/S | Methods and devices for predicting vessel bow motion |
CN113204857A (zh) * | 2021-03-15 | 2021-08-03 | 北京锐达芯集成电路设计有限责任公司 | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN114528756A (zh) * | 2022-01-25 | 2022-05-24 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
CN115577873A (zh) * | 2022-09-22 | 2023-01-06 | 大连海事大学 | 一种基于选择性集成学习的海上事故类型预测方法 |
-
2023
- 2023-05-17 CN CN202310555729.4A patent/CN116307273B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140114509A1 (en) * | 2012-10-24 | 2014-04-24 | John D. Venables | Predictive Sea State Mapping for Ship Motion Control |
US20150242769A1 (en) * | 2014-02-21 | 2015-08-27 | Safety Key Solutions FZ-LLC | Worksite monitoring and management systems and platforms |
CN108520335A (zh) * | 2018-03-20 | 2018-09-11 | 顺丰科技有限公司 | 抽检对象预测方法、装置、设备及其存储介质 |
US20210129952A1 (en) * | 2018-07-04 | 2021-05-06 | Ørsted Wind Power A/S | Methods and devices for predicting vessel bow motion |
KR20200004622A (ko) * | 2018-07-04 | 2020-01-14 | 대우조선해양 주식회사 | 선박의 운동성능 예측 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
CN111435472A (zh) * | 2019-01-14 | 2020-07-21 | 顺丰科技有限公司 | 件量预测方法、装置、设备及存储介质 |
CN110517071A (zh) * | 2019-08-15 | 2019-11-29 | 中国平安财产保险股份有限公司 | 基于机器模型的信息预测方法、装置、设备及存储介质 |
CN112052623A (zh) * | 2020-08-13 | 2020-12-08 | 哈尔滨工业大学 | 一种基于经验模态分解和支持向量回归的短期船舶姿态预测方法 |
CN112613636A (zh) * | 2020-11-25 | 2021-04-06 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于特征工程的XGboost风速短期预测方法 |
CN113204857A (zh) * | 2021-03-15 | 2021-08-03 | 北京锐达芯集成电路设计有限责任公司 | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN114528756A (zh) * | 2022-01-25 | 2022-05-24 | 武汉大学 | 一种基于深度学习的船舶横摇集成预测方法及*** |
CN115577873A (zh) * | 2022-09-22 | 2023-01-06 | 大连海事大学 | 一种基于选择性集成学习的海上事故类型预测方法 |
Non-Patent Citations (1)
Title |
---|
HUIXUAN FU: "Ship motion prediction based on ConvLSTM and XGBoost variable weight combination model", OCEANS 2022 - CHENNAI, pages 1 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307273B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914462B (zh) | 一种海上搜救目标漂移预测方法及装置 | |
CN113156815B (zh) | 一种数据驱动的海上船舶运动姿态实时预报方法 | |
CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及*** | |
CN107330164B (zh) | 一种三体船纵向运动模型辨识方法 | |
CN114021441A (zh) | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 | |
CN114662788B (zh) | 一种海水水质三维时空序列多参数精准预测方法及*** | |
CN116702095B (zh) | 一种模块化海上船舶运动姿态实时预报方法 | |
CN105836066A (zh) | 开敞式码头系泊船姿态预测方法及*** | |
CN103605886A (zh) | 一种船舶动力定位***多模型自适应融合滤波方法 | |
CN116842474A (zh) | 一种基于tft模型的舰船运动极短期预报方法及*** | |
CN116861202A (zh) | 基于长短期记忆神经网络的船舶运动包络预报方法及*** | |
CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN115690568A (zh) | 一种基于增量学习的无人艇目标检测方法 | |
CN113946978A (zh) | 基于LightGBM模型的水下三维温盐并行预报方法 | |
CN116307273B (zh) | 一种基于XGBoost算法的船舶运动实时预报方法及*** | |
Marie et al. | Sail-assisted motor vessels weather routing using a fuzzy logic model | |
Domala et al. | A Univariate and multivariate machine learning approach for prediction of significant wave height | |
CN115994481A (zh) | 基于多组合的船舶运动姿态预测方法 | |
CN114937153A (zh) | 弱纹理环境下基于神经网络的视觉特征处理***及方法 | |
CN115617033B (zh) | 一种船舶的编队方法、***、装置及存储介质 | |
CN105182739B (zh) | 一种船舶航行增阻等级的评估方法 | |
CN113627494B (zh) | 一种船舶姿态六自由度***的姿态数据预处理方法 | |
CN113703454B (zh) | 一种基于四自由度的无人船动力参数实时辨识方法 | |
CN116307267B (zh) | 一种基于卷积的降雨预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |