【技術實現步驟摘要】
本專利技術涉及船舶，提出了一種基于stacking集成學習的船舶油耗預測與速度優化方法。
技術介紹
1、作為支持全球貿易的基本基礎設施，海運占世界貿易總額的?80%以上，隨著運輸量的增加，船舶排放的污染也在不斷增加。國際海事組織已經實施了《國際防止船舶造成污染公約》（marpol）附則?vi?中概述的規定，并于?2022?年?11?月?1?日生效。隨后，自?2023年?1?月?1?日起，計算和報告現有船舶能效指數?(eexi)?和碳強度指標?(cii)?成為強制性規定。此外，還制定了到?2030?年航運碳排放強度降低?40%?的短期目標和到?2050?年降低?50%?的長期目標。因此，研究減少船舶碳排放的措施意義重大。船舶排放控制區等船舶減排措施實行和船舶燃料價格上漲等問題也促使航運業采取措施提高能源效率，從而減少排放。
2、隨著人工智能和機器學習在促進可持續發展中的日益重要，結合傳感器數據和機器學習算法的優化技術在智能船舶和能源高效系統中越來越受到關注。現有船舶油耗預測技術采用單一的油耗預測模型，容易受到噪聲的影響導致預測結果較差。單一模型面對訓練集之外的數據上表現不佳，即泛化能力較差。此外，單一模型較差的泛化能力和預測結果不能準確的進行船舶速度優化，難以用于實際的船舶運營。
3、從船舶角度看，優化航速是提高能效的高效方法。航速直接關系到船舶的運行狀況。在過去幾年中，對各類船舶的航速優化進行了廣泛研究，并取得了顯著成果。相關研究表明，速度每降低?1%，排放量可減少?2.7%。早期的航速優化只考慮各航段的
技術實現思路
1、根據上述提出的技術問題，提供一種基于stacking集成學習的船舶油耗預測與速度優化方法，包括如下步驟：
2、獲取船舶的歷史油耗數據和影響油耗相關因素的數據；
3、對油耗數據和影響油耗相關因素的數據進行預處理，基于預處理后的數據按照比例劃分為訓練數據和測試數據；
4、基于訓練數據構建stacking集成學習模型，用于船舶油耗的預測；
5、將處理后的影響油耗相關因素數據輸入到stacking集成學習模型中，實現對船舶油耗的預測；
6、對stacking集成學習模型的預測結果進行評估；
7、建立以船舶速度為決策變量，以船舶油耗最小為目標的船舶速度優化模型；
8、對船舶速度優化模型進行離散化；
9、基于船舶速度優化模型的約束，對離散后的船舶速度優化模型進行求解，確定不同航段最優的船舶速度，以及不同航段最優的船舶速度的船舶油耗，確定油耗節省量。
10、進一步地：所述基于訓練數據構建stacking集成學習模型的過程如下：
11、對k-近鄰算法模型、支持向量機模型、隨機森林模型進行同時訓練，并對k-近鄰算法模型、支持向量機模型、隨機森林模型進行參數調整，得到訓練好的對k-近鄰算法模型、支持向量機模型、隨機森林模型；
12、對訓練好的k-近鄰算法模型、訓練好的支持向量機模型、訓練好的隨機森林模型的預測結果進行合并，將合并后的數據輸入到元學習器模型中，得到stacking集成學習模型。
13、進一步地：所述基于訓練數據對k-近鄰算法模型、svm模型、隨機森林模型進行同時訓練采用五折交叉驗證法進行訓練模型。
14、進一步地：所述元學習器采用ridge回歸算法。
15、進一步地：
16、所述船舶速度優化模型采用目標函數公式如下：
17、
18、表示航段總數；表示第段的船舶油耗；表示第段的船舶行駛距離；表示第段的平均航行速度。
19、進一步地：所述對船舶速度優化模型進行離散化的過程如下：
20、將航行速度以0.1為間隔離散化，具體公式如下：
21、
22、
23、添加二元決策變量，若是第??航段對應的油耗最小速度則；否則
24、離散化后的船舶速度優化模型的目標函數變更為。
25、
26、其中：表示第段第速度，表示航段總數，表示第段速度離散化后離散點個數，表示油耗預測模型，i表示第段的海況數據；i表示第段的船舶行駛距離。
27、進一步地：所述船舶速度優化模型的約束包括：
28、約束1：保證第段開始的時間為第段結束的時間；表示船舶行駛到第航段所消耗的總行駛時間；表示船舶行駛到第航段所消耗的總行駛時間，表示第段的船舶航行距離；
29、
30、約束2：保證船舶航行到達目的地的總用時不超過允許的最大時長；
31、
32、約束3：確保選擇的船舶的航行速度在規定的范圍內：這里和分別表示第段允許的最小航行速度和最大航行速度；
33、
34、約束4：保證船舶各個航段的航行速度非負；
35、
36、約束5：保證船舶各個航段的航行時間非負；
37、
38、約束6：保證二元決策變量值在規定范圍內：
39、
40、約束7：確保每個航段有且僅有一個對應的使船舶油耗最小的最佳速度，即：
41、
42、其中：表示從1到航段總數之間的自然數集合，表示第段的船舶行駛距離，表示第段速度離散化后離散點個數。
43、本專利技術一種基于stacking集成學習的船舶油耗預測與速度優化方法，本專利技術結合k-近鄰算法(k-nearest?neighbor，k-近鄰算法)，svm(support?vector?machine，支持向量機)，?隨機森林三個基礎模型建立了stacking集成學習模型，提高了油耗預測模型的預測精度的同時，提高了模型的泛化能力和抗干擾能力。
44、采用提高模型的預測精度與泛化能力的stacking集成學習方法應運而生，stacking集成學習的優點是可以捕捉到多個學習器的優點，因此具有更強的預測能力和概括能力，能適應更復雜的任務，能擬合非線性關系，穩健性更高。運用stacking集成學習模型精準預測船舶油耗，以速度為目標決策，以船舶油耗最小為目標進行動態規劃，找到不同航段最優的船舶速度，降低船舶油耗，指導實際船舶運營。
本文檔來自技高網...【技術保護點】
1.一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述基于訓練數據構建stacking集成學習模型的過程如下：
3.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述基于訓練數據對K-近鄰算法模型、支持向量機模型、隨機森林模型進行同時訓練采用五折交叉驗證法進行訓練模型。
4.根據權利要求2所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述元學習器采用Ridge回歸算法。
5.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述船舶速度優化模型采用目標函數公式如下：
6.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述對船舶速度優化模型進行離散化的過程如下：
7.根據權利要求1所述一種基于stacking集
...【技術特征摘要】
1.一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述基于訓練數據構建stacking集成學習模型的過程如下：
3.根據權利要求1所述一種基于stacking集成學習的船舶油耗預測與速度優化方法，其特征在于：所述基于訓練數據對k-近鄰算法模型、支持向量機模型、隨機森林模型進行同時訓練采用五折交叉驗證法進行訓練模型。
4.根據權利要求2所述一種基于stackin...
【專利技術屬性】
技術研發人員：韓美玲，楊嘉樂，何子文，閆茂佳，李成毅，郭壯，
申請(專利權)人：大連海事大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。