区域船舶交通流量预测ChebNet-LSTM模型

针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network, ChebNet)和长短期记忆网络(long short-term memory, LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。     

基于PCA和SAPSO的船舶风压差神经网络预测模型

为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。     

基于AIS数据的船舶排放估测模型与实船验证

为提升船舶能耗和排放估测的准确性和灵活性,提出面向船舶自动识别系统(automatic identification system, AIS)大数据的完全自下而上的船舶能耗和排放估测新方法。该方法视船舶为一种基于船舶航迹的线排放源,在构建船舶网格化轨迹模型的基础上,考虑每个网格航段的持续时间和发动机负载,实现船舶能耗和排放的精细化建模,统一船舶排放总量和空间分布计算。实船应用表明,该方法可提供更加准确的船舶能耗估计,并可灵活计算各种航行状态、船队规模和时空尺度的能耗和排放清单。     

大数据支持下船舶智能运维的实现

为实现船舶在航行中的设备检测和智能维护,对支持智能船舶的大数据分析方法进行研究,并结合大量实船运维数据,提出基于设备衰退机制的动态决策树模型,对船舶设备的衰退过程进行预测。将分析结果同步可视化到设备模型中,从而减少船舶运维中由设备故障带来的不确定性,提升船舶智能化水平。开发船舶智能运维管理系统,将大数据的集中分析能力、数据库的集成管理能力和3D可视化技术相结合,实现船舶的一体化和智能化管理与维护。     

面对数据丢包的船舶航向保持网络预测控制器

针对网络控制系统中存在的数据丢包问题,使用一种带有常值补偿机制的广义预测控制(Generalized Predictive Control,GPC)算法设计船舶航向保持的网络预测控制器.首先,利用TrueTime工具箱仿真使用传统GPC算法设计的船舶航向保持的网络预测控制器.然后,考虑数据丢包对船舶航向保持的网络控制系统造成的影响,使用带有常值补偿机制的GPC算法设计一种新的船舶航向保持的网络预测控制器并进行仿真.仿真结果表明,在数据丢包情况下,采用新方法设计的控制器可以减少船舶航向调节时间,从而改善船舶航向保持的网络预测控制器的控制效果.     

基于贝叶斯网络的内河船舶碰撞人的失误分析

为分析对船舶航行安全有显著影响的人的因素,引入SwainGuttmann模型和贝叶斯网络分析内河船舶碰撞事故。依据SwainGuttmann模型的信息处理过程(感知、决策和行动)梳理内河船舶碰撞形成机理。利用领域专家知识和小样本量数据学习法构建贝叶斯网络,计算网络节点间的条件概率。利用贝叶斯网络的不确定性知识推理方法,得出影响船舶航行安全的关键人的因素。该结果与真实事故案例统计结果相吻合,这说明SwainGuttmann模型和贝叶斯网络适用于对内河船舶航行安全的综合分析。     

基于AIS数据的船舶运动模式识别与应用

船舶运动模式的提取是轨迹数据分析的重要任务,它可以为船舶异常行为的检测提供参考依据,同时也可以作为航路规划和定线制设计的技术指标.针对现存的聚类算法大多为了追求效率而忽略了运动轨迹特征的问题,对聚类算法中的轨迹结构距离进行改进,将其作为轨迹相似度的评价标准.采用无监督DBSCAN聚类算法实现船舶运动模式的提取.利用琼州海峡船舶自动识别系统（Automatic Identification System, AIS）数据,对该水域的船舶运动模式进行提取,获得行驶于该水域的船舶运动轨迹分布以及各类轨迹中转向区域的分布,其中船舶运动轨迹包括从琼州海峡东峡口向西航行的船舶轨迹,从琼州海峡西峡口向东航行的船舶轨迹,从秀英港前往海安港的船舶轨迹,从海安港前往秀英港的船舶轨迹和从琼州海峡东峡口前往海口港的船舶轨迹.将最终的聚类结果应用于电子海图显示与信息系统（Electronic Chart Display and Information System, ECDIS）上,实现了对船舶的动态监控仿真.     

基于AIS海上交通调查的宁波—舟山核心港区船舶定线制

为便于宁波—舟山核心港区船舶定线制的设计,在原始数据的基础上,采用基于船舶自动识别系统(Automatic Identification System,AIS)数据对辖区水域进行海上交通调查,详细分析辖区船舶航路、交叉等数据;结合船舶交通服务(Vessel Traffic Services,VTS)中心的实时数据和船舶进出宁波—舟山核心港区的传统航路,从宏观和微观角度研究该水域船舶交通特性,确定船舶定线制总体设计方案、警戒区设置及定线制水域航道宽度.该定线制实施方案表明,基于AIS海上交通调查而拟定的船舶定线制,可满足当时的设计预期,确保辖区水域船舶通航秩序,有效保障辖区水域航行安全.     

基于LSTM循环神经网络的电池SOC预测方法

针对锂离子电池荷电状态(state of charge, SOC)预测问题,利用长短期记忆（long short term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证。结果表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%,均方根误差为0.986%,可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。     

基于递归模糊小波神经网络的INS-GNSS组合导航算法

为提高惯性导航系统(inertial navigation system, INS)与全球卫星导航系统(global navigation satellite system, GNSS)相结合的组合导航系统在GNSS中断期间的精度,提出一种基于递归模糊小波神经网络(recurrent fuzzy wavelet neural network, RFWNN)的启发式神经网络结构,用于INS的速度和位置误差补偿。在GNSS正常工作时,利用INS-GNSS数据将RFWNN训练成一个高精度的预测模型;在GNSS中断期间,利用被训练好的RFWNN模型补偿INS的速度和位置误差。为对所提出的RFWNN辅助INS-GNSS的性能进行评估,进行实船试验,结果表明利用RFWNN能够有效地对GNSS中断时的速度和位置信息进行高精度修正。     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

基于SVR的船舶航行安全评估模型

为对船舶航行安全状况进行有效预测,利用支持向量回归(support vector regression, SVR)算法构建船舶航行安全评估模型。在分析影响船舶航行安全的因素的基础上,对船舶历史数据进行预处理后将其作为模型训练和测试的样本数据。实验结果表明:该模型评估准确度可达99.6%以上;在同一样本数据条件下,模型的评估准确度和稳定性均优于基于极限学习机(extreme learning machine,ELM)构建的模型。模型的评估结果为水上交通管理部门的监管提供参考。     

基于减聚类ANFIS模型的船舶横摇运动实时预测

为准确高效地预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出一种基于减聚类的自适应神经模糊推理系统(Subtractive Clustering based Adaptive Neural-Fuzzy Inference System,SC-ANFIS)模型.SC-ANFIS模型使用减聚类算法对输入样本进行聚类分析,得到模糊规则数,并建立神经模糊推理系统,再使用结合BP算法与最小二乘估计算法的混合算法对建立的预测系统进行优化训练,得到最优的预测系统模型,并使用自相关分析确定预测系统模型的输入.运用该模型对大连海事大学科研教学船"育鲲"号的横摇运动进行实时预测,结果验证了该方法可行、有效,并具有较高的预测精度.     

船舶交通流量预测的灰色神经网络模型

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.     

基于隐马尔科夫模型的VLCC目的港预测

超大型油船(very large crude carrier,VLCC)目的港预测对海运原油流向预测以及货源地未来运力估计具有重要作用。针对VLCC的AIS目的港信息存在缺失、更新不及时、不准确等现象,提出一种基于隐马尔科夫模型的VLCC目的港预测方法。分析船舶AIS轨迹数据,得到油船历史停靠港口序列;根据VLCC轨迹提取习惯航路,以航路中的交叉点为依据设置观测线;利用船舶航行轨迹数据判断船舶是否经过观测线以及经过观测线的方向,对不同方向分别计算船舶在挂靠港间的转移概率矩阵和船舶挂靠港与观测线间的输出概率矩阵,建立VLCC目的港预测模型并进行预测。研究结果表明：在大多数情况下VLCC目的港预测的准确率可以达到70%以上;航线越固定、运行越规律的船舶,预测准确率越高;船舶越靠近目的港,预测越准确;重载状态下的船舶目的港预测更准确。     

基于改进K近邻算法的船舶通航环境智能识别

为实现船舶能效的智能优化,从船舶通航环境出发,研究船舶通航环境的智能识别方法。基于所获得的船舶通航环境大数据,建立基于改进K均值聚类算法的船舶通航环境类别知识库,设计相关系数加权的K近邻算法,实现船舶通航环境的智能识别。实例分析结果表明,此基于改进K近邻算法的智能识别方法的识别准确率可达97.25%,相对于未改进的K近邻算法,准确率提高7.81%。所提出的智能识别方法可为基于通航环境智能识别的船舶分段航速智能优化方法的研究奠定基础。