本發(fā)明涉及船舶油耗預(yù)測(cè)，尤其涉及一種基于dbo優(yōu)化的船舶油耗預(yù)測(cè)方法。

背景技術(shù)：

1、近年來，隨著世界人口、經(jīng)濟(jì)的發(fā)展，航運(yùn)運(yùn)輸在世界運(yùn)輸產(chǎn)業(yè)中的占比隨著全球貿(mào)易的不斷發(fā)展而逐年上升。

2、根據(jù)技術(shù)路線的不同，船舶油耗建模方法主要包含白箱模型、黑箱模型、灰箱模型3類。其中白箱模型是一種常用的系統(tǒng)建模方法，利用系統(tǒng)內(nèi)部與外部參數(shù)之間的物理邏輯關(guān)系和經(jīng)驗(yàn)公式，建立系統(tǒng)輸入與輸出之間的物理聯(lián)系，但存在不確定性和假設(shè)影響到預(yù)測(cè)的準(zhǔn)確性的問題，需要先驗(yàn)知識(shí)，準(zhǔn)確率較低。黑箱模型是一種脫離了系統(tǒng)內(nèi)部外參數(shù)的物理邏輯關(guān)系，不需要任何船舶性能的先驗(yàn)知識(shí)，但需要大量實(shí)驗(yàn)來建立較為準(zhǔn)確的預(yù)測(cè)模型?；蚁淠Ｐ褪抢没镜奈锢碓砗蜏y(cè)量數(shù)據(jù)，有效結(jié)合白箱模型和黑箱模型的優(yōu)勢(shì)，但存在外推能力較弱，可解釋性較差的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于dbo優(yōu)化的船舶油耗預(yù)測(cè)方法，以克服現(xiàn)有船舶油耗建模過程中參數(shù)尋找較難和預(yù)測(cè)精度不高的問題的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：

3、一種基于dbo優(yōu)化的船舶油耗預(yù)測(cè)方法，其特征在于，具體步驟包括：

4、s1：獲取船舶歷史航行數(shù)據(jù)；

5、s2：對(duì)所述船舶歷史航行數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的船舶數(shù)據(jù)，并將所述處理后的船舶數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

6、s3：建立bilstm-attention網(wǎng)絡(luò)模型，并將其作為船舶油耗預(yù)測(cè)模型；

7、s4：基于dbo優(yōu)化算法對(duì)所述船舶油耗預(yù)測(cè)模型進(jìn)行優(yōu)化，得到優(yōu)化后的船舶油耗預(yù)測(cè)模型；

8、s5：基于所述訓(xùn)練集對(duì)所述船舶油耗預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的船舶油耗預(yù)測(cè)模型；

9、s6：基于測(cè)試集對(duì)訓(xùn)練后的船舶油耗預(yù)測(cè)模型進(jìn)行測(cè)試，當(dāng)訓(xùn)練后的船舶油耗預(yù)測(cè)模型的預(yù)測(cè)精度滿足要求時(shí)，得到最終的船舶油耗預(yù)測(cè)模型，并基于最終的船舶油耗預(yù)測(cè)模型預(yù)測(cè)船舶油耗大小。

10、進(jìn)一步地，s3中，建立的bilstm-attention網(wǎng)絡(luò)模型包括依次連接的輸入層、bilstm層、attention層和輸出層；

11、所述輸入層用于對(duì)輸入數(shù)據(jù)進(jìn)行特征提取和轉(zhuǎn)換處理，得到特征序列，并傳輸給bilstm層；

12、所述bilstm層基于所述特征序列計(jì)算得到當(dāng)前時(shí)刻前向?qū)雍秃笙驅(qū)拥碾[藏狀態(tài)，并拼接當(dāng)前時(shí)刻前向?qū)雍秃笙驅(qū)拥碾[藏狀態(tài)以得到神經(jīng)元輸出值；

13、所述attention層用于計(jì)算每個(gè)時(shí)刻特征序列的權(quán)重，并將得到的權(quán)重與所述神經(jīng)元輸出值進(jìn)行加權(quán)求和，得到加權(quán)后的特征向量；

14、所述輸出層利用線性激活函數(shù)對(duì)所述加權(quán)后的特征向量進(jìn)行線性變換，并加上偏置，得到船舶油耗預(yù)測(cè)值。

15、進(jìn)一步地，s2中，對(duì)所述船舶歷史航行數(shù)據(jù)進(jìn)行預(yù)處理的過程為：

16、1)檢測(cè)并剔除船舶歷史航行數(shù)據(jù)中的數(shù)據(jù)異常值；

17、2)利用拉格朗日插值法對(duì)剔除異常值后的船舶歷史航行數(shù)據(jù)中的斷點(diǎn)數(shù)據(jù)進(jìn)行插值，得到完整數(shù)據(jù)；

18、3)利用核主成分分析法對(duì)所述完整數(shù)據(jù)進(jìn)行降維。

19、進(jìn)一步地，s1中，所述船舶歷史航行數(shù)據(jù)包括：船舶油耗、主機(jī)轉(zhuǎn)速、螺旋槳轉(zhuǎn)速、風(fēng)速、對(duì)地航速、浪高、船艏吃水、船尾吃水、左舷吃水、右舷吃水。

20、進(jìn)一步地，s4中，基于dbo優(yōu)化算法對(duì)所述船舶油耗預(yù)測(cè)模型進(jìn)行優(yōu)化的過程為：

21、s41：初始化船舶油耗預(yù)測(cè)模型和dbo優(yōu)化算法的參數(shù)，并設(shè)置蜣螂種群數(shù)量和最大迭代次數(shù)，蜣螂種群包括滾球蜣螂、雌性蜣螂、幼體蜣螂以及偷竊蜣螂；

22、s42：初始化蜣螂種群，計(jì)算蜣螂種群的初始適應(yīng)度值，并將初始化得到的蜣螂種群按照適應(yīng)度值的大小進(jìn)行排序，得到具有最優(yōu)適應(yīng)度值的蜣螂；

23、s43：基于具有最優(yōu)適應(yīng)度值的蜣螂，對(duì)初始生成的蜣螂種群按照滾球行為、跳舞行為、繁殖行為、覓食行為和偷竊行為的公式進(jìn)行位置更新，包括：

24、所述滾球蜣螂通過滾球行為和跳舞行為進(jìn)行位置更新，具體包括：

25、滾球蜣螂通過滾球行為進(jìn)行位置更新，且位置更新公式為：

26、xi(t+1)＝xi(t)+k*a*xi(t-1)+b*δx?(1)

27、δx＝|xi(t)-xw|?(2)

28、當(dāng)滾球蜣螂遇到障礙物不能前進(jìn)時(shí)，通過跳舞行為進(jìn)行位置更新以調(diào)整自己的前進(jìn)方向，此時(shí)，滾球蜣螂的位置更新公式為：

29、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)|?(3)

30、式中：t為當(dāng)前迭代次數(shù)；α為一個(gè)自然系數(shù)，表示是否偏離原來方向，取值為-1或1；k為偏轉(zhuǎn)系數(shù)；b為常數(shù)；xw表示全局最差位置；δx為參照物，用于模擬光強(qiáng)變化；θ為正切函數(shù)中的偏轉(zhuǎn)角，且θ∈[0，π]，在0，π時(shí)，位置不變；

31、所述雌性蜣螂通過繁殖行為進(jìn)行位置更新，具體包括：

32、設(shè)定雌性蜣螂產(chǎn)卵區(qū)域的上下邊界以確定產(chǎn)卵區(qū)域，表示為：

33、lb*＝max(x**(1-r)，lb)?(4)

34、ub*＝min(x**(1+r)，ub)?(5)

35、r＝1-tmax?(6)

36、式中：x*為目前最優(yōu)超參數(shù)組合，lb*、ub*分別為產(chǎn)卵區(qū)域的上界和下界，ub和ub分別為超參數(shù)搜索空間的上界和下界，tmax為最大迭代次數(shù)；

37、所述雌性蜣螂在產(chǎn)卵區(qū)域進(jìn)行繁殖從而進(jìn)行位置更新，假設(shè)每個(gè)雌性蜣螂在每次迭代中只會(huì)下一個(gè)卵，雌性蜣螂的位置更新公式為：

38、bi(t+1)＝x*+β1*(bi(t)-lb*)+β2*(bi(t)-ub*)?(7)

39、式中：bi(t)為第t次迭代時(shí)第i個(gè)產(chǎn)卵位置；β為大小為1*q的隨機(jī)向量，q為待優(yōu)化的參數(shù)個(gè)數(shù)；

40、所述幼體蜣螂通過覓食行為進(jìn)行位置更新，具體包括：

41、建立最優(yōu)覓食區(qū)域，表示為：

42、lbb＝max?(xb*(1-r)，lb)?(8)

43、ubb＝min?(xb*(1+r)，?ub)?(9)

44、在所述最優(yōu)覓食區(qū)域內(nèi)，幼體蜣螂的位置更新公式為：

45、

46、式中：xb為最優(yōu)參數(shù)組合，為遵循正態(tài)分布的隨機(jī)向量，為隨機(jī)向量，取值范圍為(0，1)；lbb和ubb分別為幼體蜣螂覓食區(qū)域的上界和下界；

47、所述偷竊蜣螂通過偷竊行為進(jìn)行位置更新，具體包括：

48、設(shè)xb是最佳食物源，故xb周圍是競(jìng)爭(zhēng)食物的最優(yōu)位置，偷竊螳螂通過偷竊行為更新最佳食物源的位置從而進(jìn)行位置更新，偷竊蜣螂的位置更新公式為：

49、xi(t+1)＝xb+s*ω*(|xi(t)-x*|+|xi(t)-xb|)?(11)

50、式中：s為常量，ω為遵循正態(tài)分布的隨機(jī)向量；

51、s44：根據(jù)更新后的蜣螂種群位置重新計(jì)算蜣螂種群的適應(yīng)度值，并將重新計(jì)算得到的蜣螂種群按照適應(yīng)度值的大小進(jìn)行排序，得到最優(yōu)適應(yīng)度值，并將最優(yōu)適應(yīng)度值作為船舶油耗預(yù)測(cè)模型的隱藏神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率，然后將訓(xùn)練集輸入船舶油耗預(yù)測(cè)模型進(jìn)行預(yù)測(cè)得到預(yù)測(cè)值，計(jì)算訓(xùn)練集中的真實(shí)值與預(yù)測(cè)值之間的平均絕對(duì)誤差；

52、s45：判斷平均絕對(duì)誤差是否符合設(shè)定的需求，若符合，則獲得最優(yōu)隱藏神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率，結(jié)束優(yōu)化流程；否則重復(fù)s43-s45，直到獲得最優(yōu)隱藏神經(jīng)元個(gè)數(shù)和學(xué)習(xí)率。

53、有益效果：本發(fā)明建立了bilstm-attention網(wǎng)絡(luò)模型，并將其作為船舶油耗預(yù)測(cè)模型，在基于bilstm構(gòu)建的模型中加入注意力機(jī)制，加強(qiáng)輸入特征與輸出特征之間的關(guān)聯(lián)，提高了油耗的預(yù)測(cè)精度，同時(shí)基于dbo優(yōu)化算法對(duì)所述船舶油耗預(yù)測(cè)模型進(jìn)行優(yōu)化，能夠更準(zhǔn)確迅速找到最優(yōu)參數(shù)組合，得到優(yōu)化后的船舶油耗預(yù)測(cè)模型，解決了現(xiàn)有船舶油耗建模過程中參數(shù)尋找較難和預(yù)測(cè)精度不高的問題的技術(shù)問題。