[发明专利]一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法

说明书

本发明公开了一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法。对获取的某一自由度下的船舶运动历史数据进行归一化处理，形成船舶运动原始时间序列；将原始时间序列分为训练集和测试集；训练集和测试集重新构造数据集，建立长短时记忆网络LSTM模型进行预测，得到第一次船舶运动的预测结果；重新构造数据集，建立高斯过程回归GPR模型进行预测，得到第二次船舶运动的预测结果；将高斯过程回归模型得到的预测结果进行反归一化，得到最终的船舶运动预测结果。本发明针对高度非线性的船舶运动，在获得高精度的点预测结果的同时还能得到具有概率分布意义的船舶运动区间预测结果。

技术领域

本发明属于船舶与海洋工程领域；具体涉及一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法。

背景技术

由于受随机的、方向紊乱的海浪力和其他干扰力的作用，舰船会产生六自由度相互藕合且十分复杂的摇荡运动，对船舶海上作业造成严重威胁。船舶运动预报是指通过船舶当前及过去的运动状态和某些已知外部条件，对未来一段时间内船舶运动状态进行预测。针对船舶摇荡运动的预报可以为其在大风浪中的作业，如航行、动力定位、锚泊等提供安全保障，可以避免因转向时机不当而导致的船舶翻沉事故及走锚等事故的发生。船舶运动预报还有利于提升海军舰载武器、装备的使用效能。舰载雷达和武器系统在设计使用中，必须考虑船舶摇荡的影响，并进行有效的补偿和校正。此外，船舶运动预报可以保证舰载飞机的安全起降。大风浪下的船舶摇荡运动可引起甲板的大幅位移，干扰飞机安全起降，所以舰载飞机必须在载机船舶的摇荡幅值处于安全阈值的时段进行起降才能有效避免在较大风浪中出现事故。

目前针对船舶运动姿态的短期预报方法研究主要分为以下四类：基于水动力学的预报模型；经典时间序列预报模型；人工智能模型和混合预报模型。基于水动力学的预报模型通过将艏前一定距离处波高作为输入信号，与船舶响应的核函数进行卷积，就可以得到船舶运动姿态的预报值，但该方法对输入信号以及响应函数的精确度要求很高，预报时长短，一般在5秒左右，且预报精度较低。经典时间序列预报模型主要包含三种经典模型，分别是自回归模型(AR)、滑动平均模型(MA)以及自回归滑动平均模型(ARMA)。这类预报模型通过船舶运动姿态或者海浪的历史数据建立时间序列模型进行预报，避免了求解船舶响应函数以及状态方程，具有运算简单，预报精度高，以及自适应性强等优点，但在处理非线性、非平稳信号时很难达到预报要求。随着人工智能技术的发展，同时为了克服在真实海况下船舶运动姿态的非线性、非平稳性对短期预报带来的影响，有学者将人工智能技术应用到船舶运动的短期预报中。这类模型能很好的处理非线性非平稳信号，预报精度高，但计算复杂度较高。单种预报模型在实际应用中都有不同的局限性，很难满足实际工程需求，因此混合预报模型逐渐得到发展。混合预报模型通常将数据预处理方法和预报模型结合或者将多种预报模型进行复合，得到预报效果更好的混合预报模型，但目前常用的混合预报模型仍然存在计算复杂度普遍较高，模型参数选择困难，缺乏自适应能力等问题。

发明内容

本发明提供一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法，针对高度非线性的船舶运动，能够在获得高精度的点预测结果的同时还能得到具有概率分布意义的船舶运动区间预测结果，为船舶在海上安全作业提供更有效的保障。

本发明通过以下技术方案实现：

一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法，所述船舶运动预报方法包括以下步骤，

步骤1：对获取的某一自由度下的船舶运动历史数据进行归一化处理，形成船舶运动原始时间序列；

步骤2：将步骤1的原始时间序列分为训练集和测试集；

步骤3：根据步骤2的训练集和测试集重新构造数据集，建立长短时记忆网络LSTM模型进行预测，得到第一次船舶运动的预测结果；

步骤4：根据步骤3重新构造数据集，建立高斯过程回归GPR模型进行预测，得到第二次船舶运动的预测结果；