[发明专利]一种多源异构油耗数据特征提取及融合方法

权利要求书

1.一种多源异构油耗数据特征提取及融合方法，其特征在于：包括以下步骤：

S1、对油耗数据进行预处理

油耗数据即与油耗相关的传感器数据，油耗数据预处理包括补充缺失值和删除异常值两部分；首先，使用插值法对因传感器故障产生的缺失值进行补充，然后将油耗数据中超出船舶正常操作区域的数据作为异常数据予以剔除；油耗数据包括船舶风速数据、纵倾数据、舵角数据、主机燃油数据、螺距数据、航速数据和吃水数据；

S2、对预处理后的各类油耗数据进行时域的一致性操作

时域的一致性操作包括分帧操作和帧移操作；所述分帧操作，即采用等长度的帧长d对时域进行移动分帧；所述帧移操作，即在移动分帧过程中相邻两帧之间具有一定的重叠区域，重叠区域称为帧移，帧移长度取帧长的20％～60％；通过上述操作，保证不同采样频率的传感器数据实现时域上的一致性；

S3、对各帧数据进行特征提取操作

根据步骤S2得到的数据，对各帧数据进行特征提取操作，特征提取包括统计特征提取与时间序列特征提取；两种特征的提取过程如下：

S31、提取统计特征向量

各帧数据的统计特征包括平均值mean、方差variance、众数mode、中位数median、上边缘max、上四分位点Q₃、下四分位点Q₁和下边缘min；

考虑各帧数据存在非标准正态分布，提取平均值、方差、众数和中位数作为统计特征向量A；

考虑到各帧数据存在离群数据，提取上边缘、上四分位点、下四分位点和下边缘作为统计特征向量B；

将数据按数值大小排序得到上四分位点Q₃和下四分位点Q₁；并将上四分位点Q₃和下四分位点Q₁之间的间隔定义为：

IQR＝Q₃-Q₁

根据排列所得的上四分位点和下四分位点，得到帧内数据的上边缘和下边缘计算公式如下：

Max＝Q₃+IQR

Min＝Q₁-IQR

S32、提取时间序列特征向量

采用改进的阶层聚类方法提取帧内数据的时间序列特征，采用欧氏距离作为相似性度量，具体过程如下：

S321、输入分帧后的一帧数据D设定时间序列特征的个数为k；

S322、按下式计算迭代次数epoch：

epoch＝length(D)-k

其中length(D)表示计算一帧数据点个数；

S323、分别计算相邻时间数据点的欧式距离dist(D_i,D_i+1)，即计算数据点i和数据点i+1之间的欧式距离，并将其存储于变量dis(i)：

dis(i)＝dist(D_i,D_i+1)

S324、对欧式距离最近的相邻数据点进行合并，取数据点i和数据点i+1的平均值进行合并，并将合并后的数据点覆盖数据点i；

D_i＝(D_i+D_i+1)/2

S325、转步骤S323，直至获得k个时间序列特征：

c₁,c₂,…，c_k-1，c_k

S4、对统计特征向量与时间序列特征向量进行融合

将步骤S3得到的统计特征和时间序列特征进行融合，作为相关机器学习方法的输入；所述特征融合，即将得到的各帧数据统计特征向量与时间序列特征向量进行合并，得到融合后特征向量；其中统计特征向量A与时间序列特征的融合特征向量为：

(mean，variance，mode，median,c₁,c₂,…，c_k)

统计特征向量B与时间序列特征的融合特征向量为：

(min,Q₁,Q₃,max,c₁,c₂,…，c_k)

S5、将融合后的特征作向量为机器学习方法的输入

利用步骤S4得到的融合后的特征作向量作为机器学习方法的输入，实现对船舶油耗的建模，所述机器学习方法包括线性回归方法、支持向量回归方法、人工神经网络方法。