[发明专利]一种多源异构油耗数据特征提取及融合方法

说明书

本发明公开了一种多源异构油耗数据特征提取及融合方法，包括以下步骤：对油耗数据进行预处理；对预处理后的各类油耗数据进行时域的一致性操作；对各帧数据进行统计特征向量和时间序列特征向量提取操作；对统计特征向量与时间序列特征向量进行融合；将融合后的特征作向量为机器学习方法的输入。本发明对船舶油耗数据应用分帧操作，并进行统计特征和时间序列特征提取；然后对统计特征和时间序列特征进行融合。通过本发明可以对现存的大量传感器油耗数据进行处理，大幅提高了用于油耗建模的数据量。本发明通过对多源异构油耗数据进行特征提取及融合，大幅提高了油耗数据的质量，从而提高了油耗建模的精度。

技术领域

本发明属于多源异构数据融合技术领域，特别涉及一种多源异构油耗数据特征提取及融合方法。

背景技术

船舶油耗评估主要包含数据处理和评估建模两部分。其中，数据处理是船舶油耗评估中的关键技术，数据处理的效果将直接影响评估精度。在航海实践中，船舶油耗数据可以被划分为机舱日志数据和传感器采集数据。机舱日志数据是船员在规定时间、按照固定格式手动填写的，不可避免地存在着数据错误；并且采样周期较长，对船舶油耗情况刻画不准确。因此，绝大部分船舶油耗评估模型均使用传感器数据进行建模。

随着传感器技术的不断发展，现代船舶上安装有大量的传感器设备，例如多普勒计程仪、气压仪、GPS(Global Position System)全球定位系统和自动识别系统AIS(Automatic Identification System)等，这些传感器可以准确测量并精确记录油耗相关的船舶状态及环境信息。但是，由于传感器的厂家及制造标准各异，导致传感器采样频率也各不相同。因此，基于传感器的船舶油耗数据可以被视为多源异构数据。在使用这些数据对船舶油耗进行建模之前，必须对其进行特征提取及融合。

在已有研究中，Dario和Antonio针对基于传感器的油耗数据做了变量重新定义，例如风向、排水量等。然后对不同的特征进行选择以确保使用恰当的特征进行船舶油耗评估。Jianqin Zheng和Haoran Zheng对油耗数据做了正则化，加速模型的收敛速度和精度。Trodden和Murphy使用卡尔曼滤波器剔除脏数据。Lokukaluge和Mo将超出船舶正常操纵区域的数据予以剔除，并对数据归一化，将不同尺度的变量缩放到同一尺度下。牟小辉等使用MATLAB软件剔除数据中的奇异值，并且分析了不同变量的重要性。Brage对油耗数据作统计分析，分析其数据分布情况，并研究不同特征之间的关联特性，然后使用高斯混合模型和主成分分析算法对船舶主机工作区域进行划分。根据现有油耗数据处理办法，现有的大量传感器数据无法被用于油耗建模，且油耗评估精度普遍不高。

发明内容

为了解决现有技术存在的上述问题，本发明要提出一种多源异构油耗数据特征提取及融合方法，能够将大量现存的传感器油耗数据用于船舶油耗建模，并结合相关机器学习方法，可以大幅提高船舶油耗评估精度

为了实现上述目的，本发明采用的技术手段如下：一种多源异构油耗数据特征提取及融合方法，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