一种船舶对地速度的预测方法、系统、装置及存储介质

1.本发明涉及速度预测技术领域，尤其是一种船舶对地速度的预测方法、系统、装置及存储介质。


背景技术：

2.近年来，随着传感器以及计算机通讯技术的快速发展，船舶的航行信息以及海洋水文环境信息精度越来高，并且可长期保存在储存介质当中，这些信息可为提高船舶监控效率、预防船舶事故提供数据基础。
3.在航运业中，通常需要对船舶的eta进行估计以保证准时交付货物，根据eta的计算公式，需要预测船舶在某一特定气象水温环境下的对地速度，但是对于海洋环境来说，其环境因素耦合作用复杂，其对于船舶对地速度的影响难以量化。
4.综上所述，相关技术中存在的问题亟需得到解决。


技术实现要素：

5.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
6.为此，本发明实施例的一个目的在于提供一种船舶对地速度的预测方法、系统、装置及存储介质。
7.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
8.一方面，本发明实施例提供了一种船舶对地速度的预测方法，包括以下步骤：
9.获取船舶水池实验数据、历史船舶航行数据及船舶航行环境数据；
10.根据所述船舶水池实验数据，构建船舶静水速度预测模型；
11.根据所述历史船舶航行数据及所述船舶航行环境数据，构建船舶对地速度预测模型；
12.采集船舶航行数据以及航行环境数据；
13.将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。
14.进一步地，所述船舶水池实验数据包括船舶主机功率、船舶吃水、船舶静水速度；所述历史船舶航行数据包括历史船舶主机功率、历史船舶吃水、历史船舶对地速度和历史船舶对水速度。
15.进一步地，所述船舶航行环境数据包括有效波高、波浪平均周期、相对波角、风速、相对气流角、流速和相对流角。
16.进一步地，所述根据所述船舶水池实验数据，构建船舶静水速度预测模型这一步骤，包括：
17.根据所述船舶水池实验数据，构建描述船舶主机功率、船舶静水速度、船舶吃水之间平衡关系的偏微分方程；
18.根据所述偏微分方程，求解所述船舶水池实验数据边界内的解集；
19.根据所述偏微分方程解集，获取船舶静水速度关于船舶主机功率、船舶吃水三者之间的函数关系；
20.根据所述函数关系构建所述船舶静水速度预测模型。
21.进一步地，根据所述历史船舶航行数据及船舶航行环境数据，构建船舶对地速度预测模型这一步骤，包括：
22.根据所述历史船舶航行数据，通过所述船舶静水速度预测模型，获取所述船舶对水速度和所述船舶静水速度的差值；
23.根据所述历史船舶航行数据、所述船舶航行环境数据以及所述差值，构建所述船舶对地速度预测模型。
24.进一步地，所述偏微分方程采用基于物理机理神经网络的白箱模型求解，通过以下步骤求解：
25.根据所述偏微分方程，构建物理机理神经网络模型；
26.根据所述船舶水池实验数据，对所述物理机理神经网络模型进行训练；
27.响应于所述物理机理神经网络模型满足偏微分方程约束目标终止条件，完成模型训练任务。
28.进一步地，所述船舶对地速度预测模型通过以下步骤进行训练：对采集的船舶航行数据以及航行环境数据进行数据预处理；
29.通过物理机理神经网络模型获取船舶对水速度和船舶静水速度的差值；
30.将所述差值作为新的特征数据并行输入到所述对地速度预测模型；
31.根据所述船舶航行数据、所述航行环境数据以及所述差值，对所述对地速度预测模型进行训练；
32.响应于所述对地速度预测模型满足目标终止条件，完成模型训练任务。
33.另一方面，本发明实施例提出了一种船舶对地速度的预测系统，包括：
34.第一模块，用于获取船舶水池实验数据、历史船舶航行数据以及航行环境数据；
35.第二模块，用于根据所述船舶水池实验数据，构建船舶静水速度预测模型；
36.第三模块，用于根据所述历史船舶航行数据及所述船舶航行环境数据，构建船舶对地速度预测模型；
37.第四模块，用于采集船舶航行数据以及航行环境数据；
38.第五模块，用于将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。
39.另一方面，本发明实施例提供了一种船舶对地速度的预测装置，包括：
40.至少一个处理器；
41.至少一个存储器，用于存储至少一个程序；
42.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现所述的船舶对地速度的预测方法。
43.另一方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的船舶对地速度的预测方法。
44.本发明公开了一种船舶对地速度的预测方法，具备如下有益效果：
45.本实施例通过获取船舶水池实验数据、历史船舶航行数据及船舶航行环境数据；
然后，根据所述船舶水池实验数据，构建船舶静水速度预测模型；并根据所述历史船舶航行数据及所述船舶航行环境数据，构建船舶对地速度预测模型；接着，采集船舶航行数据以及航行环境数据；再将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。该方法通过构建船舶静水速度的白箱模型以及构建船舶对地速度的黑箱模型，再集成白箱模型和黑箱模型，得到船舶对地速度预测模型，从而实现在复杂的环境因素下对船舶对地速度的预测，为后续的导航、避碰等操作提供了数据支持，同时可以用于事后的实验分析。
附图说明
46.为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
47.图1为本技术实施例中提供的一种船舶对地速度的预测方法的实施环境示意图；
48.图2为本发明实施例提供的一种船舶对地速度的预测方法的流程示意图；
49.图3为本发明实施例提供的一种船舶对地速度的预测系统的结构示意图；
50.图4为本发明实施例提供的一种船舶对地速度的预测装置的结构示意图。
具体实施方式
51.本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
52.在本发明实施例的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数，“至少一个”是指一个或者多个，“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
53.需要说明的是，本发明实施例中设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明实施例中的具体含义。例如，术语“连接”可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连。
54.在本发明实施例的描述中，参考术语“一个实施例/实施方式”、“另一实施例/实施方式”或“某些实施例/实施方式”、“在上述实施例/实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本公开的至少两个实施例或实施方式中。在本公开中，对上述术语的示意性表述不一定指的是相同的示实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式中以合适的方式结合。
55.需要说明的是，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼
此之间未构成冲突就可以相互组合。
56.对本技术实施例进行进一步详细说明之前，对本技术实施例中涉及的名词和术语进行说明，本技术实施例中涉及的名词和术语适用于如下的解释。
57.sog(speed over ground,船舶对地速度),是指船舶受风流共同影响后对水底的航行速度，称“对地速度”。实际速度是对水速度和流速的矢量和。
58.stw(speed toward water，船舶对水速度)，是船舶相对与水的速度。与流速无关，与风速有关，船速在风的影响下表现出对水速度。
59.eta(estimated time of arrival，船舶预计到达时间)，指预计到港时间、预计到达时间。
60.是指预计抵达(引航站或者锚地)的时间而不是指抵达泊位的时间。
61.pinns(physics-informed neural networks，物理信息神经网络)，是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。
62.xgboost(改进梯度提升算法)，xgboost是对梯度提升算法的改进，求解损失函数极值时使用了牛顿法，将损失函数泰勒展开到二阶，另外损失函数中加入了正则化项。
63.船速预测有着许多解决方案，主要分为基于物理或经验公式的方法和基于数据驱动模型的方法，但是两者均存在一定缺陷。首先，随着船舶大型化，船舶的吨位已经逐渐超过物理模型或经验公式中的限制范围，并且得到的结果误差较大。随着大数据时代的来临，人们开发出使用相关环境数据对船速进行预测的数据驱动模型。但是，由于许多机器学习算法需要满足测试数据集和训练数据集独立同分布的条件，因此对于一个崭新的数据集，模型的预测结果存在很大的不确定性。
64.为此，本技术提出了一种船舶对地速度的预测方法、系统、装置及存储介质，通过获取船舶水池实验数据、历史船舶航行数据及船舶航行环境数据；根据所述船舶水池实验数据，构建船舶静水速度预测模型；接着，构建船舶对地速度预测模型；然后，集成所述船舶静水速度预测模型和所述船舶对地速度预测模型，得到船舶对地速度预测模型；随后，采集船舶航行数据以及航行环境数据；并将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。该方法通过构建船舶对水速度的白箱模型以及构建船舶对地速度的黑箱模型，再集成白箱模型和黑箱模型，得到目标灰箱预测模型，从而实现在复杂的环境因素下对船舶对地速度的预测，为后续的导航、避碰等操作提供了数据支持，同时可以用于事后的实验分析。
65.图1是本技术实施例提供的一种船舶对地速度的预测方法的实施环境示意图。参照图1，该实施环境的软硬件主体主要包括操作终端101和服务器102，操作终端101与服务器102通信连接。其中，该船舶对地速度的预测方法可以单独配置于操作终端101执行，也可以单独配置于服务器102执行，或者基于操作终端101与服务器102二者之间的交互来执行，具体可以根据实际应用情况进行适当的选择，本实施例对此并不作具体限定。此外，操作终端101与服务器102可以为区块链中的节点，本实施例对此并不作具体限定。
66.具体地，本技术中的操作终端101可以包括但不限于智能手表、智能手机、电脑、个人数字助理(personal digital assistant，pda)、智能语音交互设备、智能家电或者车载终端中的任意一种或者多种。服务器102可以是独立的物理服务器，也可以是多个物理服务
器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。操作终端101与服务器102之间可以通过无线网络或有线网络建立通信连接，该无线网络或有线网络使用标准通信技术和/或协议，网络可以设置为因特网，也可以是其它任何网络，例如包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
67.图2是本技术实施例提供的一种船舶对地速度的预测方法的流程图，该方法的执行主体可以是操作终端或者服务器中的至少一者，图2中以该船舶对地速度的预测方法配置于操作终端执行为例进行说明。参照图2，该船舶对地速度的预测方法包括但不限于步骤110至步骤160。
68.步骤110：获取船舶水池实验数据、历史船舶航行数据及船舶航行环境数据。
69.本步骤中，历史船舶航行数据包括船舶主机功率、船舶吃水、船舶对地速度和船舶对水速度等数据。具体地，本实施例中，对于历史船舶航行数据的获取渠道不做限制，该历史船舶航行数据既可以是直接通过数据传输接口得到的，也可以是远程通信传输从其他电子设备及计算机系统获取得到的。
70.步骤120：根据所述船舶水池实验数据，构建船舶静水速度预测模型。
71.步骤130：根据所述历史船舶航行数据及所述船舶航行环境数据，构建船舶对地速度预测模型。
72.本实施例中，该船舶对地速度预测模型可以通过两种典型建模架构建立的，即串行建模和并行建模，使用串行技术对流程进行建模需要在一个系列中配置两个或多个模型，其中至少有一个白箱模型和一个黑箱模型，此处串行方法的体系结构为连续配置两个模型，第一个是速度-功率白箱模型，即船舶静水速度预测模型，可以根据测量的推进功率和船舶吃水得出船舶在水中的预期静水速度。然后将数据输入黑箱模型，黑箱模型是一个回归模型，用于预测船舶对地速度，即船舶对地速度预测模型。串行和并行体系结构之间的区别很小。并行建模技术需要建模一个速度-功率的白箱模型，通过减少白箱模型输出和期望输出之间的残差来训练一个黑箱模型，然后并行集成白箱和黑箱模型。
73.步骤140：采集船舶航行数据以及航行环境数据。
74.本步骤中，船舶航行数据包括船舶对地速度数据sog，航行环境数据包括有效波高、波浪平均周期、相对波角、风速、相对气流角、流速和相对流角。具体地，本实施例中，对于船舶航行数据以及航行环境数据的获取渠道同样不做限制，该数据既可以是直接通过数据传输接口得到的，也可以是远程通信传输从其他电子设备及计算机系统获取得到的。
75.步骤150：将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。
76.本实施例通过获取历史船舶航行数据；根据所述历史船舶航行数据，构建船舶静水速度预测模型；接着，构建船舶对地速度预测模型；然后，集成所述船舶静水速度预测模型和所述船舶对地速度预测模型，得到船舶对地速度预测模型；随后，采集船舶航行数据以及航行环境数据；并将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船
舶对地速度预测模型中，得到预测船舶对地速度。该方法通过构建船舶对水速度的白箱模型以及构建船舶对地速度的黑箱模型，通过串并行技术得到船舶对地速度预测模型，从而实现在复杂的环境因素下对船舶对地速度的预测，为后续的导航、避碰等操作提供了数据支持，同时可以用于事后的实验分析。
77.进一步作为可选的实施方式，所述船舶水池实验数据包括船舶主机功率、船舶吃水、船舶静水速度。
78.进一步作为可选的实施方式，所述历史船舶航行数据包括船舶主机功率、船舶吃水、船舶对地速度和船舶对水速度。
79.进一步作为可选的实施方式，所述根据所述船舶水池实验数据，构建船舶静水速度预测模型这一步骤，包括：
80.根据所述船舶水池实验数据，求解典型工况下的速度-功率曲线拟合和配方得到描述船舶主机功率p、船舶静水速度v、船舶吃水d之间平衡关系的偏微分方程：
[0081][0082]
q(v)＝β
1-β2v-β3v2.
[0083]
其中，α、β1、β2、β3为由速度-功率曲线拟合和配方确定的待定系数。
[0084]
根据所述偏微分方程，通过人工神经网络，求解所述船舶水池实验数据边界内的解集；
[0085]
具体地，本实施例中，通过水池实验，获取在典型吃水下，船舶的静水速度功率曲线，得出构建描述船舶主机功率、船舶静水速度、船舶吃水之间平衡关系的偏微分方程。接着，利用pinns正向求解所述偏微分方程，得出微分方程解集，之后通过人过神经网络进行逆向求解得出船舶静水速度函数，该函数能够用于表征船舶主机功率、船舶吃水与船舶静水速度之间的关系。
[0086]
进一步作为可选的实施方式，所述航行环境数据包括有效波高、波浪平均周期、相对波角、风速、相对气流角、流速和相对流角。
[0087]
进一步作为可选的实施方式，在采集船舶航行数据以及航行环境数据这一步骤之后，所述预测方法还包括以下步骤：
[0088]
对采集的船舶航行数据以及航行环境数据进行数据预处理；
[0089]
提取所述船舶航行数据中的船舶对地速度，并获取所述船舶静水速度和所述船舶对地速度的差值，所述差值用于作为所述船舶对地速度预测模型的输入。
[0090]
具体地，采集的船舶航行数据包括船舶在抛锚、漂流、停泊以及在航不同航行状态的数值，需要将航行时的数据筛选出来进行后续的预处理操作。同时由于在海上航行，船舶会不可避免地进行加速、减速、以及改变速度等操作，这些机动数据以及明显的离群数据、缺失值以及重复值等将通过预处理操作进行筛除。在提取到船舶航行时的数据后，计算获取船舶静水速度和船舶对地速度的差值，以便后续作为船舶对地速度预测模型的输入
[0091]
进一步作为可选的实施方式，所述船舶对地速度预测模型通过以下步骤进行训练：
[0092]
对采集的船舶航行数据以及航行环境数据进行数据预处理；
[0093]
通过物理机理神经网络模型获取船舶对水速度和船舶静水速度的差值；由
[0094]
将所述差值作为新的特征数据并行输入到所述对地速度预测模型；
[0095]
根据所述船舶航行数据、所述航行环境数据以及所述差值，对所述对地速度预测模型进行训练；
[0096]
响应于所述对地速度预测模型满足目标终止条件，完成模型训练任务。
[0097]
根据本发明一些实施例，所述方法中，基于pinns的白箱模型与基于xgboost的黑箱模型集成的灰箱预测模型建模过程如下：
[0098]
灰箱预测模型模型是通过两种典型建模串行建立的，使用串行技术对流程进行建模需要在一个系列中配置两个或多个模型，其中至少有一个白箱模型和一个黑箱模型，此处串行方法的体系结构为连续配置两个模型，第一个是速度-功率白箱模型，可以根据测量的推进功率和船舶吃水得出船舶在静水中的预期速度。然后将数据输入黑箱模型。黑箱模型是一个回归模型，用于预测船舶对地速度。
[0099]
本技术实施例中，白箱模型在随机采样得到训练数据集后，可以将训练数据集输入到初始化后的人工神经网络模型中进行训练。具体地，将训练数据集中的数据输入到初始化后的船舶对地速度预测模型后，可以得到模型输出的识别结果，即预测结果，可以根据预测结果是否满足前述的偏微分方程来评估识别模型的准确性，基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的船舶对地速度预测模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
[0100]
本技术实施例中，黑箱模型在随机采样得到训练数据集后，可以将训练数据集输入到初始化后的船舶对地速度预测模型中进行训练。具体地，将训练数据集中的数据输入到初始化后的船舶对地速度预测模型后，可以得到模型输出的识别结果，即预测结果，可以根据预测结果和前述的对地速度测量值来评估识别模型预测的准确性，采用并行树提升对模型的参数进行更新。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
[0101]
参照图3，本发明实施例提出的一种船舶对地速度的预测系统，包括：
[0102]
第一模块301，用于获取船舶水池实验数据、历史船舶航行数据及船舶航行环境数据；
[0103]
第二模块302，用于根据所述船舶水池实验数据，构建船舶静水速度预测模型；
[0104]
第三模块303，用于根据所述历史船舶航行数据及所述船舶航行环境数据，构建船舶对地速度预测模型；
[0105]
第四模块304，用于采集船舶航行数据以及航行环境数据；
[0106]
第五模块305，用于将所述船舶航行数据以及所述航行环境数据，输入至训练完成后的船舶对地速度预测模型中，得到预测船舶对地速度。.
[0107]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0108]
参照图4，本发明实施例提供了一种船舶对地速度的预测装置，包括：
[0109]
至少一个处理器401；
[0110]
至少一个存储器402，用于存储至少一个程序；
[0111]
当所述至少一个程序被所述至少一个处理器301执行时，使得所述至少一个处理
器401实现图2所示的船舶对地速度的预测方法。
[0112]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0113]
本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现图2所示船舶对地速度的预测方法。
[0114]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。