一种基于时序模式注意力机制的CNN-LSTM船舶运动姿态预测方法

本发明涉及船舶航行数据分析领域，具体涉及一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法。

背景技术：

1、作为海洋上最重要的交通工具，船舶在我们生产生活中的地位无可撼动，同时，船舶的安全航行问题也不容忽视。由于海况的复杂性和不确定性，船舶在海上航行时经常会遇到强风、强浪还有洋流等不确定因素的耦合影响，会产生复杂的非线性六自由度随机运动，这些因素都是影响船舶安全航行的潜在隐患。在船舶六自由度运动当中，横倾和纵倾对船体的影响尤为突出。如果船舶的横摇、纵摇发生剧烈变化，会对船舶的安全航行带来严重后果。2014年4月16日，韩国客轮“世越号”发生严重的侧翻事故。事发后的事故分析指出，“世越号”客轮在航行时曾做过剧烈转向动作，造成船舱内的物体定向移动，客轮的重心随之发生变化，从而破坏了船体的稳定性。而船体的稳定性保证了船只的航行安全，保证稳定航行可以避免发生大部分的事故，因此，船体发生严重的横倾，从而酿成了惨剧。因此，如果能对船舶的横倾角、纵倾角等影响船舶姿态较大的指标进行提前预报，并根据预报的反馈加以控制，对于船舶安全航行的意义是巨大的。

2、关于船舶运动姿态预测，现有的算法有卡尔曼滤波法、艏前波法、时间序列法、模糊逻辑推理以及基于人工神经网络的方法。本方法基于时间序列分析，融合混合神经网络对实船航行时所测得的运动姿态数据进行预测。时间序列分析法的目标是通过已有的数据预测未知的值，神经网络对非线性系统有更好的拟合能力，无需依赖严格的输入输出关系，而是通过学习的方式得到随时间推移从输入到输出的映射函数，因此对于复杂的、非线性的船舶运动姿态数据，神经网络尤其是混合神经网络能对其进行更好的预测。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法，具体包括船舶横倾预测、船舶纵倾预测以及船舶回转率预测。

2、本发明的具体实现流程如下：

3、步骤1：获取实船运动的真实数据集，将其通过pandas模块转化为dataframe型数据，绘制多变量数据的热力图，选择相互之间相关程度高的多变量数据作为输入，利用滑动窗口的思想将其构造为有监督数据集，并对其进行数据预处理，包括异常值处理、插值平滑处理及归一化处理。并将数据集按照8:2的比例划分为训练集和测试集。

4、步骤2：搭建本发明提出的网络模型，包括两层一维卷积层，两层lstm层、时序模式注意力机制和全连接层，层与层之间采取随机抛弃神经元操作，以防止模型出现过拟合。

5、步骤3：训练基于时序模式注意力机制的cnn-lstm混合网络模型，并进行模型预测的输出。

6、步骤4：将步骤3中训练好的模型进行评估，并应用到新的数据中，得到新的船舶运动姿态预测值。

7、进一步的，所述时序模式注意力机制满足：

8、

9、

10、

11、

12、ht'＝wh·(whht+wvvt)

13、其中，σ为sigmoid激活函数；表示一维卷积核，表示隐藏状态矩阵，表示第i个行向量和第j个卷积核进行卷积的结果；f表示得分函数，用于后续计算注意力权重；为注意力权重；表示注意力向量；表示最终计算结果；为权重矩阵；为注意力向量矩阵；为隐藏层权重。

14、进一步的，所述两层lstm网络满足：

15、ft＝σ(wxf·xt+ht-1·whf+bf)

16、it＝σ(wxi·xt+ht-1·whi+bi)

17、ot＝σ(wxo·xt+ht-1·who+bo)

18、

19、

20、ht＝ot⊙tanh(ct)

21、其中，wxf、wxi、wxo为遗忘门、输入门、输出门对输入的权重参数，wxc为候选记忆细胞对输入的权重参数；whf、whi、who为三个门对上一时间步隐藏状态的权重参数，whc为候选记忆细胞的上一时间步隐藏状态的权重参数；bf、bi、bo为三个门偏差参数，bc为候选记忆细胞的偏差参数；ft、it、ot分别为当前时刻三个门的输出，表示候选记忆细胞输出，ct表示记忆细胞输出，ht表示隐藏状态的输出；σ表示sigmoid激活函数；⊙表示互相关运算，ht-1表示上一时刻的隐藏状态，xt表示当前时刻输入。

22、有益效果：

23、本发明通过引入动态的注意力机制，能够同时捕获船舶运动数据中的时间与空间特征，与现有的单一预测模型对比，在进行多变量预测任务时具有更高的预测精度。

技术特征：

1.一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法，其特征在于：

2.根据权利要求1所述的一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法，其特征在于，

3.根据权利要求2所述的一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法，其特征在于，

4.根据权利要求3所述的一种基于时序模式注意力机制的cnn-lstm船舶运动姿态预测方法，其特征在于，

技术总结本发明提出了一种基于时序模式注意力机制的CNN‑LSTM船舶运动姿态预测方法，获取多变量实船运动的真实数据集，绘制多变量数据的热力图，选择相互之间相关程度高的多变量数据作为输入，利用滑动窗口的思想将其构造为有监督数据集，并对其进行数据预处理；搭建基于时序模式注意力机制的CNN‑LSTM混合网络，包括一维卷积层，LSTM层、时序注意力机制模块和展平层；训练网络，使用MSE评价模型；将新的船舶运动姿态数据传入到训练好的混合网络模型，得到预测数据。本发明利用基于时序模式注意力机制的CNN‑LSTM混合网络模型进行训练，与单一的网络相比，可以同时提取船舶运动姿态数据的空间维度特征和时序维度特征，网络模型具有更高的预测精度。技术研发人员：王宇超,田子湘,傅荟璇,房立安,杨周琦受保护的技术使用者：哈尔滨工程大学技术研发日：技术公布日：2024/11/18