首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于stacking集成学习的船舶油耗预测与速度优化方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:大连海事大学

摘要:本发明提供一种基于stacking集成学习的船舶油耗预测与速度优化方法,包括如下步骤:对油耗数据和影响油耗相关因素的数据进行预处理,基于预处理后的数据按照比例划分为训练数据和测试数据;构建stacking集成学习模型,用于船舶油耗的预测;将处理后的影响油耗相关因素数据输入到stacking集成学习模型中,实现对船舶油耗的预测;对stacking集成学习模型的预测结果进行评估;建立以船舶速度为决策变量,以船舶油耗最小为目标的船舶速度优化模型;对船舶速度优化模型进行离散化;基于船舶速度优化模型的约束,对离散后的船舶速度优化模型进行求解,确定不同航段最优的船舶速度,以及不同航段最优的船舶速度的船舶油耗,确定油耗节省量。

主权项:1.一种基于stacking集成学习的船舶油耗预测与速度优化方法,其特征在于,包括如下步骤:获取船舶的历史油耗数据和影响油耗相关因素的数据;对油耗数据和影响油耗相关因素的数据进行预处理,基于预处理后的数据按照比例划分为训练数据和测试数据;基于训练数据构建stacking集成学习模型,用于船舶油耗的预测;将处理后的影响油耗相关因素数据输入到stacking集成学习模型中,实现对船舶油耗的预测;对stacking集成学习模型的预测结果进行评估;建立以船舶速度为决策变量,以船舶油耗最小为目标的船舶速度优化模型;对船舶速度优化模型进行离散化;基于船舶速度优化模型的约束,对离散后的船舶速度优化模型进行求解,确定不同航段最优的船舶速度,以及不同航段最优的船舶速度的船舶油耗,确定油耗节省量;所述基于训练数据构建stacking集成学习模型的过程如下:对K-近邻算法模型、支持向量机模型、随机森林模型进行同时训练,并对K-近邻算法模型、支持向量机模型、随机森林模型进行参数调整,得到训练好的对K-近邻算法模型、支持向量机模型、随机森林模型;对训练好的K-近邻算法模型、训练好的支持向量机模型、训练好的随机森林模型的预测结果进行合并,将合并后的数据输入到元学习器模型中,得到stacking集成学习模型;所述船舶速度优化模型采用目标函数公式如下: n表示航段总数;FCi表示第i段的船舶油耗;Li表示第i段的船舶行驶距离;Vi表示第i段的平均航行速度;所述对船舶速度优化模型进行离散化的过程如下:将航行速度以0.1为间隔离散化,具体公式如下:Vi1=ViminVi2=Vi1+0.1,…Vij=Vimax添加二元决策变量yij,若Vij是第i航段对应的油耗最小速度则yij=1;否则yij=0;离散化后的船舶速度优化模型的目标函数变更为: 其中:Vi1—Vij表示第i段第j速度,n表示航段总数,j表示第i段速度离散化后离散点个数,f表示油耗预测模型,Ci表示第i段的海况数据;Li表示第i段的船舶行驶距离;所述船舶速度优化模型的约束包括:约束1:保证第i+1段开始的时间Ti+1为第i段结束的时间Ti;Ti表示船舶行驶到第i航段所消耗的总行驶时间;Ti+1表示船舶行驶到第i+1航段所消耗的总行驶时间,Li表示第i段的船舶航行距离; 约束2:保证船舶航行到达目的地的总用时Tn+1不超过允许的最大时长Tmax;Tn+1≤Tmax约束3:确保选择的船舶的航行速度Vi在规定的范围内:这里Vimin和Vimax分别表示第i段允许的最小航行速度和最大航行速度;Vimin≤Vi≤Vimax约束4:保证船舶各个航段的航行速度Vi非负;Vi≥0约束5:保证船舶各个航段的航行时间Ti非负;Ti≥0约束6:保证二元决策变量yij值在规定范围内: 约束7:确保每个航段有且仅有一个对应的使船舶油耗最小的最佳速度,即: 其中:I表示从1到航段总数n之间的自然数集合,Li表示第i段的船舶行驶距离,j表示第i段速度离散化后离散点个数。

全文数据:

权利要求:

百度查询: 大连海事大学 一种基于stacking集成学习的船舶油耗预测与速度优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。