-
题名基于深度学习模型的船舶碳排放时空预测研究
被引量:1
- 1
-
-
作者
栾建霖
冯胤伟
李海江
王新建
贾鹏
匡海波
-
机构
大连海事大学综合交通运输协同创新中心
大连海事大学航运经济与管理学院
大连海事大学航海学院
-
出处
《科研管理》
CSCD
北大核心
2023年第3期75-85,共11页
-
基金
辽宁省社会科学规划基金项目(L21ACL002,2021-2023)。
-
文摘
船舶碳排放的预测研究在挖掘碳排放时空分布特征、揭示排放时空演化规律、制订和调整脱碳政策等方面具有重要的理论与实践意义。然而目前,船舶航行状态辨识的准确性依旧制约着船舶碳排放测算的精度,而且,船舶碳排放预测研究多集中于预测其在时间维度的演化规律,尚未考虑兼顾时空双重维度的多维预测。因此,为解决船舶碳排放测算中航行状态辨识误判率高,以及传统碳排放预测方法难以兼顾空间相关性等问题,首先,本文以轨迹段为基本单元,在综合考虑航行状态持续时间、地理活动范围和航向变化等多维运动特征的基础上,提出了一种新的时空轨迹搜索算法,实现了航行状态的精准辨识;其次,本文引入了深度预测学习领域的ConvLSTM模型,构建了一种新的船舶碳排放时空预测框架,并提出一种基于GIS空间识别技术的高分辨率时空序列数据集构建方法。该框架不仅可预测船舶碳排放在时间维度上的演化规律,还可通过卷积运算,充分挖掘碳排放在空间上的局部依赖关系;最后,以我国渤海海域为例,基于船舶AIS数据,开展了船舶航行状态辨识和碳排放预测实验,结果表明:本文提出的航行状态辨识算法准确率达90%以上,有效解决了仅依据实时航速和主机负载划分航行状态的误判问题;而且,本文提出的船舶碳排放测算模型可在排放数据集上稳定收敛,并且能够准确预测排放的热点区域。本研究为我国船舶碳排放核算制度的完善,碳排放峰值、时间和区域的研判,以及碳中和路径的制订提供了重要的理论依据。
-
关键词
船舶碳排放
时空预测
航行状态辨识
深度预测学习
ConvLSTM
-
Keywords
ship carbon emission
spatiotemporal prediction
navigation status identification
deep predictive learning
ConvLSTM
-
分类号
U692.3
[交通运输工程—港口、海岸及近海工程]
-