基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

基于随机森林算法的内河船舶油耗预测模型

准确的船舶油耗预测模型是船舶实现各项航行优化措施的基础。以长江干线某旅游船为研究对象,通过安装信息采集系统获得了大量的船舶实时营运数据。通过理论分析得出影响船舶油耗的主要因素为风速、风向、水深、水流速度和船舶航速;改进了随机森林建模时参数的设置方法,提出一种变量的重要性测度方法;对去噪处理后数据进行系统抽样并进行归一化处理,得到建模的样本数据;把样本数据按0.7∶0.3的比例随机分为训练样本和测试样本,对训练样本采用随机森林(RF)算法建立油耗预测模型;通过模型预测测试样本的油耗值,与实测数据对比,结果显示预测误差低于6.8%,优于BP神经网络与支持向量机(SVM)的预测结果;分析模型中各变量的重要性顺序为:航速>水流速度>水深>风速>风向,利用偏相关分析得到了单个因素与油耗间的定量关系。

基于GBDT的船舶油耗预测模型设计

建立准确的船舶油耗预测模型是实现船舶节能减排的基础。文中以某一远洋船舶作为研究对象,对船舶的实际运营数据进行分析和预处理,结合GBDT算法构建船舶油耗的预测模型。将模型在测试数据集上的预测值与实测数据进行对比,结果表明预测误差低于6.98%,优于随机森林和决策树的预测结果。该文验证了基于GBDT所建立的油耗预测模型的准确性和实用性,对于后续船舶航行优化措施具有重要意义。

基于DNN平均每海里油耗预测

在严格的国际排放标准、不断上涨的燃油成本的客观因素下,节能减排已成为航运业的重要指导方针,而建立准确的平均每海里油耗预测模型是实现船舶节能减排的基础。论文将一艘远洋船舶作为研究对象,对船舶实际监测数据和气象数据进行分析和预处理,结合DNN算法构建了船舶平均每海里油耗预测模型。通过对比预测模型输出的预测值和实测数据,结果显示预测误差仅为7.661%,随后以建立的预测模型为基础,采用粒子群算法对纵倾和rpm三次方关系进行特征寻优,发现同时对这两个特征进行调整,可使船舶平均每海里省油率达到了5.71%。论文验证了基于DNN算法建立的船舶油耗模型的有效性与可行性,并对其进行了特征寻优工作,降低了船舶的平均每海里耗油量,对后续船舶优化提供了一定的参考价值以及研究方向。