基于梯度提升决策树分位数回归的船舶能耗区间预测

来源:用户上传      作者:李天笑　 周田瑞　胡勤友　 郝清晏

　　摘要：针对目前船舶能耗预测方法仅仅能进行单点预测的问题，提出一种梯度提升决策树分位数回归方法对船舶能耗区间进行预测。对船舶能耗及其影响因素数据进行预处理（空值、异常值删除等），获得更加准确的船舶能耗数据集。结合相关领域知识，确定对地航速、艏艉吃水、左右吃水、风速等9个影响因素进行建模。以区间覆盖率和平均带宽作为该方法的性能评价指标。实验结果表明，该方法能有效获取船舶能耗区间值，与分位数回归森林（quantile regression forest，QRF）、普通线性分位数回归（quantile regression， QR）相比，其预测性能更佳。提出的方法可为智能船舶能耗状态实时监测、异常识别等提供参考。
　　关键词： 船舶能耗; 区间预测; 梯度提升决策树; 分位数回归
　　中图分类号： U676.3文献标志码： A
　　Ship energy consumption interval prediction based on gradient
　　boosting decision tree quantile regression
　　Abstract： Aiming at the problem that the current ship energy consumption prediction methods can only make a single point prediction， a gradient boosting decision tree quantile regression method is proposed to predict the interval of ship energy consumption. The data of the ship energy consumption and its influence factors are preprocessed to obtain a more accurate data set of ship energy efficiency （null， outlier deletion， etc.）. Combined with the knowledge of relevant fields， 9 influence factors are determined for modeling， such as the speed over ground， the fore and aft draft， the left and right draft， and the wind speed. The interval coverage and the mean bandwidth are used as performance evaluation indices of the proposed method. The experimental results show that， the proposed method can effectively obtain the ship energy consumption interval values， and have better prediction performance compared with the quantile regression forest （QRF） and the ordinary linear quantile regression （QR）. The proposed method can provide reference for realtime monitoring of energy consumption status and abnormal identification of intelligent ships.
　　Key words： ship energy consumption; interval prediction; gradient boosting decision tree; quantile regression
　　引言
　　船舶是全球贸易商品不可或缺的运输工具，承担了全球80%货物的运输，但巨大的运输量也带来了众多的环境问题[1]。根据国际海事组织2014年发布的温室气体报告，2007―2012年全球航运业每年的二氧化碳排放量为1 015万t。若不采取相关控制措施，到2050年二氧化碳排放总量将比2012年提高50%～250%。为达到节能减排的目的，国际海事组织采取了一系列相关措施，如要求新船能够满足船舶能效设计指数（energy efficiency design index， EEDI）[2]，并强制实施船舶能效管理计划（ship energy efficiency management plan，SEEMP），利用船舶能效营运指数（energy efficiency operational indicator，EEOI）评判船舶的营运能效水平。
　　目前船舶能耗模型的建立主要有3种方法：（1）基于经验公式，将船舶阻力划分为静水阻力和风浪引起的附加阻力，建立主机与螺旋桨之间的能量传递关系。（2）利用计算流体力学（computational fluid dynamics， CFD）或MATLAB等仿真软件模拟船舶不同状态，进而获得不同航速与阻力之间的关系，并在此基础上获得航速与单位时间主机油耗（即船舶能耗）的函数关系。（3）基于机器学习，根据船舶的航行数据、主机燃油数据等，通过求取各个影响因素与能耗的相关系数大小确定影响能耗的主要因素，利用人工神经网络、支持向量机、随机森林（random forest，RF）等机器学习算法建立船舶能耗模型。HOLTROP[3]通过将船舶阻力划分为若干个相加的成分，利用船模实验获得不同航速下船舶阻力情况，并结合大量的实船数据最终获得了功率与航速的回归模型。LEIFSSON等[4]考虑风阻、船舶主机、螺旋桨的工作性能，结合经验公式建立主机油耗灰箱模型，获得经验公式的最佳参数值，并利用神经网络对其预测结果进行校正。张伟等[5]基于船舶主机与螺旋桨之间的能量传递关系并结合理论公式建立了航速与船舶能耗之间的数学关系。SALA等[6]使用可调螺旋桨，通过调整螺距建立了主机转速与船舶能耗的关系。范爱龙等[7]和孙星等[8]考虑通航环境的影响，利用MATLAB/Simulink建立内河主机能耗模型。PARKES等[9]基于3艘大型姐妹商船的航行数据，建立了基于反向传播（back propagation，BP）神网络的能耗预测模型，通过求取各个影响因素与主机油耗的斯皮尔曼等级相关系数，确定输入变量，结果显示这个模型的预测精度高于线性回归模型的预测精度。BUIDUY等[10]基于集装箱实时传感器数据，提出一种基于深度学习的船舶能耗预测模型，结果显示，在考虑载重吨、风速、风向等影响因素后，模型的预测精度得到提高。WANG等[11]针对主机油耗影响因素较多，且部分影响因素之间存在一定的相关性，提出了一种基于最小绝对收缩选择算子（least absolute shrinkage and selection operator， LASSO）的能耗回归模型。

nlc202206292042

转载注明来源:https://www.xzbu.com/4/view-15435008.htm