一种基于Conv-Bi-LSTM模型的船舶升沉运动预测系统及预测方法

一种基于conv-bi-lstm模型的船舶升沉运动预测系统及预测方法
技术领域
1.本发明属于船舶运动状态预测技术领域，具体地，涉及一种基于conv-bi-lstm模型的船舶升沉运动预测系统及预测方法。


背景技术：

2.船舶在海上航行时，受到海风、海浪等环境扰动，将产生复杂的摇荡运动，对舰载机起降，货物交接等产生影响，会使船舶产生六个自由度的摇荡运动。其中，船舶的升沉运动作为被动运动的主要形式，对船舶的航行，舰载直升机起降，舰载武器发射等产生了很大的影响，需要有效的预测算法实现对船舶的控制和补偿。然而，在复杂的海况下，船舶各个自由度的运动相互耦合，很难通过传统的预测方法实现船舶升沉运动信息的精确预测，因此，建立新的船舶运动预报方法，对于提高船舶航行和作业的安全性具有重要作用。
3.近年来，船舶升沉运动预测的研究受到越来越多人的关注，机器学习由于其在非线性拟合上的优势，常被应用于船舶非线性升沉运动的预测中。随着计算机技术的飞速发展，深度学习理论在时间序列预测方面得到了广泛的应用。循环神经网络(recurrentneuralnetwork,rnn)是处理时间序列的有效方法，但由于存在梯度消失和梯度爆炸问题，rnn不能很好地建立船舶运动序列的长期依赖关系模型。
4.针对这一不足，现有一种长短时记忆网络模型(longshort-termmemory，lstm)。由于lstm的循环结构和门控机制，它可以在更长的时间内记住信息。它被认为是解决时间序列相关问题的最新方法。lstm具有长时间记忆输入和显式记忆的优点，改善了rnn中存在的长期依赖问题，已被广泛应用于许多领域，特别是在时间序列建模中，如海浪和船舶运动的预测。
5.采用遗传算法(geneticalgorithm，ga)对lstm模型进行优化，利用ga-lstm模型对船舶航迹进行预测。对lstm网络输入向量维数进行研究，提出基于脉冲响应函数(impulseresponsefunction，irf)和自相关函数(autocorrelationfunction，acf)的输入向量空间优化技术，但由于lstm模型对于较长时间跨度的时间序列数据训练和预测时间较长，且没有充分利用船舶其他自由度及反向特征信息，梯度消失问题没有得到彻底地解决，模型需要进行进一步的改进。


技术实现要素：

6.为解决上述问题，本发明提出了一种基于conv(convolutionalneural networks卷积神经网络)-bi-lstm模型的船舶升沉运动预测系统及预测方法，将该模型与长短时记忆网络模型、普通反向传播模型和卡尔曼滤波模型的预测结果进行对比，在此基础上，设计基于多特征信息的升沉运动预测模型；把多个自由度历史运动信息当做模型的输入，对船舶升沉进行综合预测，充分利用了运动时间序列的正向反向两个时间状态信息，提高了升沉运动的预测精度。
7.本发明通过以下技术方案实现：
8.一种基于conv-bi-lstm模型的船舶升沉运动预测方法：
9.所述控制方法具体包括以下步骤：
10.步骤一：获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按19:1的比例对数据集进行随机拆分，获取训练数据集和测试数据集；
11.步骤二：采用conv-bi-lstm模型构建船舶升沉预测模型，使用步骤一所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；
12.步骤三：将所述测试数据集输入步骤二得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。
13.进一步地，在步骤一中，所述船舶历史运动数据包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度的运动信息。
14.进一步地，在步骤一中，所述预处理包括对数据集中的异常数据进行修复、去噪和归一化。
15.进一步地，在步骤二中，conv-bi-lstm模型由叠加的卷积层和双向lstm层组成，并采用dropout方法防止模型的过拟合；
16.所述conv-bi-lstm模型由两层卷积层、一层双向lstm层和一层全输出层组成，并通过dropout方法防止模型的过拟合；
17.其中，卷积核的大小为10，步长为1，第一层输出通道数为2，第二层输出通道数为4；批大小为64，学习率为0.001，dropout概率为0.2；
18.由所述conv-bi-lstm模型训练得到精度更高的船舶升沉预测模型。
19.进一步地，在步骤三中，基于步骤二的conv-bi-lstm的单输入预测模型对船舶未来的升沉运动信息进行预测，单输入预测模型的输入数据是船舶升沉运动的数据集，使用多个卷积核提取输入数据中的特征，然后将数据输入到bi-lstm层，最后使用全连接层输出未来多个时间间隔的船舶升沉运动状态；
20.再基于conv-bi-lstm的多输入预测模型对船舶未来的升沉运动信息进行预测，多输入预测模型的输入数据为船舶横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度运动信息，通过更多的特征信息实现对船舶升沉的综合预测。
21.进一步地，在步骤三中，通过评价指标评价模型的性能，实验选取的4个误差评价指标分别为平均绝对误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape；
22.评价指标的公式如下所示：
[0023][0024][0025]
[0026][0027]
其中，n为测试集预测样本总数，i为预测样本序号，y(i)为第i个预测样本的真实值，为第i个预测样本的预测值。
[0028]
一种基于conv-bi-lstm模型的船舶升沉运动预测系统：
[0029]
所述预测系统包括：船舶运动数据建立及处理模块、船舶升沉预测模型建立模块和预测性能评价模块；
[0030]
船舶运动数据建立及处理模块，用于获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按比例对数据集进行随机拆分，获取训练数据集和测试数据集；
[0031]
船舶升沉预测模型建立模块，用于采用conv-bi-lstm模型构建船舶升沉预测模型，使用所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；
[0032]
预测性能评价模块，用于将所述测试数据集输入得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。
[0033]
一种航海载具，所述航海载具安装有上述的船舶升沉运动预测系统。
[0034]
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0035]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。
[0036]
本发明有益效果
[0037]
(1)卷积层的加入可以利用船舶历史运动信息的周期特征和局部特征，双向网络结构充分利用了运动时间序列的正向反向两个时间状态信息，提高了升沉运动的预测精度；
[0038]
(2)多输入预测模型利用横摇、纵摇、艏摇、横荡、纵荡和升沉六自由度信息之间的变化关系，把多个自由度历史运动信息当做模型的输入，对船舶升沉进行综合预测。
[0039]
(3)实验表明，基于conv-bi-lstm的预测模型的预测精度更高，对各级海况有较好的适应性，在高海况条件下也可以获得较高的预测精度。
附图说明
[0040]
图1为本发明的conv-bi-lstm网络结构；
[0041]
图2为本发明船舶六自由度运动信息；
[0042]
图3为本发明的三到六级海况单输入预测模型和其他预测模型的误差对比图，其中
[0043]
(a)单输入模型三级海况预测误差；
[0044]
(b)单输入模型四级海况预测误差；
[0045]
(c)单输入模型五级海况预测误差；
[0046]
(d)单输入模型六级海况预测误差；
[0047]
图4为本发明的三到六级海况多输入预测模型和单输入预测模型的误差对比图
[0048]
(a)多输入模型三级海况预测误差；
[0049]
(b)多输入模型四级海况预测误差；
[0050]
(c)多输入模型五级海况预测误差；
[0051]
(d)多输入模型六级海况预测误差。
具体实施方式
[0052]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
结合图1至图4。
[0054]
一种基于conv-bi-lstm模型的船舶升沉运动预测方法：
[0055]
所述控制方法具体包括以下步骤：
[0056]
步骤一：获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按比例对数据集进行随机拆分，获取训练数据集和测试数据集；
[0057]
步骤二：采用conv-bi-lstm模型构建船舶升沉预测模型，使用步骤一所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；
[0058]
步骤三：将所述测试数据集输入步骤二得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。
[0059]
如图2所示，在步骤一中，所述船舶历史运动数据包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度的运动信息。
[0060]
在步骤一中，所述预处理包括对数据集中的异常数据进行修复、去噪和归一化。然后传递到卷积层中，卷积层的一个重要特征是权值共享，即一个卷积核在对数据的每一部分进行卷积运算时，使用相同的权值集以相同的方式提取特征，最后得到的是一个特征值。
[0061]
权值共享可以有效提取特征，通过减少权值的数量来降低模型的复杂度。本发明中通过卷积层和池化层组合提取船舶运动数据的时间特征，周期特征和局部特征，最后将提取的特征值传递给bi-lstm网络进行船舶运动的多步预测。
[0062]
在步骤二中，conv-bi-lstm模型由叠加的卷积层和双向lstm层组成，并采用dropout方法防止模型的过拟合；
[0063]
在船舶升沉运动预测过程中，当前时刻的输出不仅与正向时间状态有关，还与反向的时间状态有关，为了提取两个方向的时间序列特征，预测模型的第一层正向输入数据，第二层反向输入数据，输出由两层的神经网络共同决定。
[0064]
所述conv-bi-lstm模型由两层卷积层、一层双向lstm层和一层全输出层组成，并通过dropout方法防止模型的过拟合；
[0065]
bi-lstm可以充分利用船舶历史信息在时间上的双向特征，同时，为了防止随着网络结构增大可能产生的过拟合问题，在模型训练过程中，使用dropout方法，在训练网络时，lstm隐藏层中的神经元在训练过程中按照概率随机临时删除。最后，通过全连接层计算出输出结果。单输入预测模型的具体网络结构如
[0066]
表1所示：
[0067][0068]
表1单输入conv-bi-lstm网络模型参数
[0069]
其中，卷积核的大小为10，步长为1，第一层输出通道数为2，第二层输出通道数为4；批大小为64，学习率为0.001，dropout概率为0.2；
[0070]
由所述conv-bi-lstm模型训练得到精度更高的船舶升沉预测模型。
[0071]
利用训练完的单输入预测模型对各级海况的船舶运动进行预测，三到六级海况的船舶升沉预测误差如图3所示。
[0072]
海况等级越高，升沉预测误差越大，相较于其他预测方法，conv-bi-lstm预测模型在各级海况下均具有更好的预测效果，随着海况等级的增加，四种预测模型的预测误差均不断增加，但cnn-bi-lstm预测模型的预测误差增加速度最慢，模型在高海况条件下有着更高的预测精度。
[0073]
在步骤三中，基于步骤二的conv-bi-lstm的单输入预测模型对船舶未来的升沉运动信息进行预测，单输入预测模型的输入数据是船舶升沉运动的数据集，使用多个卷积核精确提取输入数据中的特征，然后将数据输入到bi-lstm层，最后使用全连接层输出未来多个时间间隔的船舶升沉运动状态；
[0074]
再基于conv-bi-lstm的多输入预测模型对船舶未来的升沉运动信息进行预测，多输入预测模型的输入数据为船舶横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度运动信息，通过更多的特征信息实现对船舶升沉的综合预测。
[0075]
在步骤三中，通过评价指标评价模型的性能，实验选取的4个误差评价指标分别为平均绝对误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape；
[0076]
评价指标的公式如下所示：
[0077][0078][0079][0080]
[0081]
其中，n为测试集预测样本总数，i为预测样本序号，y(i)为第i个预测样本的真实值，为第i个预测样本的预测值。
[0082]
一种基于conv-bi-lstm模型的船舶升沉运动预测系统：
[0083]
所述预测系统包括：船舶运动数据建立及处理模块、船舶升沉预测模型建立模块和预测性能评价模块；
[0084]
船舶运动数据建立及处理模块，用于获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按比例对数据集进行随机拆分，获取训练数据集和测试数据集；
[0085]
船舶升沉预测模型建立模块，用于采用conv-bi-lstm模型构建船舶升沉预测模型，使用所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；
[0086]
预测性能评价模块，用于将所述测试数据集输入得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。
[0087]
通过平均绝对误差(mae)、均方误差(mse)、均方根误差(rmse)和平均绝对百分比误差(mape)四个指标对模型的性能进行评价。预测误差如表2所示：
[0088][0089]
表2不同模型的预测误差
[0090]
可以看出，conv-bi-lstm预测模型的预测效果明显优于其他模型，利用提升百分比指标描述两种模型在相同误差指标上的差异。
[0091]
三到六级海况下，在平均误差mae方面，conv-bi-lstm预测模型预测误差分别相比于lstm模型降低了35.39％、27.77％、50.94％、51.88％；相比于kalman模型降低了44.03％、53.57％、61.08％、76.69％，相比于bp预测模型降低了62.32％、74.82％、82.92％、80.66％；
[0092]
在均方根误差rmse方面，conv-bi-lstm预测模型预测误差分别相比于lstm模型降低了32.04％、26.35％、61.16％、57.15％；相比于kalman模型降低了37.99％、56.47％、62.03％、74.69％，相比于bp预测模型降低了60.17％，74.23％、84.64％、81.35％。
[0093]
通过分析四个模型的预测误差和提升百分比指标可以得出，conv-bi-lstm预测模型的预测性能明显优于其他三个模型的预测性能。
[0094]
船舶升沉运动与船舶历史的横摇、纵摇、艏摇、横荡和纵荡等也存在一定的映射关系，利用船舶运动的多个自由度的信息对船舶升沉进行综合预测，三到六级海况的船舶升沉预测误差如图4所示，模型的预测误差如表3所示。
[0095][0096][0097]
表3单输入和多输入预测模型的预测误差
[0098]
多输入预测模型更好的利用了多种运动信息进行模型的训练和预测，模型有更高的预测精度和可靠性；
[0099]
三到六级海况下mul-conv-bi-lstm预测模型预测误差相比于conv-bi-lstm预测模型平均误差mae分别降低了47.78％，24.57％，26.98％，22.25％；均方根误差rmse分别降低了45.38％，15.86％，27.20％，14.09％。
[0100]
可以看出，多输入预测模型相较于单输入预测模型预测性能有了进一步的改善，适合于采集了多种外界信息和船舶自身运动信息的船舶升沉运动综合预测。
[0101]
一种航海载具，所述航海载具安装有上述的船舶升沉运动预测系统。
[0102]
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0103]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述方法的步骤。
[0104]
本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器read onlymemory，rom、可编程只读存储器programmablerom，prom、可擦除可编程只读存储器erasableprom，eprom、电可擦除可编程只读存储器electrically eprom，eeprom或闪存。易失性存储器可以是随机存取存储器randomaccess memory，ram，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器staticram，sram、动态随机存取存储器dynamicram，dram、同步动态随机存取存储器synchronousdram，sdram、双倍数据速率同步动态随机存取存储器doubledataratesdram，ddr sdram、增强型同步动态随机存
取存储器enhancedsdram，esdram、同步连接动态随机存取存储器synchlinkdram，sldram和直接内存总线随机存取存储器directrambusram，drram。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0105]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线例如同轴电缆、光纤、数字用户线digital subscriberline，dsl或无线例如红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质例如，软盘、硬盘、磁带、光介质例如，高密度数字视频光盘digitalvideodisc，dvd、或者半导体介质例如，固态硬盘solidstatedisc，ssd等。
[0106]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0107]
应注意，本技术实施例中的处理器可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0108]
以上对本发明所提出的一种基于conv-bi-lstm模型的船舶升沉运动预测系统及预测方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于conv-bi-lstm模型的船舶升沉运动预测方法，其特征在于：所述控制方法具体包括以下步骤：步骤一：获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按19:1的比例对数据集进行随机拆分，获取训练数据集和测试数据集；步骤二：采用conv-bi-lstm模型构建船舶升沉预测模型，使用步骤一所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；步骤三：将所述测试数据集输入步骤二得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。2.根据权利要求1所述预测方法，其特征在于：在步骤一中，所述船舶历史运动数据包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度的运动信息。3.根据权利要求2所述预测方法，其特征在于：在步骤一中，所述预处理包括对数据集中的异常数据进行修复、去噪和归一化。4.根据权利要求3所述预测方法，其特征在于：在步骤二中，conv-bi-lstm模型由叠加的卷积层和双向lstm层组成，并采用dropout方法防止模型的过拟合；所述conv-bi-lstm模型由两层卷积层、一层双向lstm层和一层全输出层组成，并通过dropout方法防止模型的过拟合；其中，卷积核的大小为10，步长为1，第一层输出通道数为2，第二层输出通道数为4；批大小为64，学习率为0.001，dropout概率为0.2；由所述conv-bi-lstm模型训练得到精度更高的船舶升沉预测模型。5.根据权利要求4所述预测方法，其特征在于：在步骤三中，基于步骤二的conv-bi-lstm的单输入预测模型对船舶未来的升沉运动信息进行预测，单输入预测模型的输入数据是船舶升沉运动的数据集，使用多个卷积核提取输入数据中的特征，然后将数据输入到bi-lstm层，最后使用全连接层输出未来多个时间间隔的船舶升沉运动状态；再基于conv-bi-lstm的多输入预测模型对船舶未来的升沉运动信息进行预测，多输入预测模型的输入数据为船舶横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度运动信息，通过更多的特征信息实现对船舶升沉的综合预测。6.根据权利要求5所述预测方法，其特征在于：在步骤三中，通过评价指标评价模型的性能，实验选取的4个误差评价指标分别为平均绝对误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape；评价指标的公式如下所示：评价指标的公式如下所示：
其中，n为测试集预测样本总数，i为预测样本序号，y(i)为第i个预测样本的真实值，为第i个预测样本的预测值。7.一种基于conv-bi-lstm模型的船舶升沉运动预测系统，其特征在于：所述预测系统包括：船舶运动数据建立及处理模块、船舶升沉预测模型建立模块和预测性能评价模块；船舶运动数据建立及处理模块，用于获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，按比例对数据集进行随机拆分，获取训练数据集和测试数据集；船舶升沉预测模型建立模块，用于采用conv-bi-lstm模型构建船舶升沉预测模型，使用所述训练数据集训练conv-bi-lstm网络，获得船舶升沉预测模型；预测性能评价模块，用于将所述测试数据集输入得到的船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差mae、均方误差mse、均方根误差rmse和平均绝对百分比误差mape评价指标评价模型的性能。8.一种航海载具，其特征在于：所述航海载具安装有如权利要求7所述的船舶升沉运动预测系统。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任意一项所述方法的步骤。10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至6中任意一项所述方法的步骤。

技术总结
本发明提出了一种基于Conv-Bi-LSTM模型的船舶升沉运动预测系统及预测方法；获取船舶历史运动数据，建立运动信息的数据集，对所述数据集进行预处理，对数据集进行随机拆分，获取训练数据集和测试数据集；采用Conv-Bi-LSTM模型构建船舶升沉预测模型，训练数据集训练Conv-Bi-LSTM网络，获得船舶升沉预测模型；将所述测试数据集输入船舶升沉运动预测模型进行预测，获取到测试数据预测精度，使用平均误差MAE、均方误差MSE、均方根误差RMSE和平均绝对百分比误差MAPE评价指标评价模型的性能；本发明把多个自由度历史运动信息当做模型的输入，对船舶升沉进行综合预测，充分利用了运动时间序列的正向反向两个时间状态信息，提高了升沉运动的预测精度。升沉运动的预测精度。升沉运动的预测精度。


技术研发人员：张亚 范世伟 平宝进 孙骞 郭鹍 高伟 于飞 汪涛
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.01.12
技术公布日：2023/6/27