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