基于深度学习的船舶升沉运动预测研究.pdf

基于深度学习的船舶升沉运动预测研究

摘要

我国是一个海洋强国，船舶对于我国的经济发展起着至关重要的作用。船舶在航

行中，会受到海风、海浪和海流等外界因素的影响，与自身的推进系统和稳定系统共

同作用，使得船舶的六自由度运动姿态呈现出非线性、随机性和不确定性的特点。这

也影响着船舶在海面作业时的安全。因此，船舶运动姿态预测对于船舶安全有重大意

义，其中船舶升沉运动对船用起重机、船用过桥装置等影响较大。而且船舶的升沉运

动是一个复杂且非线性的过程，传统的预测方法依赖于建立线性模型，而神经网络可

以完美的拟合非线性过程，因此本文采用深度学习方法对神经网络进行训练，对船舶

升沉运动进行预测。

首先，对船舶运动姿态时间序列进行预处理，并划分为训练接和数据集，占比分

别为80％和20％。然后建立基于Transformer的船舶升沉运动预测模型，在一维输入

下，将不同时间窗口大小进行对比实验。在多维输入下，探究船舶其它运动姿态对于

升沉的影响。接着，考虑到船舶升沉运动受到多种因素的影响，使用单一的

Transformer模型在波峰或波谷处升沉的预测值与真实值相差较大。本文提出了一种耦

合的卷积神经网络(ConvolutionalNeuralNetwork，CNN)、门控循环单元(GateRecurrent

Unit，GRU)和Transformer船舶升沉运动预测模型，利用CNN提取船舶运动时间序列

的深层空间特征，GRU提取序列的时间特征，最后通过Transformer将提取到的特征进

行融合并预测输出。实验结果表明，所提出的CNN-GRU-Transformer模型比

Transformer、LSTM和GRU等预测效果好，在波峰或者波谷处误差更小。最后，考虑

到预测模型的预测精度受到网络参数、原始数据等因素的影响，会产生误差，因此建

立基于TCN-SA的误差修正模型。在预测模型的基础上得到升沉运动误差序列，然后

将误差序列作为额外特征，对TCN-SA误差修正模型进行训练，用时间卷积网络

(TemporalConvolutionalNetwork，RCN)在时间维度上对序列作卷积操作提取时序特征，

然后用自注意力机制(Self-AttentionMechanism，SA)考虑各个特征对于误差的影响，对

误差进行预测输出，并加上初始预测值得到最终的预测输出。

本文建立了基于CNN-GRU-Transformer的船舶升沉预测模型，并利用TCN-SA误

差修正模型对预测模型产生的误差进行修正。相比于Transformer、LSTM和GRU，预

测精度更高。

关键词：Transformer；卷积神经网络；门控循环单元；因果扩张卷积；船舶升沉运动

预测；自注意力机制

基于深度学习的船舶升沉运动预测研究

Abstract

Chinaisamaritimepower,andshipsplayavitalroleinChinaseconomicdevelopment.

Duringthevoyage,theshipwillbeaffectedbyexternalfactorssuchasseabreeze,wavesand

currents,andworktogetherwithitsownpropulsionsystemandstabilitysystem,sothatthesix-

degree-of-freedommotionattitudeoftheshippresentsthecharacteristicsofnonlinearity,

randomnessanduncertainty.Thisalsoaffectsthesafetyofshipswhenoperatingonthesurface.

Therefore,thepredictionofshipmotionattitudeisofgreatsignificance