一种CNN-LSTM船舶运动极值预报模型

doi:10.16183/j.cnki.jsjtu.2022.089

上海交通大学学报 ›› 2023, Vol. 57 ›› Issue (8): 963-971.doi: 10.16183/j.cnki.jsjtu.2022.089

所属专题：《上海交通大学学报》2023年“船舶海洋与建筑工程”专题

一种CNN-LSTM船舶运动极值预报模型

詹可¹^,², 朱仁传¹^,²()

1.上海交通大学船舶海洋与建筑工程学院
2.海洋工程国家重点实验室,上海 200240

收稿日期:2022-03-31 修回日期:2022-05-27 接受日期:2022-07-27 出版日期:2023-08-28 发布日期:2023-08-31
通讯作者: 朱仁传,教授,博士生导师,电话(Tel.):021-34204288;E-mail:renchuan@sjtu.edu.cn.
作者简介:詹可(1997-),博士生,从事船海工程水动力学研究.

A CNN-LSTM Ship Motion Extreme Value Prediction Model

ZHAN Ke¹^,², ZHU Renchuan¹^,²()

1. State Key Laboratory of Ocean Engineering
2. School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

Received:2022-03-31 Revised:2022-05-27 Accepted:2022-07-27 Online:2023-08-28 Published:2023-08-31

摘要/Abstract

摘要：

针对船舶摇荡运动的短期极值预报,提出一种融合运动频谱信息的滑动窗口方法提取特征数据,在此基础上构建卷积神经网络(CNN)与长短时记忆(LSTM)网络的组合预报模型,其中CNN模块针对输入数据的局部相关特征,LSTM模块针对数据的时间维度特征.对S175船进行运动仿真测试,结果表明,该模型对未来1~2个周期内的运动极值信息预报效果良好,各项评价指标均明显优于LSTM和门控循环单元(GRU)模型,具有重要的应用价值.

关键词: 局部极值, 短期预报, 卷积神经网络, 长短时记忆网络

Abstract:

Aimed at the short-term extreme value prediction of ship motion, a sliding window method based on motion spectrum information is proposed to extract feature data, based on which, a series prediction model of convolutional neural networks (CNN) and long short-term memory (LSTM) is built. The CNN module aims at the local correlation characteristics of the input data, and the LSTM module aims at the time dimension characteristics of the data. The simulation test results of S175 ship show that the model has a good prediction effect on the motion extremum information in the next 1 and 2 cycles, and the evaluation indexes are significantly better than those of LSTM and gate recurrent unit (GRU) models, which has an important application value.

Key words: local extremum, short-term prediction, convolutional neural network (CNN), long short-term memory (LSTM) networks

中图分类号:

U664.82

詹可, 朱仁传. 一种CNN-LSTM船舶运动极值预报模型[J]. 上海交通大学学报, 2023, 57(8): 963-971.

ZHAN Ke, ZHU Renchuan. A CNN-LSTM Ship Motion Extreme Value Prediction Model[J]. Journal of Shanghai Jiao Tong University, 2023, 57(8): 963-971.

图/表 13

图1

图2

图3

图4

表1

图5

图6

图7

图8

表2

图9

表3

图10

参考文献 17

[1]	喻元根, 马雪泉, 季盛. 基于AR的船舶运动极短期预报摇摆平台试验[J]. 上海船舶运输科学研究所学报, 2016, 39(4): 4-7.
	YU Yuangen, MA Xuequan, JI Sheng. Short time prediction of ship motion based on AR model and stewart platform experiment[J]. Journal of Shanghai Ship and Shipping Research Institute, 2016, 39(4): 4-7.
[2]	范海平. 基于卡尔曼滤波技术的船舶横摇预测方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2008.
	FAN Haiping. Study on the prediction and estimation of ship roll motion based on Kalman filter[D]. Harbin: Harbin Engineering University, 2008.
[3]	ZHOU B, SHI A. Empirical mode decomposition based LSSVM for ship motion prediction[C]//International Symposium on Neural Networks. Berlin, Heidelberg, Germany: Springer, 2013.
[4]	PENA F L, GONZALEZ M M, CASAS V D, et al. An ANN based system for forecasting ship roll motion[C]//Computational Intelligence and Virtual Environments for Measurement Systems and Applications. Milan, Italy: IEEE Instrumentation & Measurement Magazine, 2013.
[5]	HOCHREITER S, SCHMIDHUBER R A, et al. Long short-term memory[J]. Neural Computation, 1997, 9: 1735-1780. doi: 10.1162/neco.1997.9.8.1735 pmid: 9377276
[6]	WANG Y, WANG H, ZHOU B, et al. Multi-dimensional prediction method based on Bi-LSTMC for ship roll[J]. Ocean Engineering, 2021, 242: 110106. doi: 10.1016/j.oceaneng.2021.110106 URL
[7]	WANG Y, WANG H, ZOU D, et al. Ship roll prediction algorithm based on Bi-LSTM-TPA combined model[J]. Journal of Marine Science and Engineering, 2021, 9(4): 387-1-16. doi: 10.3390/jmse9040387 URL
[8]	ZHANG T, ZHENG X Q, LIU M X. Multiscale attention-based LSTM for ship motion prediction[J]. Ocean Engineering, 2021, 230(13): 109066. doi: 10.1016/j.oceaneng.2021.109066 URL
[9]	张彪, 彭秀艳, 高杰. 基于ELM-EMD-LSTM组合模型的船舶运动姿态预测[J]. 船舶力学, 2020, 24(11): 1413-1421.
	ZHANG Biao, PENG Xiuyan, GAO Jie. Ship motion attitude prediction based on ELM-EMD-LSTM integrated model[J]. Journal of Ship Mechanics, 2020, 24(11): 1413-1421.
[10]	STOICA P, MOSES R. Spectral analysis of signals[M]. New Jersey, USA: Prentice Hall, 2005.
[11]	KETKAR N, MOOLAYIL J. Deep Learning with Python[M]. Berkeley, USA: Apress, 2021: 197-242.
[12]	赵建利, 白格平, 李英俊, 等. 基于CNN-LSTM的短期风电功率预测[J]. 自动化仪表, 2020, 41(5): 37-41.
	ZHAO Jianli, BAI Geping, LI Yingjun, et al. Short-term wind power prediction based on CNN-LSTM[J]. Process Automation Instrumentation, 2020, 41(5): 37-41.
[13]	王国栋. 基于LSTM的舰船运动姿态短期预测及仿真研究[D]. 镇江: 江苏科技大学, 2017.
	WANG Guodong. Short-term prediction and simulation of ship's motion based on LSTM[D]. Zhenjiang: Jiangsu University of Science and Technology, 2017.
[14]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
	LIU Xiuli, XU Xiaoli. Fault diagnosis method based on feature pyramid CRNN network[J]. Journal of Shanghai Jiao Tong University, 2022, 56(2): 182-190.
[15]	TRISTAN P, FOSSEN T I. A MATLAB toolbox for parametric identification of radiation-force models of ships and offshore structures[J]. Modeling, Identification and Control, 2009, 30(1): 1-15. doi: 10.4173/mic.2009.1.1 URL
[16]	朱仁传, 缪国平. 船舶在波浪上的运动理论[M]. 上海: 上海交通大学出版社, 2019: 185-186.
	ZHU Renchuan, MIAO Guoping. The theory of ship motion in waves[M]. Shanghai: Shanghai Jiao Tong University Press, 2019: 185-186.
[17]	MWL A, DYX A, JING G A, et al. A hybrid approach for forecasting ship motion using CNN-GRU-AM and GCWOA[J]. Applied Soft Computing, 2022, 114: 108084. doi: 10.1016/j.asoc.2021.108084 URL

层	核数	尺寸	步长	隐藏节点数	失活率
卷积层1	96	(2, 1)	1	—	—
池化层1	—	(3, 1)	1	—	—
卷积层2	64	(1, 1)	1	—	—
池化层2	—	—	—	—	—
LSTM层1	—	—	—	200	—
LSTM层2	—	—	—	150	—
LSTM层3	—	—	—	100	—
Dropout层	—	—	—	—	0.5

模型	垂荡				横摇				纵摇
模型	e_MSE/ m²	e_RMSE/ m	e_MAE/ m	r	e_MSE/ (°)²	e_RMSE/ (°)	e_MAE/ (°)	r	e_MSE/ (°)²	e_RMSE/ (°)	e_MAE/ (°)	r
CNN-LSTM	0.067 2	0.259 3	0.215 1	0.963 8	0.038 2	0.195 3	0.166 5	0.953 4	0.190 8	0.436 8	0.355 5	0.975 1
LSTM	0.151 1	0.388 7	0.318 3	0.831 8	0.078 2	0.269 9	0.214 3	0.873 1	0.362 5	0.602 1	0.487 0	0.937 2
GRU	0.155 8	0.394 7	0.323 7	0.829 9	0.072 2	0.208 8	0.212 0	0.874 1	0.361 7	0.601 4	0.488 0	0.937 3

预报步数	垂荡					横摇					纵摇
预报步数	e_MSE/ m²	e_RMSE/ m	e_MAE/ m	r		e_MSE/ (°)²	e_RMSE/ (°)	e_MAE/ (°)	r		e_MSE/ (°)²	e_RMSE/ (°)	e_MAE/ (°)	r
提前2步	0.177 2	0.421 0	0.345 4	0.818 0		0.067 0	0.258 9	0.203 6	0.900 7		0.407 2	0.638 2	0.518 9	0.946 1

一种CNN-LSTM船舶运动极值预报模型

A CNN-LSTM Ship Motion Extreme Value Prediction Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	卫慧, 陈鹏, 张芮菡, 程正顺. 基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法[J]. 上海交通大学学报, 2023, 57(S1): 37-45.
[2]	尚凡成, 李传庆, 詹可, 朱仁传. 改进LSTM神经网络在极短期波浪时序预报中的应用[J]. 上海交通大学学报, 2023, 57(6): 659-665.
[3]	李擎, 皇甫玉彬, 李江昀, 杨志方, 陈鹏, 王子涵. UConvTrans:全局和局部信息交互的双分支心脏图像分割[J]. 上海交通大学学报, 2023, 57(5): 570-581.
[4]	万安平, 杨洁, 缪徐, 陈挺, 左强, 李客. 基于注意力机制与神经网络的热电联产锅炉负荷预测[J]. 上海交通大学学报, 2023, 57(3): 316-325.
[5]	. 基于锥型体素建模和单目相机的鸟瞰图语义分割和体素语义分割[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(1): 100-113.
[6]	王者蓝, 赵宏杰, 赵凡, 沈晨晨, 吴佳伟. 基于卷积神经网络与滤波融合算法的某惯导系统剩余寿命预测模型建立[J]. 空天防御, 2023, 6(1): 70-77.
[7]	曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[8]	倪扬帆, 杨媛媛, 谢哲, 郑德重, 王卫东. 基于LSTM与注意力结构的肺结节多特征抽取方法[J]. 上海交通大学学报, 2022, 56(8): 1078-1088.
[9]	全大英, 陈赟, 唐泽雨, 李世通, 汪晓锋, 金小萍. 基于双通道卷积神经网络的雷达信号识别[J]. 上海交通大学学报, 2022, 56(7): 877-885.
[10]	吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849.
[11]	赵勇, 苏丹. 基于4种长短时记忆神经网络组合模型的畸形波预报[J]. 上海交通大学学报, 2022, 56(4): 516-522.
[12]	陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[13]	武光利, 郭振洲, 李雷霆, 王成祥. 融合FCN和LSTM的视频异常事件检测[J]. 上海交通大学学报, 2021, 55(5): 607-614.
[14]	邱忠宇, 赵文龙, 高文, 潘洪涛, 史冉东. 动态视觉传感器的目标检测算法对比分析[J]. 空天防御, 2021, 4(4): 101-106.
[15]	石敏, 蔡少委, 易清明. 基于空洞-稠密网络的交通拥堵预测模型[J]. 上海交通大学学报, 2021, 55(2): 124-130.