姚晨明，姚磊

（長江重慶航道工程局，重慶 400010）

航道的船舶適航水深的維護需要對口門浮泥進行清淤，但是這些浮泥受潮波流影響堆積位置是不斷變化的，需要從清淤和適航水深兩個方面入手，歷史的疏浚數(shù)據(jù)包含了疏浚數(shù)據(jù)的變化特征，預測口門段清淤時機及清淤部位對于保證航道的通航能力，以合理調(diào)配清淤船舶和時段，節(jié)約工程成本有著重要的工程意義。

港口的疏浚數(shù)據(jù)特征具有一定的規(guī)律性，根據(jù)施工日報表的數(shù)據(jù)項，及現(xiàn)場施工的經(jīng)驗判斷，對于主航道和回淤嚴重的口門區(qū)域會進行周期性疏浚，疏浚工作涉及接移管線的操作，船舶在相隔工作日期內(nèi)不會有較大的位置變化，開挖標高也在一定的范圍內(nèi)變動，本研究的目標即根據(jù)歷史清淤記錄進行未來的疏浚地點預測及提醒。

1 建模方法及數(shù)據(jù)準備

因疏浚工作的周期性及規(guī)律性，潮汐等水文環(huán)境、泥沙淤積也具有季節(jié)性和周期性，具有時序特征，因此采用時間序列模型進行數(shù)據(jù)預測，預測目標為經(jīng)緯度和開挖標高。本研究選擇擅長提取時序特征的長短期記憶網(wǎng)絡LSTM（Long Short Term Memory）模型進行預測任務。本技術(shù)的研究依托于鹽城港濱海港區(qū)中電投煤炭碼頭疏浚工程，以施工日報表提取的數(shù)據(jù)作為數(shù)據(jù)集，利用前一天或幾天的零點坐標、開挖標高數(shù)據(jù)預測下一個（當前）時刻的對應數(shù)據(jù)。采用時間序列模型，經(jīng)緯度和開挖標高作為輸入項，

根據(jù)調(diào)研結(jié)果，本研究可獲得的數(shù)據(jù)主要是施工日報表和相關(guān)CAD 文件，因此本研究分析主要依托施工日報表、施工進度圖來獲取原始數(shù)據(jù)?？紤]到需要根據(jù)歷史的數(shù)據(jù)來預測當下時刻的值，因此可以將這個任務視作監(jiān)督學習問題并對輸入變量進行歸一化處理?？紤]歷史數(shù)據(jù)表示上一個時間段的經(jīng)緯度位置和開挖標高，所以在數(shù)據(jù)的使用方式上本研究用t-5,t-4,t-3,t-2,t-1,t次的施工數(shù)據(jù)通過模型進行特征分析和提取，然后對輸出的t+1 結(jié)果與其真實數(shù)據(jù)進行對比來分析誤差。數(shù)據(jù)的分布形式如圖1所示。

圖1 數(shù)據(jù)集樣本示例

2 數(shù)據(jù)清洗

由于初始數(shù)據(jù)中存在一些異常數(shù)據(jù)和缺失數(shù)據(jù)，因此需要進一步對數(shù)據(jù)進行清洗以確保數(shù)據(jù)的合理性。在選取全部施工日報字段后，獲得2018年10月13日－2022年1月31日區(qū)間有效的數(shù)據(jù)共639 條，因部分數(shù)據(jù)存在多個零點坐標和開挖標高的情況，經(jīng)過分析處理后形成1438 條數(shù)據(jù)。對于異常值處理，異常值集中在施工時間、零點坐標、浚前標高、開挖標高字段，當出現(xiàn)多個值的情況，標點括號半角全角混用的問題，全部分割后再做處理。由于數(shù)據(jù)庫端浚前標高、開挖標高錄入多值情況，所以數(shù)據(jù)拆分為多獨立值處理。對于缺失值處理，刪除缺失值較多的數(shù)據(jù)，并清理冗余數(shù)據(jù)，這里采用KNN 方法和中值插值方法對數(shù)據(jù)進行填充，對比后發(fā)現(xiàn)中值插值方法進行浚前標高和開挖標高的數(shù)據(jù)填充。剔除異常值以及填充缺失值之后，處理后的數(shù)據(jù)分布如圖2所示，港池區(qū)域數(shù)據(jù)集中度符合預期，便可進行下一步的模型訓練。

圖2 數(shù)據(jù)清洗后的分布

3 模型的構(gòu)建與驗證

在網(wǎng)絡結(jié)構(gòu)方面，本文設計了一個三層的LSTM 網(wǎng)絡，如圖3所示，其結(jié)構(gòu)基于python 的keras 框架，分別由LSTM 層，dropout 層，dense 層以及activation 層依次構(gòu)成。數(shù)據(jù)維度從初始的時序的240 維度降維為最終的時刻的3 維輸出，也就是利用前15 天經(jīng)緯度坐標和開挖標高數(shù)據(jù)預測下一個（當前）時刻的對應數(shù)據(jù)。

圖3 網(wǎng)絡模型結(jié)構(gòu)

模型搭建完后，對于網(wǎng)絡的訓練過程所涉及參數(shù)的調(diào)整，確定網(wǎng)絡模型的激活函數(shù)為relu 函數(shù)。每一層網(wǎng)絡節(jié)點的舍棄率默認值設定為0.3。對于訓練的誤差計算方式使用均方誤差（mean squared error）。網(wǎng)絡參數(shù)的迭代更新方式采用RMSprop（Root Mean Square propagation）算法。權(quán)衡實驗環(huán)境的內(nèi)存效率和內(nèi)存容量后，本文設置模型訓練的輪次數(shù)為1000，數(shù)據(jù)批次數(shù)為64。

接著進一步開始在數(shù)據(jù)集基礎上對模型進行訓練，由于訓練時輸入LSTM 網(wǎng)絡的數(shù)據(jù)維度關(guān)系到LSTM 層的參數(shù)，本文以15 個時間節(jié)點所對應的特征數(shù)據(jù)作為輸入預測后續(xù)1 個時間點。訓練過程的中的損失函數(shù)值變化曲線如圖4（a）所示，模型驗證集的在1000 輪次內(nèi)達到收斂，訓練集的函數(shù)值穩(wěn)定在0.0008 附近，這表明模型訓練達到預期效果。

當模型訓練采用經(jīng)度、緯度、開挖標高3 個維度數(shù)據(jù)作為輸入時，對應的模型測試準確率為96.13%，這表明本研究提出的方法能夠?qū)崿F(xiàn)在歷史疏浚數(shù)據(jù)上進行較高精度的疏浚標高參數(shù)的預測。在項目實際應用過程中，為達到更長時間的預測效果，當采用預測6 個后續(xù)時刻坐標和標高方式來訓練模型時，其預測值和真實值的誤差值在0.0011 附近，如圖4（b）所示，實現(xiàn)了更長時刻的預測應用效果。此外，本文將預測數(shù)值在GIS系統(tǒng)中可視化顯示，其效果如圖5所示，實現(xiàn)了較好的應用效果。

圖4 模型訓練過程指標曲線

圖5 預測位置GIS 平臺展示

4 結(jié)語

本研究通過對疏浚數(shù)據(jù)收集和清洗做成數(shù)據(jù)集，構(gòu)建了LSTM 網(wǎng)絡模型后，模型的訓練誤差降到了0.0008，這模型能夠充分提取分析歷史疏浚數(shù)據(jù)的時序特征，并在此基礎上通過歷史時刻的數(shù)據(jù)預測當前時刻的疏浚位置和標高，實現(xiàn)了96%的預測準確率，這對于港區(qū)疏浚施工參數(shù)預測有著較好的應用價值。