韋麗蘭，覃建波

(1.北部灣大學(xué)，廣西 欽州 535011；2.南寧學(xué)院 智能制造學(xué)院，廣西 南寧 535200)

0 引言

隨著船舶航運(yùn)規(guī)模的增大，航線的密集性越來越強(qiáng)，需要對(duì)航線進(jìn)行優(yōu)化調(diào)度和控制，結(jié)合航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)和分析模型，通過對(duì)航線數(shù)據(jù)趨勢(shì)性特征分析，構(gòu)建船舶航線數(shù)據(jù)融合和適應(yīng)度評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)航線數(shù)據(jù)統(tǒng)計(jì)特征分析，提高對(duì)航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)能力。研究航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)方法，分析航線數(shù)據(jù)潛在特征和時(shí)間相關(guān)性特征，提高航線調(diào)度和規(guī)劃能力[1]。

當(dāng)前，對(duì)航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)方法主要采用分布式傳感信息跟蹤識(shí)別方法、Lyapunove 指數(shù)預(yù)測(cè)方法以及BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法等，通過航線數(shù)據(jù)傳輸控制和均衡配置，根據(jù)數(shù)據(jù)在低維空間的向量分布式融合調(diào)度模型，采用無線ZigBee 組網(wǎng)控制協(xié)議進(jìn)行航線調(diào)度[2]，但傳統(tǒng)方法進(jìn)行船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的實(shí)時(shí)性不好，時(shí)間偏差較大[3]。

對(duì)此，本文提出基于深度學(xué)習(xí)的船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)方法。首先構(gòu)建集中式訪問和分布式傳感結(jié)合的方式實(shí)現(xiàn)對(duì)航線數(shù)據(jù)采樣和融合處理，然后采用深度學(xué)習(xí)和時(shí)間序列標(biāo)簽特征檢測(cè)方法實(shí)現(xiàn)對(duì)航線數(shù)據(jù)的多元時(shí)間序列的分布重構(gòu)，根據(jù)重構(gòu)結(jié)果和數(shù)據(jù)聚類趨勢(shì)性實(shí)現(xiàn)對(duì)船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)。最后進(jìn)行實(shí)驗(yàn)測(cè)試，驗(yàn)證了本文方法在提高船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)精度方面的優(yōu)越性能。

1 數(shù)據(jù)采樣和特征分析

1.1 船舶航線數(shù)據(jù)采樣

為了實(shí)現(xiàn)對(duì)船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)，首先構(gòu)建船舶航線數(shù)據(jù)采集和特征分析模型，通過多元時(shí)間序列的分布式組合控制，采用信道均衡控制技術(shù)，構(gòu)建航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的參數(shù)識(shí)別模型，采用模板特征匹配和交叉性組合編譯控制方法，構(gòu)建航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的參數(shù)融合模型[4]，得到船舶航線數(shù)據(jù)分布結(jié)構(gòu)模型如圖1 所示。

圖1 船舶航線數(shù)據(jù)分布結(jié)構(gòu)模型Fig.1 Distribution structure model of ship route data

根據(jù)圖1 所示的船舶航線數(shù)據(jù)分布結(jié)構(gòu)模型，得到進(jìn)行船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的模型參數(shù)構(gòu)建[5]，得到初始向量模型結(jié)構(gòu)為：

式中：ρ為船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的內(nèi)控系數(shù)，xi為船舶航線數(shù)據(jù)趨勢(shì)性效果控制的解釋變量。

結(jié)合模糊度融合，得到船舶航線數(shù)據(jù)趨勢(shì)性誤差評(píng)價(jià)函數(shù)為：

式中：dei為航線調(diào)度的訓(xùn)練參數(shù)，de為航線數(shù)據(jù)趨勢(shì)性知識(shí)講授的動(dòng)態(tài)參量，Ds為自相關(guān)關(guān)聯(lián)參數(shù)，B(x)為航線的偏移特征值，用聯(lián)合參數(shù)識(shí)別的方法，構(gòu)建航線數(shù)據(jù)趨勢(shì)性分布結(jié)構(gòu)特征量，建立航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)矩陣為：

式中，ξ ∈[?1,1]，表示船舶航線節(jié)點(diǎn)異構(gòu)性融合的覆蓋系數(shù)。

采用多樣本融合聚類的方法，建立船舶航線數(shù)據(jù)的關(guān)聯(lián)規(guī)則數(shù)據(jù)庫，得到第n+1和n步的評(píng)價(jià)模型為：

采用相空間重構(gòu)和特征壓縮方法，建立船舶航線數(shù)據(jù)趨勢(shì)性的特征聚類模型，得出航線數(shù)據(jù)趨勢(shì)性的概念圖結(jié)構(gòu)參數(shù)特征值。

1.2 船舶航線數(shù)據(jù)聚類處理

采用決策尋優(yōu)，得到船舶航線數(shù)據(jù)序列分布的特征解，結(jié)合自相關(guān)特征分析的方法，建立船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的解釋變量滿足x0(x0=[φ0,,θ0]T)，聯(lián)合關(guān)聯(lián)檢測(cè)特征量為 μ1，μ2和 μm，分析航線數(shù)據(jù)調(diào)度的邊界節(jié)點(diǎn)，得到航線數(shù)據(jù)趨勢(shì)性挖掘的支撐構(gòu)成集合定義為：

式中：dm+1(m)為航線數(shù)據(jù)BIBD的構(gòu)造屬性在第m點(diǎn)的預(yù)測(cè)值，dk+1(m)為第m點(diǎn)處任意2 個(gè)向量的位置參數(shù)。得到船舶航線數(shù)據(jù)趨勢(shì)性質(zhì)量特征向量L(Z2+Z3)?1LT與MT(Z2+Z3)?1MT的Bergmann 核。采用負(fù)載均衡調(diào)度和數(shù)據(jù)塊分組特征距離方法進(jìn)行船舶航線數(shù)據(jù)趨勢(shì)性相關(guān)特征檢測(cè)，得到船舶航線數(shù)據(jù)聚類動(dòng)態(tài)方程為：

根據(jù)聚類結(jié)果進(jìn)行趨勢(shì)性動(dòng)態(tài)分布檢測(cè)。

2 船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)

2.1 預(yù)測(cè)深度學(xué)習(xí)模型

將船舶航線數(shù)據(jù)趨勢(shì)性分布向量集合可以劃分為c個(gè)不相交的正交子集，在有限射影平面內(nèi)建立船舶航線數(shù)據(jù)趨勢(shì)性分布的模糊度函數(shù)為：

式中：xb為編碼映射到潛在空間的約束參數(shù)聚類參數(shù)，ub為航線數(shù)據(jù)趨勢(shì)性序列相關(guān)性的貢獻(xiàn)度，us為編碼器學(xué)習(xí)時(shí)間序列的特征，mb為生成樣本和真實(shí)樣的聯(lián)合相似度，ms為周期一致性損失的相似特征量，dei為第k個(gè)生成器生成的樣本，kb為學(xué)習(xí)數(shù)據(jù)相關(guān)性統(tǒng)計(jì)特征參數(shù)，ks為最小化輸入特征，建立航線數(shù)據(jù)趨勢(shì)性效果的重構(gòu)誤差分析模型，表示為：

式中：σs為航線數(shù)據(jù)趨勢(shì)性的目標(biāo)在屬性，X1為時(shí)序數(shù)據(jù)采樣周期性待估參數(shù)，H為負(fù)載傾斜傳遞函數(shù)。

根據(jù)數(shù)據(jù)訪問請(qǐng)求數(shù)量的差異性，得到航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的模糊控制方程為：

式中，ub為航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)約束控制變量，cs為航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)果的統(tǒng)計(jì)信息特征量，kb為負(fù)載均衡存儲(chǔ)參數(shù)，ks為歷史訪問行為數(shù)據(jù)，us為訪問數(shù)據(jù)的緩存區(qū)間，mb為寫入元數(shù)據(jù)緩存的狀態(tài)特征值，ms為訓(xùn)練預(yù)測(cè)分類特征值。

2.2 船舶航線數(shù)據(jù)重組與預(yù)測(cè)

采用多隊(duì)列調(diào)和聯(lián)合特征解析方法，得到船舶航線數(shù)據(jù)趨勢(shì)性分布的離散度函數(shù)，1/μi≤1/μm<1/λ0<1/μj，船舶航線趨勢(shì)性分布的最優(yōu)決策函數(shù)為：

式中，sij為航線數(shù)據(jù)趨勢(shì)性分布的存儲(chǔ)結(jié)構(gòu)模型。

根據(jù)對(duì)航線數(shù)據(jù)趨勢(shì)性空間分布結(jié)構(gòu)分析，得到航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的自適應(yīng)調(diào)度。設(shè)船舶航線趨勢(shì)性分布的最優(yōu)采樣周期為Ts，則每周期包含的航線趨勢(shì)性分布數(shù)據(jù)點(diǎn)數(shù)m=T/Ts，航線數(shù)據(jù)趨勢(shì)性分布特征檢測(cè)的延遲函數(shù)為：

式中，τk為沖激響應(yīng)，tACK為時(shí)間延遲，DIFS為船舶航線趨勢(shì)性分布模型化參數(shù)，S IFS為最優(yōu)解析融合參數(shù)，tDATA為統(tǒng)計(jì)時(shí)間函數(shù)。

根據(jù)上述算法，實(shí)現(xiàn)對(duì)船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)中設(shè)定航線數(shù)據(jù)采樣條數(shù)為2 400，訓(xùn)練樣本集為120，采樣時(shí)間延遲為1.2 ms，嵌入維數(shù)為8，深度學(xué)習(xí)為迭代次數(shù)為120，數(shù)據(jù)集規(guī)模分布如表1 所示。

表1 船舶航線數(shù)據(jù)集分布Tab.1 Distribution of ship route datasets

根據(jù)表1 參數(shù)設(shè)定，進(jìn)行航線趨勢(shì)性預(yù)測(cè)的統(tǒng)計(jì)分析，得到描述性統(tǒng)計(jì)分析結(jié)果如表2 所示。

表2 船舶航線趨勢(shì)性預(yù)測(cè)的統(tǒng)計(jì)分析結(jié)果Tab.2 Statistical analysis results of trend prediction of ship routes

根據(jù)上述統(tǒng)計(jì)分析結(jié)果，進(jìn)行船舶航線數(shù)據(jù)預(yù)測(cè)，得到初始數(shù)據(jù)采集結(jié)果如圖2 所示。

圖2 船舶航線數(shù)據(jù)采樣Fig.2 Sampling of ship route data

以圖2 采集的目標(biāo)數(shù)據(jù)為測(cè)試對(duì)象，進(jìn)行船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)，得到預(yù)測(cè)收斂曲線如圖3 所示。

圖3 船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)收斂曲線Fig.3 Convergence curve of trend prediction for ship route data

分析可知，本文方法對(duì)船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的收斂性較好。測(cè)試預(yù)測(cè)精度，對(duì)比結(jié)果如圖4 所示，分析可知，本文方法對(duì)航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的聚類性較好，預(yù)測(cè)精度較高。

圖4 艦船航線數(shù)據(jù)趨勢(shì)預(yù)測(cè)精度對(duì)比Fig.4 Comparison of trend prediction accuracy for ship route data

4 結(jié)語

構(gòu)建船舶航線數(shù)據(jù)融合和適應(yīng)度評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)船舶航線數(shù)據(jù)統(tǒng)計(jì)特征分析，本文提出基于深度學(xué)習(xí)的船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)方法。采用信道均衡控制技術(shù)，構(gòu)建船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)模型特征量，采用相空間重構(gòu)和特征壓縮方法，建立船舶航線數(shù)據(jù)趨勢(shì)性的特征聚類模型，得出船舶航線數(shù)據(jù)趨勢(shì)性的概念圖結(jié)構(gòu)參數(shù)特征值，結(jié)合特征辨識(shí)結(jié)果和聚類結(jié)果實(shí)現(xiàn)對(duì)船舶航線數(shù)據(jù)預(yù)測(cè)。分析可知，本文方法對(duì)船舶航線數(shù)據(jù)趨勢(shì)性預(yù)測(cè)的精度較高，收斂性較好。