基于DNN 平均每海里油耗預測?

吳 樺 陳 陸 程 雯

（武漢郵電科學研究院 武漢 430074）

1 引言

數據顯示，在國際對外貿易中，超過90%的貨物量是由水路運輸完成。水路運輸單位耗能小，運輸量大，運輸距離遠，運輸成本低，對比于其他運輸方式，水路運輸優勢明顯。因此，隨著經濟全球化的發展，航運業的發展日漸迅猛［1］。

當前，污染物排放和運輸成本的問題困擾著航運業的可持續發展。2020年8月上旬，國際海事組織（International Maritime Organization，IMO）于第75屆海上環境保護委員會發布了第四次溫室氣體研究（GHG4）報告。報告表明，溫室氣體年排放量從2012 年的9.77 噸增長到2018 年的10.76 噸，同比增長了10.13%。根據預測，隨著海運業務的不斷增多，若不采取有效措施以減少二氧化碳的排放量，2050年二氧化碳的年排放量預估將會在2018年的基礎上增長50%，在2008年的基礎上翻一番左右［2］。因此，航運業需要采取有力措施以減少污染物排放。另一方面，現今的大多數在營運船舶所用能源提煉自石油，而石油屬于不可再生能源，隨著開采力度的加大，資源緊張導致石油價格上漲。船舶的燃料成本在其運營成本中占據半數以上的比例，那么石油價格的上漲必然導致船舶運營成本的同步增長［1，3］。由此可見，航運業亟需改善油耗成本占比大的問題，從而降低運營成本、提高企業盈利［4］。綜合環保和運營成本方面的考慮，節能減排是水路航運的大趨勢，因此如何在保證船舶安全航行的前提下，達到節能減排的目的已成為航運業必須要解決的現實而重大的課題［1］。

為提高燃油的能量利用率，實現節能減排，需要綜合考慮影響船舶油耗的因素，并在此基礎上建立合理且有效的船舶油耗預測模型。基于上述原因，本文以一遠洋船舶的實船監測數據為基礎，將深度神經網絡（Deep Neural Network，DNN）引入到船舶油耗預測模型的構建中，由此建立了平均每海里油耗預測模型，并對可進行規劃的特征進行優化，檢驗減少油耗的效果。

2 DNN算法

DNN 最早是由Hinton 等在2006 年提出的在無監督數據上建立的多層神經網絡［5］。DNN 的內部神經網絡可以分為三類：輸入層、隱藏層和輸出層。一般情況下第一層是輸入層，最后一層是輸出層，中間層則是隱藏層［6］。上一層的輸出作為下一層的輸入，經過多層的特征映射后，樣本映射到另一個特征空間，使原始的輸入具有更好的特征表達。

圖1 DNN分層結構圖

2.1 深度神經網絡前向傳播算法

深度神經網絡前向傳播算法利用若干個權重系數矩陣W，偏倚向量b來和輸入值向量X進行一系列線性運算和激活運算［1，7］，從輸入層開始，逐層向后計算，直到輸出層，得到輸出結果為預測值［1，8］。

2.2 深度神經網絡反向傳播算法

假設輸入數據有nin個，輸出數據有nout個，若采用DNN 模型，則模型的輸入層有nin個神經元，輸出層有nout個神經元，除去輸入層、輸出層外，中間還要加上若干隱藏層。此時需要求解出恰當的對應于所有隱藏層和輸出層的線性系數矩陣W，偏倚向量b，讓模型對于所有的訓練樣本的輸出值盡可能的等于或接近樣本期望輸出值［9］。

在找出恰當的權重系數矩陣W和偏倚向量b之前，需要選擇一個合適的損失函數，用于度量模型對于訓練樣本的輸出值與樣本期望輸出值之間的偏差［10］。尋找恰當的權重系數矩陣W和偏倚向量b也就是在對這個損失函數進行優化求解，直到找出損失函數的極小值，在此過程中，將會對權重系數矩陣W和偏倚向量b反向不斷地進行更新，直到達到期望的效果［11］。

3 油耗預測模型建立

3.1 油耗預測模型

船舶油耗預測模型目前有兩種建立方式：一種是根據物理關系基礎建立的油耗預測模型，另一種是根據實船航行數據建立油耗預測模型。前者需要了解詳盡的船舶設計參數，除此之外還需要進行大量的實船水池試驗，風洞試驗等，以獲取水流、涌向、風速、風向等因素對船體產生的阻力影響［1］，這種方式建立模型難度非常大，分析的過程也相對復雜，不適合運用到實際生產中［12］；后者相較于前者更加簡單，僅需要研究影響船舶油耗的相關因子［1］，選擇合適的數學模型，結合實船運營數據訓練出模型參數，從而建立油耗預測模型，在這種方式下建立的數學模型沒有前者的海量數據和復雜分析過程，搭建起來相對簡便［1］，而且更加有針對性的全面考慮了船舶油耗的影響因子，而且基于實船航行數據搭建的模型更加貼合實際，效果更好。綜合考慮模型特點，本文選擇DNN 模型并結合實船運營數據進行訓練建立船舶油耗預測模型，其框架如圖2所示。

圖2 油耗預測模型框架

3.2 深度神經網絡反向傳播算法

本文研究對象為運營于中國大連港至巴西航線的一艘40 萬噸貨運遠洋船，對象船單次航程所需時間為45天至50天。油耗預測模型的基本框架如圖2 所示，模型的期望輸出是平均每海里油耗量。表1中列出了模型的輸入特征，其中22個為船舶機艙數據，13 個特征為氣象數據［1］，剩余3 個特征為rpm 三次方關系、與船舶載貨量相關的吃水以及船舶縱傾［13］。

表1 油耗預測模型輸入特征

模型訓練所用的數據來源于研究對象的實際運營數據，采集自安裝于研究對象各處的傳感器。由于傳感器的采集頻率不同，數據返回的間隔也不同，為統一數據處理，在本文中將時間間隔定為600s，特征處理公式為

本文中用于模型訓練的氣象數據來源于氣象局，其數據形式為各整數經緯度位置點處的氣象數據，預報時間間隔為3h。若需要得到船舶軌跡點上的氣象預報數據，需要對氣象預報數據做空間和時間上的插值，其處理公式如下［1］：

上式中t1，t2為所提供氣象數據的時刻，兩個時刻的間隔為3h。xE,xW,xN,xs分別為包含目標位置點矩形區域的四個頂點處的氣象值［14］。

在本文中DNN 模型運用到的激活函數為Re-LU，具體表達式為σ(z)=max(0,z)，即大于0 則激活后不變，小于0 則激活后為0。在建立DNN 模型時，輸入層為38個神經元，含有3個隱藏層，各層的神經元個數分別為800、1000、800，輸出層有1 個神經元，輸出值為平均每海里油耗量。

4 目標船舶的油耗預測結果

4.1 油耗模型預測結果分析

本文將總計油耗誤差百分比ε［1］作為度量模型預測效果的指標，其計算公式如下：

式中yi是模型輸出的預測值，ci是實際值，M 為樣本總數。

將訓練樣本集中的特征作為輸入獲取模型預測值，模型預測值與實際值的對比如圖3 所示。由圖可見，模型在訓練完成后，將訓練樣本作為輸入輸出的預測油耗值與實際的油耗值之間的誤差較小。這說明訓練所得的模型能夠精確地表征出輸入與輸出目標值之間隱含的關系。圖4 為測試樣本作為模型輸入得出的預測值與實際值的對比圖。由圖可見，模型預測結果與訓練樣本實測數據的動態變化相同，表明訓練所得模型在測試數據集上具有良好的預測效果［1］。

圖3 訓練結果對比

圖4 測試結果對比

表2 中列出了DNN 模型數據集上的預測誤差對比。由表可見，DNN 模型的總計油耗絕對誤差百分比都在7.7%以下，符合實際項目需求，此外DNN 模型在各數據集上的誤差百分比計算數值差距較小，說明DNN 模型在訓練過程中并沒有過擬合，模型具有普適性［1］。

表2 DNN模型預測誤差

4.2 特征優化

基于DNN 的平均每海里油耗模型所用特征有船舶機艙數據、氣象數據、rpm 三次方關系、船舶吃水以及縱傾，為進一步地優化航速油耗及其他能效任務提供基礎建議，基于訓練好的平均每海里油耗回歸模型進行特征尋優，即通過尋優算法選擇合適的一個或者多個工況進行調整，進而使平均每海里油耗降低。

模型所用特征中，氣象特征無法進行調整，機艙數據在實際行船過程中很少會進行調整，船舶吃水與船舶載貨量相關，亦無法進行調整［15］，因而可調整的特征為縱傾和rpm三次方關系。

本文采用啟發式算法-粒子群算法對特征進行尋優，根據可進行調整的縱傾和rpm 三次方關系，設置三組特征尋優：縱傾、rpm 三次方關系、縱傾和rpm 三次方關系。表3 所列為三組特征尋優的結果。

表3 粒子群尋優結果

從表3 中可以看出對表中三組特征進行調整可以降低船舶平均每海里油耗，從而達到船舶節能減排的目的。其中對縱傾和rpm 三次方進行調整可以使船舶平均每海里油耗降低5.71%。

5 結語

本文通過DNN 算法，運用遠洋船的實際檢測數據搭建了船舶的平均每海里油耗預測模型。并結合實際狀況，對縱傾和rpm 三次方進行特征尋優，驗證調整船舶特征可降低船舶平均每海里油耗，根據實驗數據得出結論如下：

1）DNN 算法結合實船數據成功建立的船舶油耗模型，并且實驗結果顯示，模型每海里油耗的預測值與實際檢測值之間的誤差僅為7.661%，可以作為后續進行船舶油耗優化的基礎。

2）通過調整縱傾和rpm 三次方，降低了船舶油耗，平均每海里節省油耗率為5.71%，對于遠洋船具有一定參考價值，為后續船舶油耗優化提供了一定的方向。