基于组合模型的船舶运动姿态预报方法研究
摘要
在复杂的海洋环境下，海平面会出现激流、波浪变化大、海风变向多且速度快等现
象。船舶在海上航行，运动姿态会存在非线性、非平稳性、无规律性、强耦合性等特点。
船舶通常会因为无法得知未来的运动姿态变化，受到控制不当影响导致船舶安全事故。
如果能够提前预测到船舶姿态变化，可以减少船舶航行的安全事故。本文专注于基于时
间序列预测的方法研究，设计了多种预测算法实现高精度的预测，具体内容如下：
首先，基于时间序列的时间与空间信息处理方法，建立了时空特征处理结构；明确
了基于组合模型的船舶横摇和纵摇预测评价指标。
其次，针对现有的单一模型对船舶单变量姿态预测精度不高的问题，设计了基于卷
积长短期记忆网络(ConvolutionalLongShortTermMemory,ConvLSTM)和极限梯度提升
算法(ExtremeGradientBoosting,XGBoost)的变权模型用于船舶横摇和纵摇的预测。利用
两种模型分别对船舶姿态进行预测，将预测值与最优权重进行权重和处理，得到最终的
预测值。实验结果表明，变权组合模型精确度要优于单一的ConvLSTM和XGBoost模
型，且比两种先进的集成学习算法模型渐进梯度回归树(GradientBoostingRegressionTree,
GBRT)和随机森林回归(RandomForestRegressor,RFR)有效。所提出的变权组合模型在
MAPE和RMSE指标上均较低，验证了所提算法的有效性。
再次，针对在复杂海况下纵摇易受海洋环境影响和浅层的深度学习网络模型预测精
度不高的问题，设计了多输入的双向时空特征处理结构网络模型。该模型采用了两层Bi-
ConvLSTM结构处理多种数据的深层特征，使用通道注意力机制(ChannelAttention,CA)
将输出的深层特征进行重要信息提取。实验结果表明，所提出的Bi-ConvLSTM-CA模型
要比其他先进的深度学习模型更有效，且比两种先进的集成学习算法模型GBRT和RFR
有效。
最后，针对深层网络模型的参数大且横摇易受多种变量影响的问题，设计了基于多
输入的GRU-GAT网络模型用于横摇预测。该模型将图注意力网络(GrarhAttention
Network,GAT)代替深层的网络结构来处理变量间的关系，并采用门控循环单元(Gate
RecurrentUnit,GRU)来处理数据的时间特征，减少了网络模型的参数。实验结果表明，
所提出的模型要比其他9种先进模型具有更高的预测精度。
关键词：深度学习；船舶姿态；时间序列预测；图注意力机制；集成学习
基于组合模型的船舶运动姿态预报方法研究
Abstract
Inthecomplexmarineenvironment,therewillberapidsandlargechangesofwavesatsea
level,andmanychangesofseabreezewithhighspeedandotherphenomena.Whenashipis
sailingatsea,itsmotionattitudewillbenon-linear,non-smooth,irregularandstronglycoupled.
Duetothefutureunknownchangesinattitude,shipsareusuallyaffectedbyimpropercontrol
thatleadtosafetyaccidents.Iftheshipattitudechangescanbepredictedinadvance,itwill
reducethesafetyaccidentsofshipnavigation.Inthispaper,basedontimeseriesprediction,
variouspredictionalgorithmsaredesignedforsat