具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

请参看图1，图1为本发明实施例提供的一种基于LSTM神经网络的船舶运动极短期预报方法的流程图。该基于LSTM神经网络的船舶运动极短期预报方法，包括以下步骤：

步骤S110：获取初始数据；上述初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据；船舶运动本身数据包括船舶横摇运动历时数据，其他船舶运动姿态数据包括船舶六自由度运动数据；波高数据包括不同位置的波高数据。上述初始数据的获得可以通过设置波高监测点以及船舶上的各种传感器得到。

步骤S120：将初始数据进行预处理，以生成有效初始数据；上述数据进行预处理是对各组数据分布进行处理，上述进行预处理包括以下步骤：

首先，将初始数据输入到预置的平滑滤波器中，以生成预处理数据；上述平滑滤波器主要是将初始数据进行平滑滤波，以将初始数据中的噪声去除，从而得到有用的初始数据。上述平滑滤波器可以采用移动平均平滑滤波算法和小波分解滤波算法得到，上述移动平均平滑滤波算法和小波分解滤波算法属于现有技术，在此不再赘述。

然后，将预处理数据带入预置的归一化数学表达式中进行计算，以生成有效初始数据。上述预处理数据为非线性的数据，经过归一化处理以得到光滑的预处理数据曲线，上述归一化数学表达式为：

其中，x*为有效初始数据，x为预处理数据，x_min和x_max分别为预处理数据中最小值和最大值数据。通过将预处理数据进行归一化处理，可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率。

步骤S130：根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测，以生成多种预测结果；LSTM神经网络是一种特殊的循环神经网络，可以有效解决传统循环神经网络梯度爆炸问题，同时LSTM神经网络能够处理长时间序列数据，具有长时记忆能力。上述利用多种预置的LSTM神经网络模型对船舶运动进行预测主要包括以下几种：

第一步，提取并将有效初始数据中的船舶运动本身数据输入到预置的第一LSTM神经网络模型中，以生成第一预测结果；上述第一LSTM神经网络模型是指利用船舶运动本身数据建立的LSTM神经网络模型，通过输入船舶运动本身数据进行数据预测。例如在有效初始数据中获取到的一组的船舶横摇运动历时数据，将船舶横摇运动历时数据输入到第一LSTM神经网络模型中进行预测横摇，预测得到船舶运动的横摇数据。该预报方式通过挖掘本身数据的内在规律进行船舶运动预报。

第二步，提取并将有效初始数据中的船舶运动本身数据和其他船舶运动姿态数据输入到预置的第二LSTM神经网络模型中，以生成第二预测结果；上述第二LSTM神经网络模型是指利用船舶运动姿态数据建立的LSTM神经网络模型。考虑到船舶六自由运动是相互耦合的，利用LSTM多特征输入的特点，将多个船舶运动姿态作为输入，进行船舶某运动的极短期预报，从而可以提高预报精度。

第三步，提取并将有效初始数据中的船舶运动本身数据和波高数据输入到预置的第三LSTM神经网络模型中，以生成第三预测结果。上述第三LSTM神经网络模型主要是指利用波高与船舶之间的映射关系建立的LSTM神经网络模型。船舶在波浪中运营过程中，由于波浪是船舶产出摇荡运动的主要激励因素，可以通过LSTM神经网络建立波高与船舶运动之间的映射关系，且由于波浪在空间上传播需要一定时间，且波浪具有记忆效应，从而波浪与船舶运动之间的最佳响应关系存在一定的时间延时性，通过波浪进行船舶运动进行极短期预报，进而能有效的提高预报时长。考虑到波高在采集过程中可能存在短时丢失问题，可以运用LSTM神经网络对波高进行预测用于补齐缺少片段，从而得到更加精确的预测数据。

上述三种LSTM神经网络模型预测的方式可以单独进行也可以是同时进行。

步骤S140：将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息。上述对比过程包括以下过程：

首先，将多种预测结果中任意两种预测结果进行对比，得到多个对比结果；上述进行对比是指比较多种预测结果中任意两种预测结果的差异值，例如利用第一LSTM神经网络模型进行预测得到的预测结果A为0.028，利用第二LSTM神经网络模型进行预测得到的预测结果B为0.025，利用第三LSTM神经网络模型进行预测得到的预测结果C为0.027；将预测结果A与预测结果B进行对比得到预测结果A与预测结果B的差异值为0.002，将预测结果A与预测结果C进行对比得到预测结果A与预测结果C的差异值为0.001,将预测结果B与预测结果C进行对比得到预测结果B与预测结果C的差异值为0.002。

然后，将多个对比结果分别与预置的阀值进行对比，由于进行的船舶运动极短期预报，数据之间有很强的连续性，预测值与前时刻的真实值不会发生跳跃性变化，可以利用数据间斜率相关理论设置有效的判断阀值，并作为与预置的阀值。若多个对比结果均小于预置的阀值，则将多种预测结果中任意一种预测结果作为最终的预报结果信息；若至少一个对比结果不小于预置的阀值，则获取初始数据。例如：得到预测结果A、预测结果B、预测结果C，预测结果A与预测结果B的差异值为0.001，预测结果A与预测结果C的差异值为0.002，预测结果B与预测结果C的差异值为0.002，预置的阀值为0.005，经过对比，预测结果A、预测结果B、预测结果C中任意一种预测结果均小于0.005，即小于预置的阀值，则将预测结果A、预测结果B或预测结果C中任意一种作为最终的预报结果信息。例如：得到预测结果D、预测结果E、预测结果F，预测结果D与预测结果E的差异值为0.003，预测结果D与预测结果F的差异值为0.007，预测结果E与预测结果F的差异值为0.009，预置的阀值为0.004，经过对比，预测结果D、预测结果E、预测结果F中预测结果D与预测结果E的差异值小于0.005，预测结果D与预测结果的差异值,预测结果E与预测结果F的差异值均大于预置的阀值，即有一个对比结果不小于预置的阀值，则认为此次预测不够准确，继续下一次预测，即获取初始数据，以进行下一次预测。

上述实现过程中，通过获取初始数据，初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据，然后将初始数据进行预处理，以生成有效初始数据，通过将初始数据进行预处理可以去除噪声数据，还可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率，然后根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测，以生成多种预测结果，通过从几个方面采用不同的输入数据进行预测，再将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准备，从而提高了船舶运动极短期预报的准确性。

上述第一LSTM神经网络模型、第二LSTM神经网络模型、第三LSTM神经网络模型都属于LSTM神经网络模型，上述LSTM神经网络模型的构建主要包括以下过程：

首先，获取样本初始数据；上述样本初始数据可以根据实际情况设置多个，例如样本初始数据可以为4000个、2000个。

然后，获取模型参数；上述模型参数主要是指LSTM模型的主要参数，包括有输入步数、神经元节点数、隐藏层数、优化器类型及学习率、训练迭代轮数、训练批次大小等。其中有些参数设置不仅影响着模型训练效率，同时影响预报精度，所以需通过选取合适的模型参数，在保证预报精度的同时有效提高训练效率。例如：神经元节点数为16，隐藏层层数为2，优化器选择为Adam(Adaptive Moment Estimation)，学习率设置为0.0006，训练迭代轮数为30000，训练批次大小为32。训练样本数为4000个，时长为1600秒。考虑到三、四、五级海况周期不同，测试样本数分别为100、150和200个，测试时长则分别为40、60、80秒。

LSTM模型参数设置通常需要靠经验来判断，以此来寻找最优的参数，为提高数据的准确性，上述模型参数还可以采用粒子群优化算法进行优化计算得到。包括以下步骤：

第一步，根据样本初始数据设置初始模型参数；该初始模型参数可以是根据经验进行设置的，主要包括输入步数、神经元节点数、隐藏层数、优化器类型及学习率、训练迭代轮数、训练批次大小等。

第二步，采用粒子群优化算法对初始模型参数进行优化计算，以生成优化的模型参数，并将优化的模型参数作为模型参数。上述进行优化计算主要是指采用粒子群优化算法将初始模型参数进行优化，从而得到优化的模型参数，首先给空间中的所有粒子分配初始随机位置和初始随机速度。然后根据每个粒子的速度、问题空间中已知的最优全局位置和粒子已知的最优位置依次推进每个粒子的位置。随着计算的推移，通过探索和利用搜索空间中已知的有利位置，粒子围绕一个或多个最优点聚集或聚合。上述粒子群优化算法属于现有技术，在此不再赘述。

最后，根据模型参数和样本初始数据构建LSTM神经网络框架并进行迭代训练,以得到LSTM神经网络模型。上述通过获取的模型参数进行构建LSTM神经网络框架，然后将样本初始数据带入到LSTM神经网络框架中进行迭代训练，从而得到LSTM神经网络模型。

上述LSTM神经网络模型的建立还包括以下步骤；

首先，提取并将样本初始数据中的数据向量组进行多层LSTM神经网络计算，生成目标数据；多层LSTM神经网络是指LSTM单元结构由遗忘门、输入门、输出门和单元状态组成，在当前时刻，LSTM网络输入参数有三个：当前时刻输入值(如波高)、上一时刻输出值(如船舶运动)、上一时刻单元状态。输出参数有两个：当前时刻输出值和当前时刻单元状态。LSTM通过激活函数实现对三个门的控制，从而实现对历史信息的保留与遗忘。例如：波高时间序列数据为(h1，h2，h3，......，ht)，船舶横摇角度数据为(θ₁，θ₂，θ₃......，θ_t)，输入到多层LSTM神经网络进行计算得到未来第n个数据对应的船舶横摇角度数据。

然后，将目标数据带入预置的损失函数表达式中进行计算，得到损失值；上述损失函数表达式可以采用均方根损失函数，均方根损失函数的表达式为：其中：prediction代表目标数据，label代表理论数据，N表示样本总数。均方根损失函数体现了整体预测误差情况。

最后，根据损失值采用预置的优化器对LSTM神经网络模型进行优化，以生成优化后的LSTM神经网络模型。上述损失函数即目标函数的值与真实值的差值函数，实际上就是欲优化参数的函数。而优化器的任务就是在每一个时间段中计算损失函数的梯度，进而更新模型参数。上述优化器包括Adam优化器，根据损失值对模型参数进行优化，从而得到新的模型参数，进而根据新的模型参数进行迭代训练，以得到优化后的LSTM神经网络模型。上述Adam优化器为现有技术，在此不再赘述。

基于同样的发明构思，本发明还提出一种基于LSTM神经网络的船舶运动极短期预报系统，请参看图2，图2为本发明实施例提供的一种基于LSTM神经网络的船舶运动极短期预报系统的结构框图。该基于LSTM神经网络的船舶运动极短期预报系统包括：

数据获取模块110，用于获取初始数据；上述初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据；

数据预处理模块120，用于将初始数据进行预处理，以生成有效初始数据；

LSTM神经网络模型预测模块130，用于根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测，以生成多种预测结果；

预测结果对比模块140，用于将多种预测结果进行对比，以生成并根据对比结果得到最终的预报结果信息。

上述实现过程中，通过数据获取模块110获取初始数据，初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据，然后数据预处理模块120将初始数据进行预处理，以生成有效初始数据，通过将初始数据进行预处理可以去除噪声数据，还可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率，然后LSTM神经网络模型预测模块130根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测，以生成多种预测结果，通过从几个方面采用不同的输入数据进行预测，再预测结果对比模块140将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准备，从而提高了船舶运动极短期预报的准确性。

请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。该电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于LSTM神经网络的船舶运动极短期预报系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上，本申请实施例提供的一种基于LSTM神经网络的船舶运动极短期预报方法及系统，该基于LSTM神经网络的船舶运动极短期预报方法，通过获取初始数据，初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据，然后将初始数据进行预处理，以生成有效初始数据，通过将初始数据进行预处理可以去除噪声数据，还可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率，然后根据有效初始数据分别采用多种预置的LSTM神经网络模型对船舶运动进行预测，以生成多种预测结果，通过从几个方面采用不同的输入数据进行预测，再将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准备，从而提高了船舶运动极短期预报的准确性。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。