买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学

摘要：本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。

主权项：1.一种基于自相关分解的船舶运动极短期预报方法，其特征在于，该方法包括：S1，采用滑动窗口法对船舶运动时历数据进行分割，得到预报模型输入输出矩阵；S2，采用滑动平均算法提取船舶运动序列的趋势项和季节项，实现船舶运动序列时域特征分解；S3，通过计算船舶运动序列片段与其后的片段的自相关系数，匹配出船舶运动自相似子序列；S4，使用时延模块对自相似子序列进行滚动拼接，并将softmax函数引入自相关机制实现船舶运动序列长期特征学习；在步骤S4中，使用时延模块对自相似子序列进行滚动拼接，并将softmax函数引入自相关机制实现船舶运动序列长期特征学习，包括：根据不同时间步差异下自相关系数的值，选取i组特征最匹配的自相似子序列对应的时间步差集合[τ1,τ2…τi]，确定i个估计周期；基于得到的i个估计周期采用时延模块对输入片段季节项进行重构，将中前τn个数值剪切拼接至片段末尾，得到其中，n＝1,2…i，i表示估计周期个数，b表示季节项片段的长度，k表示季节项片段的起始时间步；基于重构后的季节项片段集合计算输入片段季节项对应的查询矩阵Qk与键矩阵Kk；计算相关系数矩阵R＝[R1,R2…Ri]，其中Rn表示对应的查询矩阵Qk与对应的键矩阵的相关系数；引入softmax函数计算得到不同时间滞后步数下的权重组成的权重矩阵e表示自然对数函数的底数，Rn表示对应的查询矩阵Qk与对应的键矩阵的相关系数，i＝1,2…i，i表示估计周期个数；将输入季节项片段映射至输出维度p得到同时采用前馈神经网络将趋势项映射至输出维度p得到最终的预报结果表示为其中pr是上标，表示最终预测结果；W表示不同时间滞后步数下的权重组成的权重矩阵；基于预报结果与对应的真实值计算预报误差；输入片段季节项对应的查询矩阵Qk与键矩阵Kk的具体计算过程为：其中，WQ和WK表示两个可更新的权重矩阵； 对应的查询矩阵Qk与对应的键矩阵的相关系数的具体计算过程为： 其中，b表示季节项片段的长度，k表示季节项片段的起始时间步，n＝1,2…i，i表示估计周期个数。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心 哈尔滨工程大学 一种基于自相关分解的船舶运动极短期预报方法及系统