基于深度学习模型的船舶碳排放时空预测研究

作者:栾建霖; 冯胤伟; 李海江*; 王新建; 贾鹏; 匡海波
来源:科研管理, 2023, 44(03): 75-85.
DOI:10.19571/j.cnki.1000-2995.2023.03.008

摘要

船舶碳排放的预测研究在挖掘碳排放时空分布特征、揭示排放时空演化规律、制订和调整脱碳政策等方面具有重要的理论与实践意义。然而目前,船舶航行状态辨识的准确性依旧制约着船舶碳排放测算的精度,而且,船舶碳排放预测研究多集中于预测其在时间维度的演化规律,尚未考虑兼顾时空双重维度的多维预测。因此,为解决船舶碳排放测算中航行状态辨识误判率高,以及传统碳排放预测方法难以兼顾空间相关性等问题,首先,本文以轨迹段为基本单元,在综合考虑航行状态持续时间、地理活动范围和航向变化等多维运动特征的基础上,提出了一种新的时空轨迹搜索算法,实现了航行状态的精准辨识;其次,本文引入了深度预测学习领域的ConvLSTM模型,构建了一种新的船舶碳排放时空预测框架,并提出一种基于GIS空间识别技术的高分辨率时空序列数据集构建方法。该框架不仅可预测船舶碳排放在时间维度上的演化规律,还可通过卷积运算,充分挖掘碳排放在空间上的局部依赖关系;最后,以我国渤海海域为例,基于船舶AIS数据,开展了船舶航行状态辨识和碳排放预测实验,结果表明:本文提出的航行状态辨识算法准确率达90%以上,有效解决了仅依据实时航速和主机负载划分航行状态的误判问题;而且,本文提出的船舶碳排放测算模型可在排放数据集上稳定收敛,并且能够准确预测排放的热点区域。本研究为我国船舶碳排放核算制度的完善,碳排放峰值、时间和区域的研判,以及碳中和路径的制订提供了重要的理论依据。