基于ResGCN和iLSTM的多尺度动态注意力机制的船舶燃油消耗预测

《Ocean Engineering》：Ship fuel consumption prediction based on ResGCN and iLSTM with multi-scale dynamic attention mechanism

船舶燃料消耗预测面临复杂非线性时空依赖问题，本文提出MWD-ResGCN-iLSTM多分支预测框架，整合多尺度小波分解、残差稀疏图卷积网络及改进LSTM，通过随机森林特征筛选构建互信息稀疏图，增强局部特征关联，并引入动态注意力机制实现跨尺度特征融合。实验表明，该模型在真实航运数据中R2达0.9667，MAPE仅4.051%，较传统BP、RBF、LSTM等模型性能提升显著。

　　船舶燃料消耗的准确预测在海上能源优化和减排方面具有至关重要的意义。随着国际海事组织（IMO）对脱碳目标的不断强化，以及全球实现碳中和的承诺，船舶燃料消耗的优化已成为实现环保航运的关键环节。在这一背景下，传统的预测方法难以应对船舶燃料消耗这一复杂过程，因为其涉及多种相互作用的变量，如船速、风速、吃水、海浪和洋流等，这些因素共同构成了一个高度非线性、非平稳性和多尺度的动态系统。为了有效应对这些挑战，本文提出了一种融合多尺度小波分解（MWD）、残差稀疏图卷积网络（ResGCN）以及改进的长短期记忆网络（iLSTM）的混合预测框架，旨在提高船舶燃料消耗预测的准确性和鲁棒性。

### 多尺度小波分解（MWD）

船舶燃料消耗数据具有显著的非线性和多尺度特性，这使得单一的预测方法难以充分捕捉其复杂变化。多尺度小波分解是一种能够将原始信号分解为不同频率子带的信号处理技术，可以有效分离时间序列中的趋势和波动成分。在本文中，我们使用了多层小波分解方法，将原始数据分解为低频逼近（Low-frequency Approximation）和多个高频细节（High-frequency Details）分量。通过这种分解，我们能够获得更具结构化的特征表示，从而为后续建模提供更丰富的输入信息。低频分量反映了数据的长期趋势，而高频分量则捕捉了短时波动和突变信息。这种多尺度分解策略不仅提升了模型的表达能力，还为多尺度特征融合提供了基础。

此外，为了进一步提升模型的性能，我们在小波分解后引入了动态注意力机制（Dynamic Attention Mechanism），用于在不同时间点对各频率子带的权重进行自适应调整。这种机制能够根据输入数据的特性，赋予不同子带不同的关注程度，从而实现更精确的特征融合。例如，在某些时间点，模型可能更倾向于关注高频波动，而在其他时间点则更重视低频趋势。这种动态调整的能力使得模型在复杂环境下仍能保持良好的预测效果。

### 残差稀疏图卷积网络（ResGCN）

在传统的图卷积网络（GCN）中，节点之间的关系通常假设为静态或完全连接的结构，这种假设在实际应用中可能并不成立，因为船舶特征之间存在复杂的非线性依赖关系。为了解决这一问题，本文引入了基于互信息的残差稀疏图卷积网络（ResGCN），以构建一个更具代表性的稀疏图结构。该方法首先通过随机森林算法筛选出对预测最有贡献的特征，然后基于这些特征计算其间的互信息（Mutual Information），并利用一个设定的稀疏性阈值（Sparsity Threshold）来保留显著的特征依赖关系，从而构建出稀疏的邻接矩阵（Adjacency Matrix）。这种基于互信息的稀疏图结构能够有效抑制冗余连接，同时保留重要的特征交互信息。

在ResGCN中，每个图卷积层都引入了残差连接（Residual Connections），以缓解传统GCN在深度增加时可能出现的过平滑（Over-smoothing）问题。残差连接通过将上一层的输入直接添加到当前层的输出中，确保了模型在深度学习过程中能够保留低级特征，从而增强模型的表达能力和训练稳定性。这一结构在实际应用中表现出显著的优势，因为它能够有效提升模型对复杂结构依赖的建模能力，同时避免因过度连接而引入的噪声干扰。

### 改进的长短期记忆网络（iLSTM）

尽管GCN能够有效建模节点间的结构关系，但其在捕捉时间序列中的动态变化方面存在局限性。为此，本文引入了改进的长短期记忆网络（iLSTM），以更好地建模时间序列中的长期依赖关系。iLSTM是在传统LSTM的基础上进行优化的，其核心改进包括：（1）采用因果卷积（Causal Convolution）来增强对局部依赖的建模能力；（2）使用块对角投影矩阵（Block-diagonal Projection Matrix）来提高特征转换的效率；（3）引入多头矩阵状态（Multi-head Matrix States）以增强模型的表达能力。这些改进使得iLSTM在保持高效计算的同时，能够更准确地捕捉时间序列中的复杂动态。

此外，iLSTM还采用了轻量级的上投影策略（Lightweight Up-projection Strategy），以减少计算负担。通过这种方式，iLSTM能够在保持高精度的同时，避免因复杂的计算结构而带来的性能下降。在实验中，iLSTM表现出良好的预测能力，其结果表明，该模型能够有效提升船舶燃料消耗预测的准确性，同时保持较高的计算效率。

### 动态注意力机制（Dynamic Attention Mechanism）

为了实现多尺度特征的有效融合，本文引入了动态注意力机制。该机制能够根据输入数据在不同时间点的特性，对各个频率子带的预测结果进行加权融合。与传统的静态权重方法不同，动态注意力机制通过上下文感知的方式，为每个子带分配不同的权重，从而实现更精确的特征融合。例如，在某些时间点，模型可能更关注高频波动，而在其他时间点则更重视低频趋势。这种自适应的权重分配机制不仅提升了模型的预测能力，还增强了其对不同时间点特征变化的适应性。

动态注意力机制的引入，使得模型能够更有效地融合多尺度信息，从而在复杂环境下保持较高的预测精度。通过这种方式，模型能够更好地捕捉船舶燃料消耗的动态特性，实现对长期趋势和短期波动的综合建模。实验结果表明，这种机制在提升模型表现方面发挥了重要作用，尤其是在处理多尺度数据时，能够显著降低预测误差。

### 实验设计与模型验证

为了验证所提出的混合模型（MWD-ResGCN-iLSTM）的有效性，本文进行了系统的实验设计和模型验证。实验数据来自一艘定期航行的RoPax渡轮，其数据采集频率为每10分钟一次。数据集包含4328条时间序列记录，涉及127个特征变量，包括船舶的运动参数、环境因素和运行状态。经过预处理，最终保留了1840条记录用于模型训练和测试。

在预处理过程中，我们采用了四个步骤：（1）航程分割，仅保留船舶在稳定航行状态下的数据；（2）缺失值剔除，确保所有变量的一致性；（3）异常值过滤，以维持数据的物理和工程有效性；（4）归一化处理，将所有变量缩放到[0,1]范围，以提升模型训练的稳定性和收敛性。通过这些预处理步骤，我们确保了数据的质量和一致性，从而为模型的训练和测试提供了可靠的基础。

为了进一步提高模型的可解释性和效率，我们使用了随机森林算法对特征的重要性进行排序。结果显示，船速是最重要的预测变量，其次是水流速度和吃水深度。风向等气象因素的重要性相对较低。因此，我们在最终模型中仅保留了前9个特征。这些特征的选取不仅减少了冗余，还提高了模型的预测性能。

在模型训练过程中，我们采用了基于时间序列的输入方式，即每个训练样本包含一个长度为T的时间窗口，形成一个输入张量。该张量的维度为T×D，其中D为选取的输入特征数量。模型的输出为后续时间点的燃料消耗值。通过这种方式，我们能够确保模型在时间序列建模中保持良好的时序一致性。

### 实验结果分析

实验结果表明，所提出的混合模型在多个评估指标上均优于传统模型。例如，在R2指标上，MWD-ResGCN-iLSTM达到了0.9667，而在MAPE指标上，其值仅为4.051%。相比之下，传统模型如BP网络和RBF网络的R2值分别为0.8119和0.847，而MAPE值分别为18.17%和11.54%。这些结果表明，MWD-ResGCN-iLSTM在捕捉船舶燃料消耗的复杂模式方面具有显著优势。

此外，实验还验证了不同图结构对模型性能的影响。当图结构为完全连接时，模型的R2值下降至负数，这表明过度连接会引入冗余噪声，从而降低模型的预测能力。而当图结构为稀疏时，模型的性能显著提升。特别是当图结构的稀疏性阈值设置为0.5时，MWD-ResGCN-iLSTM在R2指标上达到了0.9623，MAPE为4.051%。这表明，适度的稀疏图结构能够在保留重要特征依赖的同时，有效抑制冗余信息，从而提升模型的稳定性和适应性。

在多尺度小波分解方面，实验结果表明，4层小波分解在R2指标上表现最佳，达到了0.9623，而MAPE值为4.82%。相比之下，2层分解的R2为0.9447，MAPE为5.93%，表明其在捕捉高频波动方面存在不足。而6层分解则导致了性能的下降，其MAPE值为6.21%，表明过度分解可能引入噪声，从而干扰特征提取。因此，本文建议在实际应用中采用4层小波分解，以在时间和频率分辨率之间取得最佳平衡。

### 模型的鲁棒性分析

为了评估模型在非理想条件下的鲁棒性和预测稳定性，我们进行了两种扰动测试：高斯噪声注入和异常运行条件模拟。在实验中，模型在无扰动情况下表现出良好的预测性能，而在存在噪声或异常条件时，其预测误差仅略有增加。例如，在10%高斯噪声注入的情况下，MAE和RMSE分别增加到0.0903和0.1227，但中位数残差仍保持在±0.003的范围内。对于异常条件，模型的鲁棒性接近5%噪声场景，表明其对关键变量如风速和船速的异常值具有较强的容忍能力。

这些结果表明，所提出的MWD-ResGCN-iLSTM模型在面对输入扰动和异常值时，仍能保持较高的预测精度和稳定性。这使得该模型在复杂海上环境下的实际应用中具有显著优势，能够为船舶燃料消耗预测提供可靠的支持。

### 结论

本文提出了一种融合多尺度小波分解、残差稀疏图卷积网络和改进长短期记忆网络的混合预测模型（MWD-ResGCN-iLSTM），以提高船舶燃料消耗预测的准确性。该模型通过多尺度分解，能够更全面地捕捉时间序列中的趋势和波动；通过残差稀疏图卷积网络，能够有效建模特征间的结构依赖关系；通过改进的长短期记忆网络，能够更精确地捕捉时间序列中的长期依赖。此外，动态注意力机制的引入，使得模型能够在不同时间点对多尺度特征进行自适应融合，从而提升整体预测性能。

实验结果表明，该模型在多个评估指标上均表现出色，尤其是在R2和MAPE指标上，其性能显著优于传统模型。同时，该模型在面对噪声和异常值时，仍能保持较高的预测精度和稳定性，证明了其在复杂海上环境下的适用性。尽管本文提出的模型在实验中表现出色，但其仍然存在一定的局限性，例如对不同船舶类型和运行场景的泛化能力有待进一步提升。未来的研究可以考虑扩展数据集，以涵盖更多类型的船舶和运行条件，并探索跨场景的迁移学习方法，以提高模型的适用范围和泛化能力。