Детальная информация

Название: Оценка скорости движения судов на Северном морском пути на основе методов машинного обучения, процесс-ориентированных моделей и гибридных методов: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_15 «Технологии проектирования системного и прикладного программного обеспечения»
Авторы: Еременко Данила Юрьевич
Научный руководитель: Баденко Владимир Львович
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2022
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: Машинное обучение; Суда; Движение; Северный морской путь; оценка времени прохождения маршрута; деревья решений; случайный лес; градиентный бустинг; процесс-ориентированные модели; гибридные методы; Northern sea route; estimation of the time of arrival; decision trees; random forest; gradient boosting; process-oriented models; hybrid methods
УДК: 004.85; 531.1
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Магистратура
Код специальности ФГОС: 09.04.01
Группа специальностей ФГОС: 090000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/3/2023/vr/vr23-394
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Ключ записи: ru\spstu\vkr\20667

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Тема выпускной квалификационной работы: «Оценка скорости движения судов на Северном морском пути на основе методов машинного обучения, процесс-ориентированных моделей и гибридных методов». Это первое сравнительное исследование оценки скорости движения судов и времени вояжей на основании данных АИС и ледовых данных на Северном морском пути. Более точно, сравнение 5 методов, представляющих 3 класса предиктивных подходов: основанных на данных, процесс-ориентированных и гибридных. Исследование представляет как сравнение предсказанных и фактических значений скорости по метрикам среднего квадратичного отклонения и коэффициента корреляции Пирсона в различных географических областях Северного морского пути в различные времена года, так и сравнение разницы между предсказанным и фактическим временем прохождения нескольких маршрутов. Цели данной работы состоят в реализации новых методов оценки скорости движения судов, основанных на различных доступных данных, и сравнении качества и применимости разработанных методов с существующими. В результате сравнения моделей гибридная модель показала наилучшие результаты на наиболее интересующем и наиболее сложном с точки зрения валидации методов машинного обучения вояже.

The subject of the master thesis is: "Vessels speed estimation on the Northern Sea route based on machine learning methods, process-based models and hybrid methods". This is a first benchmark study on estimating ship speeds and voyage time utilizing AIS data and ice conditions data from the Northern Sea Route. Specifically, the benchmark examines five methods representing three categories of predictive modeling approaches (data-driven, physics-driven, and hybrid) with special attention to making the benchmark as unbiased as possible. The paper presents a comparison between predictions and actual speed records in terms of RMSE and Pearson correlation coefficient in different geographical areas on the Northern Sea Route during different times of the year as well as a difference between actual and predicted voyage time. The goals of this work are implementation of the new methods of speed of vessels estimation based on different available datasets and qualitative comparison of their applicability with existing methods. As a result of the comparison hybrid model showed the best results on the most interesting and most difficult voyage in terms of machine learning methods validation.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи СПбПУ Прочитать Печать Загрузить
-> Интернет Анонимные пользователи

Оглавление

  • Введение
  • 1. Материалы и методы
    • 1.1 Используемые наборы данных
      • 1.1.1 База данных АИС — структура, содержимое, источники, временная и пространственная частота дискретизации, фильтрация
      • 1.1.2 База ледовых данных — структура, содержимое, источники, временная и пространственная частота дискретизации, фильтрация
    • 1.2 Сравнение и выбор используемых методов машинного обучения
      • 1.2.1 Decision Tree
      • 1.2.2 Random Forest
      • 1.2.3 XGBoost
      • 1.2.4 Обоснование выбора методов машинного обучения
    • 1.3 Построение моделей
      • 1.3.1 ML-модель для прогнозирования скорости судна только на основе данных АИС. Изменения по сравнению с предыдущей работой: использование средней сегментной скорости вместо мгновенной, расширение набора предикторов
      • 1.3.2 ML-модель для прогнозирования скорости судна по ледовым данным.
      • 1.3.3 Процесс-ориентированная модель ледовой ходкости
      • 1.3.4 ML-модель для прогнозирования скорости судна на основе данных АИС и ледовых данных
      • 1.3.5 Гибридная модель для прогнозирования скорости судна на основе данных АИС и оценки процесс-ориентированной модели
    • 1.4 Методология исследования.
  • 2. Результаты
    • 2.1 Гиперпараметры моделей машинного обучения
    • 2.2 Оценка моделей по метрикам целевой задачи. Среднее квадратичного отклонение и коэффициент детерминации
    • 2.3 Качественное сравнение моделей на прикладной задаче. Сравнение предсказанного времени прибытия и фактического.
  • Заключение
  • Список использованных источников

Статистика использования

stat Количество обращений: 2
За последние 30 дней: 0
Подробная статистика