作者丽贝卡·劳克利夫，达尔豪西大学 漂浮在海上的智能浮标
学分:达尔豪西大学 达尔豪西和海洋数据分析创新环境DeepSense的研究人员开发了一种机器学习方法，用于预测风速和波高测量值
这种测量支持哈利法克斯港务局和哈利法克斯海事飞行员的安全和更准确的决策
发表在《海洋技术杂志》上的结果展示了该团队如何使用智能浮标的数据来提供预测，以便在浮标定期维护和/或传感器自发故障期间使用
这些预测对于港口界提供哈利法克斯港内船舶安全航行和哈利法克斯海上引航员在引航船和商船之间安全转移所使用的关键信息的连续性将是有价值的
深海传感/智能大西洋项目是海洋风险和创业中心、深海传感、哈利法克斯港务局和加拿大海洋飞行员协会(CMPA)之间的合作项目
DeepSense由计算机科学系组建，由加拿大大西洋机会局(ACOA)、新斯科舍省、海洋前沿研究所(OFI)和IBM提供资金和支持，通过人工智能、机器学习和大数据应用研究推动海洋经济的增长
做预测 该项目由荷兰皇家海军和CMPA的合作伙伴发起，旨在为智能大西洋鲱鱼湾浮标提供高度精确的额外冗余级别
“智能浮标平台上有几个海洋传感器，并能产生精确的预报，这对进入哈利法克斯港的海洋用户来说是一个至关重要的资源，”COVE首席执行官梅拉妮·纳多说
“随着DeepSense的加入以及他们使用过去7年收集的数据的能力，我们有了一条向海洋行业提供无缝信息的道路
" 计算机科学学院助理教授克里斯·惠登在应用计算机科学硕士学生杰苏塞伊·法苏伊的支持下，领导了与该项目相关的研究团队
“问题是，如果智能浮标不能提供实时传感器数据，我们只能猜测将飞行员转移到大型船只和游轮上引导他们进入哈利法克斯港是否安全，”博士说
惠登
“我们采用风速和海浪高度的主要预测变量，以及其他智能浮标和陆地站收集的与这些变量相关的数据，来思考我们如何使用机器学习来预测鲱鱼湾浮标的活动
这很新奇，因为似乎没有人仅仅通过一两个替换传感器就能做出这样的预测
" 机器学习通常用于识别数据中的模式，并利用这些模式进行自动预测或决策
“有很多很多不同的机器学习模型，我们必须决定专注于哪一个，”博士解释说
惠登
“我们最终看到了三个:随机森林、支持向量机和神经网络模型
他们是这项任务的典范
因此，随机森林和支持向量机是更古老的机器学习模型，往往工作得很好，尤其是在你没有很多数据的情况下
神经网络是深度学习的基础
最后，随机森林模型表现最好，平均误差仅为0
浪高17米
" 未来的可能性 研究人员开始探索季节性和极端天气条件等方面，初步发现为该项目开辟了未来的可能性，该团队现在与计算机科学硕士学生阿姆鲁思·库皮里一起展望第二阶段，他希望更好地理解季节变化，并继续开发一个框架，以允许未来的实时数据和预测仪表板
“智能浮标于2013年11月7日首次部署，使得在不改变现有基础设施的情况下提高操作安全性、安全性和效率成为可能，”哈利法克斯港务局港口主管亚当·帕森斯船长说
“有了它，我们港口界的所有人——经营者、托运人和领航员——都获得了宝贵的信息，我们已经开始依赖这些信息
在维护或传感器出现问题时，采取创新措施来填补这些空白是我们大家都赞赏和欢迎的
" 安德鲁·雷船长是大西洋加拿大海上飞行员协会副主席，也是智能大西洋鲱鱼湾浮标联合操作委员会主席，他对该项目的影响持乐观态度
“DeepSense率先应用机器学习来准确预测由停泊在海岭湾附近的智能大西洋3米ODAS浮标收集的两个海洋数据集(风速和海浪高度)，这是应用计算机科学与实际安全应用成功合作的范例
智能大西洋鲱鱼湾浮标联合运营委员会期待着项目的下一阶段
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
