Forskere udvikler maskinlæringsmodel, der understøtter sikker og præcis beslutningstagning for Halifax Havn

Forskere ved Dalhousie og havdataanalyser innovationsmiljø DeepSense har udviklet en machine learning -metode til at forudsige målinger af vindhastighed og bølgehøjde. Sådanne målinger understøtter sikker og mere præcis beslutningstagning fra Halifax Havnevæsen og Halifax Marine Pilots.

Resultater offentliggjort i Journal for Ocean Technology demonstrere, hvordan teamet brugte data fra smarte bøjer til at give forudsigelser til brug i perioder med planlagt bøjevedligeholdelse og/eller spontane sensorfejl. Disse forudsigelser vil være værdifulde for havnesamfundet ved at levere kontinuitet af kritisk information, der bruges til sikker navigation af skibe inden for Halifax Havn og sikker overførsel af Halifax Marine Pilots mellem pilotbåde og erhvervsfartøjer.

DeepSense/SmartAtlantic -projektet er et samarbejde mellem Center for Ocean Ventures and Entrepreneurship (COVE), DeepSense, Halifax Port Authority (HPA) og Canadian Marine Pilots 'Association (CMPA).

Baseret på fakultetet for datalogi med finansiering og støtte fra Atlantic Canada Opportunities Agency (ACOA), provinsen Nova Scotia, Ocean Frontier Institute (OFI) og IBM, DeepSense driver vækst i havøkonomien gennem kunstig intelligens, maskinlæring og big data anvendt forskning.

At lave forudsigelser

Initieret af COVE med partnere på HPA og CMPA, projektet havde til formål at levere et yderst præcist ekstra redundansniveau for SmartAtlantic Herring Cove Booy.

"Smart Buoy -platformen er vært for flere havsensorer og genererer raffinerede prognoser, der er blevet en afgørende ressource for marine brugere, der kommer ind i Halifax Havn, "siger Melanie Nadeau, CEO for COVE. "Med tilføjelsen af ​​DeepSense og deres evne til at bruge data indsamlet i løbet af de sidste 7 år, vi har en vej frem til at levere sømløs information til havindustrien. "

Chris Whidden, adjunkt ved fakultetet for datalogi, ledet forskergruppen tilknyttet projektet med støtte fra Master of Applied Computer Science -studerende Jesuseyi Fasuyi.

"Problemet er, at hvis der ikke er tilgængelige sensordata fra smarte bøjer, vi er ved at gætte, om det er sikkert at overføre piloter til store rederier og krydstogtskibe for at guide dem ind i Halifax Havn, "siger Dr. Whidden.

"Vi tog de vigtigste forudsigelige variabler for vindhastighed og bølgehøjde, og data relateret til disse variabler indsamlet af andre smarte bøjer og landstationer, at tænke på, hvordan vi kan bruge maskinlæring til at forudsige omkring denne aktivitet for bøje ved Herring Cove. Det er nyt, da ingen andre ser ud til at komme med forudsigelser som denne fra kun en eller to udskiftningssensorer. "

Maskinlæring bruges normalt til at identificere mønstre i data og bruge dette til at foretage automatiske forudsigelser eller beslutninger.

"Der er mange, mange forskellige maskinlæringsmodeller, og vi måtte beslutte, hvilken vi skulle koncentrere os om, "forklarer Dr. Whidden." Vi endte med at se på tre:tilfældige skove, understøtte vektormaskiner og en neural netværksmodel. De er en slags eksempler på denne opgave. Så tilfældige skove og understøttelsesvektormaskiner er mere ældre maskinlæringsmodeller, som har en tendens til at fungere rigtig godt, især i tilfælde, hvor du ikke har mange data. Og så er neurale netværk slags brød og smør af dyb læring. Til sidst, den tilfældige skovmodel klarede sig bedst med, gennemsnitlig, en fejl på kun 0,17 meter for bølgehøjder. "

Fremtidige muligheder

Forskere begyndte at undersøge aspekter som sæsonbetingelser og ekstreme vejrforhold, og indledende fund har åbnet fremtidige muligheder for projektet med teamet, der nu ser frem til fase to med Master of Computer Science -studerende Amruth Kuppili, der ønsker at bedre forstå sæsonmæssige afvigelser og fortsætte udvikling af en ramme, der muliggør et fremtidigt live data- og forudsigelsesdashboard.

"Den smarte bøje, da den første gang blev indsat den 7. november, 2013, gjort det muligt at forbedre driftssikkerheden, sikkerhed og effektivitet uden at ændre eksisterende infrastruktur, "siger kaptajn Adam Parsons, havnefoged for Halifax havnemyndighed. "At have det på plads har givet os alle i havnesamfundet - operatører, afsendere og marine piloter - med værdifuld information, som vi er kommet til at stole på. At tage innovative skridt til at udfylde disse huller i perioder med vedligeholdelse eller sensorproblemer er noget, vi alle sætter pris på og glæder os over. "

Kaptajn Andrew Rae, næstformand for Atlanterhavet, Canadian Marine Pilots 'Association og formand, Fælles driftsudvalg for Smart Atlantic Herring Cove Booy, gentager denne optimisme omkring projektets virkninger.

"DeepSenses banebrydende anvendelse af maskinlæring til præcist at forudsige to af met-ocean datasæt (vindhastighed og bølgehøjder) indsamlet af SmartAtlantic 3-meter ODAS-bøje, der ligger fortøjet i nærheden af ​​Herring Cove, eksemplificerer den vellykkede partnering af anvendt datalogi til en praktisk sikkerhedsapplikation. Det fælles driftsudvalg i SmartAtlantic Herring Cove Booy ser frem til næste fase af projektet. "