Forskare vid Dalhousie och havsdataanalys innovationsmiljö DeepSense har utvecklat en maskininlärningsmetod för att förutsäga vindhastighets- och våghöjdsmätningar. Sådana mätningar stöder ett säkert och mer exakt beslutsfattande av Halifax hamnmyndighet och Halifax marina piloter.

Resultat publicerade i Journal for Ocean Technology demonstrera hur teamet använde data från smarta bojar för att ge förutsägelser för användning under perioder med planerat bojunderhåll och/eller spontana sensorfel. Dessa förutsägelser kommer att vara värdefulla för hamnsamhället för att tillhandahålla kontinuitet i kritisk information som används vid säker navigering av fartyg i Halifax hamn och säker överföring av Halifax marina piloter mellan pilotbåtar och kommersiella fartyg.

DeepSense/SmartAtlantic -projektet är ett samarbete mellan Center for Ocean Ventures and Entrepreneurship (COVE), DeepSense, Halifax Port Authority (HPA) och Canadian Marine Pilots 'Association (CMPA).

Baserat på fakulteten för datavetenskap med finansiering och stöd från Atlantic Canada Opportunities Agency (ACOA), provinsen Nova Scotia, Ocean Frontier Institute (OFI) och IBM, DeepSense driver tillväxten i havsekonomin genom artificiell intelligens, maskininlärning och tillämpad forskning med stor data.

Förutsäga

Initierad av COVE med partners vid HPA och CMPA, projektet syftade till att ge en mycket exakt ytterligare redundansnivå för SmartAtlantic Herring Cove Booy.

"Smart Buoy -plattformen är värd för flera havssensorer och genererar förfinade prognoser som har blivit en avgörande resurs för marina användare som går in i Halifax hamn, säger Melanie Nadeau, VD för COVE. "Med tillägget av DeepSense och deras förmåga att använda data som samlats in under de senaste sju åren, Vi har en väg framåt för att tillhandahålla sömlös information till marinindustrin. "

Chris Whidden, biträdande professor vid fakulteten för datavetenskap, ledde forskargruppen som var associerad med projektet med stöd av Master of Applied Computer Science -studenten Jesuseyi Fasuyi.

"Problemet är att om levande sensordata inte är tillgängliga från smarta bojar, vi får gissa om det är säkert att överföra piloter till stora fartyg och kryssningsfartyg för att leda dem in i Halifax hamn, "säger Dr Whidden.

"Vi tog de viktigaste prediktiva variablerna för vindhastighet och våghöjd, och data relaterade till dessa variabler som samlats in av andra smarta bojar och landstationer, att tänka på hur vi kan använda maskininlärning för att göra förutsägelser kring denna aktivitet för bojen vid Herring Cove. Det är nytt eftersom ingen annan verkar göra förutsägelser som detta från bara en eller två ersättningsgivare. "

Maskininlärning används vanligtvis för att identifiera mönster i data och använda detta för att göra automatiska förutsägelser eller beslut.

"Det är många, många olika maskininlärningsmodeller och vi var tvungna att bestämma vilken vi skulle koncentrera oss på, "förklarar Dr Whidden." Vi slutade titta på tre:slumpmässiga skogar, stödja vektormaskiner och en neural nätverksmodell. De är typiska exemplar för den här uppgiften. Så slumpmässiga skogar och stödvektormaskiner är mer äldre modeller för maskininlärning, som brukar fungera riktigt bra, särskilt i fall där du inte har mycket data. Och då är neurala nätverk typ av djupinlärningens bröd och smör. I slutet, slumpmässig skogsmodell presterade bäst med, i genomsnitt, ett fel på endast 0,17 meter för våghöjder. "

Framtida möjligheter

Forskare började utforska aspekter som säsongsmässighet och extrema väderförhållanden och första fynd har öppnat framtida möjligheter för projektet med teamet som nu ser fram emot fas två med Master of Computer Science -studenten Amruth Kuppili som vill bättre förstå säsongsvariationer och fortsätta utveckling av ett ramverk för att möjliggöra framtida live data och förutsägelse instrumentpanel.

"Den smarta bojen, när den först distribuerades den 7 november, 2013, gjort det möjligt att förbättra driftssäkerheten, säkerhet och effektivitet utan att ändra befintlig infrastruktur, säger kapten Adam Parsons, hamnbefälhavare för Halifax hamnmyndighet. "Att ha det på plats har gett oss alla i hamnsamhället - operatörer, avsändare och marina piloter - med värdefull information som vi har förlitat oss på. Att ta innovativa steg för att fylla i dessa luckor under underhålls- eller sensorproblem är något vi alla uppskattar och välkomnar. "

Kapten Andrew Rae, vice ordförande i Atlanten, Canadian Marine Pilots 'Association och ordförande, Gemensam driftskommitté för Smart Atlantic Herring Cove Booy, upprepar denna optimism kring projektets effekter.

"DeepSenses banbrytande tillämpning av maskininlärning för att exakt förutse två av met-ocean-datamängderna (vindhastighet och våghöjder) som samlats in av SmartAtlantic 3-meters ODAS-boj förtöjd i närheten av Herring Cove, exemplifierar den framgångsrika samarbetet mellan tillämpad datavetenskap och en praktisk säkerhetsapplikation. Den gemensamma driftskommittén för SmartAtlantic Herring Cove Buoy ser fram emot nästa fas av projektet. "