1.一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，包括以下步骤：步骤s1：在船舶上安装船舶自动识别系统和油位传感器，采集船舶航行静态数据、动态数据和油耗数据；

步骤s2：将船舶航行动态数据和油耗数据作为有效样本数据，进行第一次神经网络模型训练；

步骤s3：结合神经网络模型和油耗数据，设定油耗阈值，若实际油耗超过油耗阈值，则判断船舶油耗异常，反之，则重复本步骤；

步骤s4：结合油耗数据和油耗异常数据，进行第二次神经网络模型训练，对船舶航行油耗进行有效预测；

将步骤s2的第一个神经网络模型和步骤s4的第二个神经网络模型结合，若两个神经网络模型存在差异，则取两个值的平均值作为新的值，创建新的神经网络模型，根据新的神经网络模型预测航行油耗数据；

所述步骤s4中，在进行第二次神经网络模型训练前，对油耗异常数据进行数据修复或剔除，比较油耗异常数据和第一次神经网络的输出值油耗预测值大小，若油耗异常数据大于第一次神经网络的输出值油耗预测值，则将该数据进行剔除，否则对该油耗异常数据进行修复；

对油耗异常数据进行修复时，其修复方法为：判断异常数据相邻数据是否为正常数据，若相邻数据为正常数据，则将异常数据用相邻数据的均值代替；若相邻数据存在异常数据，则判断下一相邻数据，直到相邻数据为正常数据，取前后正常数据的平方差值作为中间异常数据的值，其后取该平方差值与前后正常数据的均值作为其他异常数据的值。

2.根据权利要求1所述的一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，所述步骤s1中，采集的船舶航行动态数据包括天气、气压、温度、风级和浪级，对天气、气压、温度、风级和浪级进行等级分级，结合油耗数据建立船舶油耗二维决策表，根据船舶油耗二维决策表计算影响船舶油耗的因素重要程度。

3.根据权利要求1或2所述的一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，所述船舶航行动态数据的采集方法包括以下步骤：A）采集并上传船舶航行动态信息和船舶每日的油耗量；

B）根据影响船舶油耗的因素重要程度进行船舶耗油量关联度计算；

C）设定油耗关联度阈值，剔除低于油耗关联度阈值的航行动态信息，将剩余的航行动态信息作为后续船舶航行动态数据采集。

4.根据权利要求1所述的一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，所述步骤s2中，采样s型激励函数的BP神经网络进行第一次神经网络模型训练，用BP神经网络进行第一次神经网络模型训练时执行以下步骤：a）输入有效样本数据和目标输出值；

b）设定隐含层数目和输出层数目；

c）计算目标值以及偏移量Y，判断Y是否在允许范围内，若在允许范围内，则训练结束，输出权值和油耗预测值；否则计算隐含层误差值，根据梯度下降法，进行权值更新，重复本步骤。

5.根据权利要求3所述的一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，所述步骤B）中的关联度计算采用灰色关联度算法，采用灰色关联度算法计算关联度时执行以下步骤：A1）通过初值化法对影响船舶油耗的因素重要程度数据进行无量纲化处理；

B1）将处理后的数据进行归一化处理；

C1）将归一化后的数据进行差值运算；

D1）根据差值计算关联系数。

6.根据权利要求1所述的一种基于船舶传感网的船舶油耗数据预测方法，其特征在于，所述步骤s4中，采用Hopfield人工神经网络进行第二次神经网络模型训练，Hopfield人工神经网络进行第二次神经网络模型训练时执行以下步骤：步骤s41：搭建神经网络模型；

步骤s42：计算能量函数；

步骤s43：设定神经网络输入层、隐含层和输出层数目，设定神经网络迭代上限；

步骤s44：根据能量函数进行神经网络迭代训练，若达到迭代上限或者已经找到全局收敛最小值，则输出收敛系数和油耗预测走势图，否则，重复本步骤。