一种基于深度学习的区域波高预报方法及终端技术

本发明专利技术公开一种基于深度学习的区域波高预报方法及终端，获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；将所述数据划分为训练数据和测试数据；利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报；将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

A method and terminal of regional wave height prediction based on deep learning

【技术实现步骤摘要】
一种基于深度学习的区域波高预报方法及终端
本专利技术涉及海洋预报领域，尤其涉及一种基于深度学习的区域波高预报方法及终端。
技术介绍
波浪高度对于海上养殖、海事搜救、海运和海洋工程等海洋活动，是十分重要的因素，同时对海上军事演习、舰队航行、海洋维权等军事行动也有非常实用的价值。一直以来，波高预报都是海洋科学中的热点和难点问题。由于波高是一种十分复杂的物理现象，其物理机制的研究尚未取得突破性进展，至今仍没有理论上严密和完善的波高预报方法。当前波高预报的方法主要有两类，一类是数值预报模型，基于波浪生成与耗散物理过程的数值模型，如SWAN、WAM、WaveWatchⅢ等。另一类是采用人工神经网络(neuralnetworks，NN)方法，利用以往的气象、波浪资料或浮标的实时或准实时数据经验建立模型，用人工智能的方式进行波高预报。数值模型要求对波浪生成的物理机制,尤其是要对影响波高各个主要因素及其运行机制有深入的了解，把各主要输入因素作为数值模型的输入项，通过计算机模拟的方式，预测未来时刻的波高,但是由于当前人们对波浪生成物理机制认识水平的限制,长期来看无法准确模拟波浪的变化。而神经网络等人工智能的方法具有较好的自适应学习和非线性映射能力，比较适合应用于波高预报中。仅有的一些区域预报的资料中，大多使用简单结构的神经网络进行区域波高预报，没有深入研究神经网络结构和波高预测之间的深层次关联，忽略了已有的波高物理机制的研究成果，没有考虑到其独特时空特性，预报效果差强人意。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于深度学习的区域波高预报方法及终端，提高区域波高预报的精度。为了解决上述技术问题，本专利技术采用的一种技术方案为：一种基于深度学习的区域波高预报方法，包括步骤：S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；S2、将所述数据划分为训练数据和测试数据；S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。为了解决上述技术问题，本专利技术采用的另一种技术方案为：一种基于深度学习的区域波高预报终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；S2、将所述数据划分为训练数据和测试数据；S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。本专利技术的有益效果在于：采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。附图说明图1为本专利技术实施例的一种基于深度学习的区域波高预报方法的步骤流程图；图2为本专利技术实施例的一种基于深度学习的区域波高预报终端的结构示意图；图3为本专利技术实施例的LSTM层的结构示意图；图4为本专利技术实施例的LSTM层中神经元细胞的内部结构示意图；标号说明：1、一种基于深度学习的区域波高预报终端；2、存储器；3、处理器。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。请参照图1，一种基于深度学习的区域波高预报方法，包括步骤：S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；S2、将所述数据划分为训练数据和测试数据；S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。从上述描述可知，本专利技术的有益效果在于：采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。进一步的，所述步骤S1和S2之间还包括步骤：对获取的数据进行预处理；所述预处理包括：当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。由上述描述可知，通过对数据的预处理，将缺失严重的数据直接剔除，对于个别时间点上缺失的数据用其前后时间点对应的数据的均值填充，保证了进行训练和测试的数据的准确性，能够进一步提高区域报告预报的精度。进一步的，所述步骤S3中LSTM层的方程如下：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo·[ht-1,xt]+bo)ht＝ot*tanh(Ct)式中，ft、it、ot分别代表遗忘门、输入门和输出门，Wf、Wi、Wo分别是遗忘门、输入门和输出门的权重参数，bf、bi、bo分别是遗忘门、输入门、输出门的偏置项，bf是计算时的偏置项，Ct-1、Ct分别是上一个时刻跟当前时刻的神经元细胞状态，ht-1、ht分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，xt表示输入数据。进一步的，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：将所述训练数本文档来自技高网...

【技术保护点】
1.一种基于深度学习的区域波高预报方法，其特征在于，包括步骤：/nS1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；/nS2、将所述数据划分为训练数据和测试数据；/nS3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；/nS4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。/n

【技术特征摘要】
1.一种基于深度学习的区域波高预报方法，其特征在于，包括步骤：
S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；
S2、将所述数据划分为训练数据和测试数据；
S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；
S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。


2.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S1和S2之间还包括步骤：
对获取的数据进行预处理；
所述预处理包括：
当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；
当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。


3.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S3中LSTM层的方程如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)






ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，ft、it、ot分别代表遗忘门、输入门和输出门，Wf、Wi、Wo分别是遗忘门、输入门和输出门的权重参数，bf、bi、bo分别是遗忘门、输入门、输出门的偏置项，bf是计算时的偏置项，Ct-1、Ct分别是上一个时刻跟当前时刻的神经元细胞状态，ht-1、ht分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，xt表示输入数据。


4.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：
将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；
将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；
根据所述第一预测值和所述第一输出数据计算损失函数flost：



式中，y为所述第一输出数据，为所述第一预测数据，n为输入数据的批次数；
根据所述损失函数flost对所述神经网络的参数进行调整，得到不同的神经网络模型。


5.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：
将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；
将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；
将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型。


6.一种基于深度学习的区域波高预报终端...

【专利技术属性】
技术研发人员：曾银东，张振昌，李雪丁，郭民权，陈金瑞，朱本璐，郑祥靖，李星，任在常，丁萍，高丽斌，
申请(专利权)人：福建省海洋预报台，福建农林大学，
类型：发明
国别省市：福建;35