【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。