基于卷积神经网络的江河涌潮预报方法技术

本发明专利技术公开了基于卷积神经网络的江河涌潮预报方法，其方法对江河涌潮数据进行预处理，采用相关分析法分析各影响因素对涌潮的影响程度，选择农历日期、气象条件、上游来水、江道地形、预报因子的前日信息影响因子作为特征向量构建特征集，采用二维卷积神经网络提取输入特征集中的有效特征，利用全连接神经网络建立江河涌潮预报模型，利用粒子群算法优化模型超参数，得到最优模型，基于提取后的影响因素特征预测江河涌潮特征信息。本发明专利技术综合考虑各种主要影响因素对江河涌潮的影响，具有较高的预报精度和可靠性，可为防潮安全管理、市民游客观潮等提供及时、准确、可靠的潮汛服务。可靠的潮汛服务。可靠的潮汛服务。

【技术实现步骤摘要】
基于卷积神经网络的江河涌潮预报方法


[0001]本专利技术涉及人工智能
，尤其涉及了基于卷积神经网络的江河涌潮预报方法。

技术介绍

[0002]市民游客观潮、防潮安全管理、水资源开发利用、交通航运及涉水工程建设等均需要精确的江河涌潮预报作为参考。但江河涌潮受天文、气象条件(风力、风向、气压等)、上游来水、江道地形等多种因素综合影响，预报难度较大。传统基于相似潮分析的经验预报方法无法精确分析风力、风向、气压等一些短期随机性因素带来的影响，预报精度不能得到保证。
[0003]现有技术(CN201610981643.8)公开了基于支持向量机的钱塘江潮时预报方法，但该方法仅考虑了天文潮、上游来水等影响因素，未考虑气象条件、江道地形等影响因素，主要影响因素考虑不够全面，预报精度也存在一定的不确定性。

技术实现思路

[0004]本专利技术针对现有经验预报方法和支持向量机预报方法未全面考虑各种影响因素对江河涌潮造成的影响，预报精度存在不确定性的问题，提供了基于卷积神经网络的江河涌潮预报方法。
[0005]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
[0006]基于卷积神经网络的江河涌潮预报方法，其方法包括：
[0007]江河涌潮数据的预处理，通过相关性分析确定江河涌潮的影响因子，并构建江河涌潮数据特征集；江河涌潮的影响因子包括农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息；
[0008]江河涌潮预报模型的建立，根据江河涌潮数据特征集训练江河涌潮预报模型；预报模型包括CNN网络和全连接网络；
[0009]江河涌潮预报模型超参数的优化，通过粒子群优化算法对模型超参数进行优化，从而确定江河涌潮预报的预测模型。
[0010]作为优选，江河涌潮数据的预处理包括：
[0011]江河涌潮历史数据样本的获取；
[0012]数据的预处理，特征集数据的归一化，根据公式1对特征集进行归一化处理；
[0013][0014]公式1中，x
′
为归一化涌潮数据；x为预处理前数据；x
max
、x
min
分别为训练集各特征量的最大值与最小值；
[0015]气象数据的预处理，其中气象数据包括风力风向，对于风力特征数据通过公式2进行处理；
[0016]w
e
＝
‑
w*sinθ公式2
[0017]公式2中，w
e
为转换后正东方向的风力，w为实测风力，θ为实测风向；
[0018]相关性分析，对江河涌潮与农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息等影响因子进行相关性分析；
[0019]特征集构建，选择农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息等影响因素作为特征向量构建特征集，作为预报模型的输入。
[0020]作为优选，江河涌潮预报模型的建立包括：
[0021]构建输入矩阵，二维卷积神经网络通常以H
×
W的三维矩阵为输入参数，其中，H高度为输入矩阵的行数，W宽度为输入矩阵的列数；
[0022]选择卷积核，对于CNN网络采用10个2
×
2的卷积核，对输入矩阵进行边缘补零；
[0023]选择激活函数，采用ReLU激活函数；
[0024]模型池化，对全局均值的输出进行池化操作；
[0025]基于全连接层建立预测模型，全连接层输入层的每个结点都与CNN输出层的所有结点相连，综合输入特征预测江河涌潮特征；卷积层输出为10
×7×
7的三维矩阵，通过将其进行扁平化处理可以得到1
×
490的一维向量作为全连接层输入；全连接层由2个隐含层组成，第一层由100个神经元组成，第二层即输出层由一个神经元组成(一个输出)，采用LINEAR激活函数。
[0026]作为优选，江河涌潮预报模型超参数的优化方法包括：
[0027]预测模型的训练，通过均方根误差RMSE作为代价函数进行模型训练；
[0028][0029]公式3中，是模型目标量的预测输出值，y是目标量的真实值；
[0030]模型参数优化算法，通过粒子群优化算法对卷积神经网络参数进行寻优；将训练样本集T分成互不相交的两个子集Ttrain和Tvalid，Ttrain用于训练模型，而Tvalid用于模型验证；以模型学习率lr、训练次数Tm、动量项beta1和beta2为变量的参数优化问题记为：min
lr,Tm,beta1,beta2
F＝RMSE(T
Valid
)。
[0031]作为优选，粒子群优化算法的方法包括：
[0032]S1，初始化参数，初始化种群规模Q，最大迭代次数J，Q个粒子位置x
i
和速度v
i
；
[0033]v
i
＝v
i
+c1×
rand()
×
(pbest
i
‑
x
i
)+c2×
rand()
×
(gbest
i
‑
x
i
)公式4
[0034]x
i
＝x
i
+v
i
公式5
[0035]式中，i＝1,2,...,N，N是粒子群的总数；v
i
是粒子的速度；rand()是介于(0,1)的随机数；x
i
是粒子的当前位置；c1，c2是学习因子，v
i
的最大值为V
max
(大于0)，且大于0；
[0036]S2，依据江河涌潮预报模型，评估每个粒子的位置；
[0037]S3，对比每个粒子的当前位置与最优位置P
best
，若当前位置优，则记录下新位置，同时更新P
best
；
[0038]S4，依据公式4和公式5计算并更新每个粒子速度和位置；
[0039]S5，迭代次数的判断，迭代次数小于J则返回至S2，否则结束。
[0040]为了解决上述技术问题，本专利技术还提供了一种电子设备，其特征在于，包括：至少
一个处理器和存储器；
[0041]所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如所述的基于卷积神经网络的江河涌潮预报方法。
[0042]为了解决上述技术问题，本专利技术还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如所述的基于卷积神经网络的江河涌潮预报方法。
[0043]本专利技术由于采用了以上技术方案，具有显著的技术效果：
[0044]本专利技术采用相关分析法分析各影响因素对江本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的江河涌潮预报方法，其方法包括：江河涌潮数据的预处理，通过相关性分析确定江河涌潮的影响因子，并构建江河涌潮数据特征集；江河涌潮的影响因子包括农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息；江河涌潮预报模型的建立，根据江河涌潮数据特征集训练江河涌潮预报模型；预报模型包括CNN网络和全连接网络；江河涌潮预报模型超参数的优化，通过粒子群优化算法对模型超参数进行优化，从而确定江河涌潮预报的预测模型。2.根据权利要求1所述的基于卷积神经网络的江河涌潮预报方法，其特征在于，江河涌潮数据的预处理包括：江河涌潮历史数据样本的获取；数据的预处理，特征集数据的归一化，根据公式1对特征集进行归一化处理；公式1中，x
′
为归一化涌潮数据；x为预处理前数据；x
max
、x
min
分别为训练集各特征量的最大值与最小值；气象数据的预处理，气象数据包括风力风向，对风力特征数据通过公式2进行处理；w
e
＝
‑
w*sinθ公式2公式2中，w
e
为转换后正东方向的风力，w为实测风力，θ为实测风向；相关性分析，对江河涌潮与农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息等影响因子进行相关性分析；特征集的构建，选择农历日期、气象条件、上游来水、江道地形、涌潮预报因子的前日信息影响因子作为特征向量构建特征集，作为预报模型的输入。3.根据权利要求1所述的基于卷积神经网络的江河涌潮预报方法，其特征在于，江河涌潮预报模型的建立包括：构建输入矩阵，二维卷积神经网络通常以H
×
W的三维矩阵为输入参数，其中，H高度为输入矩阵的行数，W宽度为输入矩阵的列数；选择卷积核，对于CNN网络采用10个2
×
2的卷积核，对输入矩阵进行边缘补零；选择激活函数，采用ReLU激活函数；模型池化，对全局均值的输出进行池化操作；基于全连接层建立预测模型，全连接层输入层的每个结点都与CNN输出层的所有结点相连，综合输入特征预测江河涌潮特征；卷积层输出为10
×7×
7的三维矩阵，通过将其进行扁平化处理可以得到1
×
490的一维向量作为全连接层输入；全连接层由2个隐含层组成，第一层由100个神经元组成，第二层即输出层由一个神经元组成一个输出，采用LINEAR激活函数。4.根据权利要求1所述的基于卷积神经网络的江河涌潮预报方法，其特征在于，江河涌潮预报模型超参数的优化方法包括：预测模型的训练，通过均方根误差RMS...

【专利技术属性】
技术研发人员：姬战生，张振林，王玉明，陈金浩，章国稳，杨云，王英英，黄薇，聂阳，薛庆云，王天华，
申请(专利权)人：杭州市水文水资源监测中心，
类型：发明
国别省市：