一种风速时空预测网络的训练方法、应用方法及电子设备技术

本发明专利技术涉及一种风速时空预测网络的训练方法、应用方法及电子设备，包括：获取包含标注信息的风速训练样本集，其中，标注信息包括所述风速训练样本集中的每个当前风速时空序列在未来时刻的不同区域的实际未来风速序列；将风速训练样本集输入至构建的风速时空预测网络，确定预测未来风速序列，并根据实际未来风速序列和预测未来风速序列确定损失函数，其中，风速时空预测网络包括多个由长短期记忆结构和卷积结构构成的卷积时序模块；根据损失函数的值调整风速时空预测网络的参数至满足收敛条件，确定训练完备的风速时空预测网络。本发明专利技术构造高分辨率输入矩阵和相同分辨率输出矩阵的映射，以获得准确的多站点预测结果。以获得准确的多站点预测结果。以获得准确的多站点预测结果。

【技术实现步骤摘要】
一种风速时空预测网络的训练方法、应用方法及电子设备


[0001]本专利技术风速预测
，尤其涉及一种风速时空预测网络的训练方法、应用方法及电子设备。

技术介绍

[0002]随着水运需求的不断提升，人们对海上航行的安全、经济、绿色标准有了更高的要求。水文气象条件对船舶安全有着重大影响,因此如何综合考虑水文气象条件，为船舶规划安全可靠、经济绿色的航线，以此来保障航运业的健康快速发展成为了如今水上交通运输业研究的热点之一。船舶在海上航行时，会受到各种水文气象要素的影响，而风速预测是远洋船舶气象水文保障的重要组成部分。准确的水文气象要素的预报既能保证船舶航行安全，又能尽量节省航时和燃油，能为远洋客船的正常运营提供保障。
[0003]在海风、海浪、洋流三大影响航行的气象水文要素中，海风具有非线性、不确定性、高波动性特征和复杂的频率特性，预报难度较大。目前，国内外多数风速预测研究都建立在单个地点上，对区域风速研究还比较少。由于时空预测输出数据量较大，难以解析深层特征；且有些方法采用了像素级预测，但其不能从全局图像表示中直接预测，同样不能达到准确预测的目的。因此，如何进行准确、高效且快速的风速时空预测是亟待解决的问题。

技术实现思路

[0004]有鉴于此，有必要提供一种风速时空预测网络的训练方法、应用方法及电子设备，用以克服现有技术中难以对区域内的风速进行预测的问题。
[0005]为了解决上述技术问题，本专利技术提供一种风速时空预测网络的训练方法，包括：
[0006]获取包含标注信息的风速训练样本集，其中，所述标注信息包括所述风速训练样本集中的每个当前风速时空序列在未来时刻的不同区域的实际未来风速序列；
[0007]将所述风速训练样本集输入至构建的风速时空预测网络，确定预测未来风速序列，并根据所述实际未来风速序列和所述预测未来风速序列确定损失函数，其中，所述风速时空预测网络包括多个由长短期记忆结构和卷积结构构成的卷积时序模块；
[0008]根据所述损失函数的值调整所述风速时空预测网络的参数至满足收敛条件，确定训练完备的风速时空预测网络。
[0009]进一步地，所述构建的风速时空预测网络包括编码器和解码器，其中，所述编码器和所述解码器分别包括依次连接的多个所述卷积时序模块。
[0010]进一步地，所述编码器包括依次连接的第一时序卷积层至第六时序卷积层，其中，所述第一时序卷积层、第三时序卷积层和第五时序卷积层分别包括依次连接的所述卷积时序模块和激活模块，第二时序卷积层、第四时序卷积层和第六时序卷积层分别包括依次连接的所述卷积时序模块和归一化模块。
[0011]进一步地，所述解码器包括依次连接的第七时序卷积层至第十二时序卷积层，其中，所述第七时序卷积层、第九时序卷积层和第十一时序卷积层分别包括依次连接的所述
卷积时序模块和归一化模块，第八时序卷积层、第十时序卷积层分别包括依次连接的所述卷积时序模块和激活模块，所述第十二时序卷积层包括两个依次连接的所述卷积时序模块和激活模块。
[0012]进一步地，所述当前风速时空序列通过如下公式表示：
[0013]X
1：k
＝{x1，x2，...，x
k
}∈R
M
×
N
×
k
[0014]其中，x
k
表示在(i,j)地点的风速在第k时刻的观测值，通过如下公式表示：
[0015][0016]其中，i表示经度，j表示纬度，M表示经度i的总数目，N表示纬度j的总数目。
[0017]进一步地，所述卷积时序模块通过如下公式表示：
[0018][0019][0020][0021][0022][0023]其中，i表示输入门，f表示遗忘门，表示控制单元，o表示输出门，W
xi
、W
hi
、W
ci
、W
xf
、W
hf
、W
cf
、W
xc
、W
hc
、W
xo
、W
co
、 W
co
皆为权值矩阵，*表示卷积算子，o表示哈达玛乘积，σ(
·
)表示激活函数，表示t时刻神经元的输入、C
t
‑1、Ct分别表示t
‑
1时刻、t 时刻神经元的信息状态、H
t
‑1、表示t
‑
1时刻、t时刻向下一层传递的信息状态，o
t
表示输出门中的门控信息，b
i
、b
f
、b
c
和b
o
分别表示输入门、遗忘门、控制单元和输出门对应的偏移函数。
[0024]进一步地，所述卷积时序模块将当前时刻神经元的输入和上一时刻神经元的输出在进行向量乘法之后，直接将得到的乘法信息传输到输入门、遗忘门、控制单元和输出门，并在各个门的输入之前加入了窥视连接。
[0025]进一步地，所述卷积时序模块将向量的乘积操作，换成了矩阵的卷积操作，实现样本行和样本列的空间信息的获取所述卷积时序模块将向量的乘积操作，换成了矩阵的卷积操作，实现样本行和样本列的空间信息的获取。
[0026]本专利技术还提供一种风速时空预测网络的应用方法，包括：
[0027]获取待测的当前风速时空序列；
[0028]将所述待测的当前风速时空序列输入至训练完备的风速时空预测网络，确定预测未来风速序列，其中，所述训练完备的风速时空预测网络根据如上所述的风速时空预测网络的训练方法确定。
[0029]本专利技术还提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现根据如上所述的风速时空预测网络的训练方法，和/或根据如上所述的风速时空预测网络的应用方法。
[0030]与现有技术相比，本专利技术的有益效果包括：首先，对风速训练样本集进行有效的获取，利用多个时间段不同经纬度的海域风速数据来预测未来时间段不同经纬度的海域风速；然后，基于风速时空预测网络，利用多个由长短期记忆结构和卷积结构构成的卷积时序模块，结合CNN卷积网络和LSTM长短时记忆结构的优点，更好地进行像素级的精确输出，有效提取了时间信息特征，并充分考虑了空间相关性；最后，根据损失函数，对于整个网络进行训练，实现精确的像素级空间输出，更好地捕捉全球空间信息并映射到所需的多位置输出，在保证像素级区域风速输出的同时能够进行多步预测，并且可以从不同的预测时刻学习样本，实现准确的时空预测。综上，本专利技术构造高分辨率输入矩阵和相同分辨率输出矩阵的映射，有效挖掘数据中的有效信息，自动捕获隐藏的线性及非线性特征，还可以高效处理大规模时空序列数据，以获得准确的多站点预测结果，不仅可以实现海域的多站点、多步长预测，可以从前若干小时预测未来若干小时，而且在该步长下的时间和空间预测可以保持较低的误差值。此专利技术在远洋船舶气象水文本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风速时空预测网络的训练方法，其特征在于，包括：获取包含标注信息的风速训练样本集，其中，所述标注信息包括所述风速训练样本集中的每个当前风速时空序列在未来时刻的不同区域的实际未来风速序列；将所述风速训练样本集输入至构建的风速时空预测网络，确定预测未来风速序列，并根据所述实际未来风速序列和所述预测未来风速序列确定损失函数，其中，所述风速时空预测网络包括多个由长短期记忆结构和卷积结构构成的卷积时序模块；根据所述损失函数的值调整所述风速时空预测网络的参数至满足收敛条件，确定训练完备的风速时空预测网络。2.根据权利要求1所述的风速时空预测网络的训练方法，其特征在于，所述构建的风速时空预测网络包括编码器和解码器，其中，所述编码器和所述解码器分别包括依次连接的多个所述卷积时序模块。3.根据权利要求2所述的风速时空预测网络的训练方法，其特征在于，所述编码器包括依次连接的第一时序卷积层至第六时序卷积层，其中，所述第一时序卷积层、第三时序卷积层和第五时序卷积层分别包括依次连接的所述卷积时序模块和激活模块，第二时序卷积层、第四时序卷积层和第六时序卷积层分别包括依次连接的所述卷积时序模块和归一化模块。4.根据权利要求2所述的风速时空预测网络的训练方法，其特征在于，所述解码器包括依次连接的第七时序卷积层至第十二时序卷积层，其中，所述第七时序卷积层、第九时序卷积层和第十一时序卷积层分别包括依次连接的所述卷积时序模块和归一化模块，第八时序卷积层、第十时序卷积层分别包括依次连接的所述卷积时序模块和激活模块，所述第十二时序卷积层包括两个依次连接的所述卷积时序模块和激活模块。5.根据权利要求1所述的风速时空预测网络的训练方法，其特征在于，所述当前风速时空序列通过如下公式表示：X
1：k
＝{x1，x2，...，x
k
}∈R
M
×
N
×
k
其中，x
k
表示在(i,j)地点的风速在第k时刻的观测值，通过如下公式表示：其中，i表示经度，j表示纬度，M表示经度i的总数目，N表示纬度j的总数目，R表示实数。6.根据权利要求1所述的风速时空预测网络的训练方法，其特征在于，所述卷积时序模块通过如下公式表示：块通过如下公式表示：块通过如下公式表示：块通过如下公式表...

【专利技术属性】
技术研发人员：张华军，孙幼军，苏义鑫，张丹红，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：