CN106403908A - 基于时间序列的水深预测方法和系统 - Google Patents
基于时间序列的水深预测方法和系统 Download PDFInfo
- Publication number
- CN106403908A CN106403908A CN201610768591.6A CN201610768591A CN106403908A CN 106403908 A CN106403908 A CN 106403908A CN 201610768591 A CN201610768591 A CN 201610768591A CN 106403908 A CN106403908 A CN 106403908A
- Authority
- CN
- China
- Prior art keywords
- water depth
- prediction
- target location
- measurement
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于时间序列的水深预测方法和系统,首先得将多次测量的水深点通过合适的方法映射到同一个位置上,再进行之后的计算。根据同一位置上不同时期的测量值,我们就可以应用时间序列中的加权平均法以及机器学习的梯度下降来对该位置上未来的水深值进行预测。本发明解决了水深测量单位提供的多次测量数据之间位置不重叠的问题。通过测量点之间的距离关系将测量点映射到同一位置进行后续计算,并通过时间序列方法给出未来水深简单而有效的预测。
Description
技术领域
本发明涉及水深预测领域,具体地,涉及基于时间序列的水深预测方法和系统。尤其涉及一种借助机器学习领域的相关算法进行实现的基于时间序列的水深预测方法。
背景技术
基于时间序列和机器学习的预测方法主要作用是可以提前对事态未来发展方向有一个准确或者大概的判断,并提前做出准备或应对措施,以创造出巨大的收益或减小风险造成的损失。基于时间序列的预测方法已是现代互联网信息爆炸时代不可或缺的技术,如果能提取出隐藏在大量数据后的信息,那么能得到的收益将是巨大的。此类预测方法目前已广泛在电子商务、金融行业、统计行业中广泛应用,一个优秀的预测方法是所有公司都渴求的。随着学术界和工业界关注度的持续走高,越来越多的预测方法将在不同的领域得到广泛的应用。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于时间序列的水深预测方法。目前因为港口附近水深变化受多重因素的影响,如水文、泥沙情况、气象因素等,如何收集此类因素的数据并进行量化也是一个相对困难的课题,一个准确的水深预测系统更是难上加难。此外,测量单位每次得到的水深测量点的位置也有一定的偏移。本发明提出的系统解决了水深测量点位置不重叠的问题,并通过已经成熟的时间序列方法来对水深进行简单有效的预测。
根据本发明提供的一种基于时间序列的水深预测方法,包括:
映射步骤:将多次测量的水深点映射到同一个目标位置上;
预测步骤:根据该目标位置上不同时期的测量值,对该目标位置上未来的水深值进行预测
优选地,在预测步骤中,应用时间序列中的加权平均法和/或机器学习的梯度下降来对该位置上未来的水深值进行预测。
优选地,在所述映射步骤中,
其中,H′i表示第i个目标位置的最终测量估计值,Hj表示第j个测量位置上的测量值,Di,j表示第i个目标位置和第j个测量位置之间的距离,Di,k表示第i个目标位置和第k个测量位置之间的距离。
优选地,在所述预测步骤中,选定数量为n的多个时期,取最近n时期数据测量值的加权平均值作为目标的预测值,计算公式为:
Mt+1=αtYt+αt-1Yt-1+...+αt-n-1Yt-n-1
其中,Yt为第t时期的观测值,Mt+1为第t+1时期预测值,αt为第t时期的权值,并且
根据本发明提供的一种基于时间序列的水深预测系统,包括:
映射装置:将多次测量的水深点映射到同一个目标位置上;
预测装置:根据该目标位置上不同时期的测量值,对该目标位置上未来的水深值进行预测
优选地,在预测装置中,应用时间序列中的加权平均法和/或机器学习的梯度下降来对该位置上未来的水深值进行预测。
优选地,在所述映射装置中,
其中,H′i表示第i个目标位置的最终测量估计值,Hj表示第j个测量位置上的测量值,Di,j表示第i个目标位置和第j个测量位置之间的距离,Di,k表示第i个目标位置和第k个测量位置之间的距离。
优选地,在所述预测装置中,选定数量为n的多个时期,取最近n时期数据测量值的加权平均值作为目标的预测值,计算公式为:
Mt+1=αtYt+αt-1Yt-1+...+αt-n-1Yt-n-1
其中,Yt为第t时期的观测值,Mt+1为第t+1时期预测值,αt为第t时期的权值,并且
与现有技术相比,本发明具有如下的有益效果:
本发明解决了水深测量单位提供的多次测量数据之间位置不重叠的问题。通过测量点之间的距离关系将测量点映射到同一位置进行后续计算,并通过时间序列方法给出未来水深简单而有效的预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为两个时期的水深测量图。
图2为水深测量值迁移图。
图3为预测算法流程图。
图4为本发明提供的方法的步骤流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
现代预测系统一般通过分析历史数据和各类影响因子来进行未来值的预测。本发明舍弃了难以量化以及估算的水文、泥沙情况、气象等因素,专注于水深值的历史数据进行分析。通常测量单位给出的水深测量点每次都是变动的,因此本发明首先将不同时期的测量点通过距离函数映射到同一位置,距离越近,测量点对映射后的最终值影响越大,反之则越小。之后通过时间序列的加权移动平均法对未来水深进行预测,并通过机器学习的梯度下降方法对各时期的水深权重值进行选取。
具体地,本发明提供的基于时间序列的水深预测方法能够适用于港口码头附近的水深预测。港口码头附近的水深值受许多因素的影响:如气温、风力、风向、台风等气象特征,潮位、海流、波浪等水文特征,环境泥沙和底质泥沙分布等特征。再加上这些因素之间复杂的作用关系,以及一些随机因素的原因,从而使人们一直难以建立反映港口淤积变化的数学公式。此外,如何有效地将上述因素量化也是相当困难的课题。
由于上述这些因素对水深影响的不确定性,本发明规避了这些繁琐的因素,选择针对比较容易处理并且对结果影响最直接显著的历史水深数据进行分析,通过对历年的变化趋势进行时间序列分析来对未来进行预测。相比于普通的时间序列方法,对于港口码头区域的水深预测有其区域性的特点。普通的时间序列法,如对某支股票的预测,是单点的预测,而对一块区域内水深的预测,是平面的预测。该区域中包含了几千甚至几万的测量点,并且由于测量点很多时候是由测量船通过固定距离间隔测量所得,所以每次得到的测量点位置并不一致,尽管各点之间相差不大,但在测量周期较小时,对结果的影响仍然不能忽视,尤其是在水深出现变化的区域内,影响尤其显著。因此,我们首先得将多次测量的水深点通过合适的方法映射到同一个位置上,再进行之后的计算。根据同一位置上不同时期的测量值,我们就可以应用时间序列中的加权平均法以及机器学习的梯度下降来对该位置上未来的水深值进行预测。
更为具体地,在港口码头的水深测量工作中,测量单位每次得到的水深测量值所在的位置并不是重叠的,如图1所示,空心的水深点表示第一次测量点的位置,实心的水深点表示第二次测量点的位置。简单地将最近的两个测量点直接进行比较明显会造成较大的误差,这里我们首先需要将多次的测量点的位置投影到同一个点上进行比较。主要思想就是计算需要投影到的目标位置最终的水深值时将同时参考周围多个测量点的数值,并根据距离的远近来决定影响的权重因子。如图2所示,在规定区域内(指定半径的圆内),所有实心的测量点的测量值都会影响目标位置(图2中空心的测量点)的最终值。下式给出了具体的计算方法:
式中,H′i表示第i个目标位置的最终测量估计值,Hj表示测量单位提供的第j个测量位置上的测量值,Di,j表示第i个目标位置和第j个测量位置之间的距离,Di,k表示第i个目标位置和第k个测量位置之间的距离。这样,我们就可以将不同时间的测量值映射到同一个位置进行比较以及预测。i、j、k均为正整数,且j可以等于k或者j不等于k。
之后,我们选择时间序列的加权移动平均方法来进行未来水深值的预测。时间序列的加权移动平均方法是移动平均的拓展,它通过选定一个数量为n的多个时期,取最近n期数据测量值的加权平均值作为目标的预测值。计算公式为:
Mt+1=αtYt+αt-1Yt-1+...+αt-n-1Yt-n-1
其中,Yt为第t时期的观测值,Mt+1为第t+1时期预测值,αt为第t时期的权值,并且
加权移动平均可以突出更具代表性的观测值在结果中所占的比例,例如增大第t时期的观测值的权重,使得第t+1时期的观测值更倾向于第t时期的观测值。至于如何选取权值,一种方法即人为设定权重值,使得越靠近当前日期的测量值分到的权重越大,这也符合水深变化趋势平滑性的客观事实。另一种方法则是可以应用机器学习中常用到的梯度下降和交叉验证。主要步骤如图3所示,它将数据分为训练数据和测试数据,通过测试数据来验证当前所选权重的好坏,并进行调整。交叉验证的使用可以避免“过拟合”情况的发生,即避免对已知数据的预测效果显著而对未知数据的预测准确率低的情况。
时间序列方法虽然没有考虑其他影响港口水深的多种因素,如气象、水文、环境泥沙等。但实践证明时间序列预测方法在该领域因其简单有效性仍然有着显著的借鉴意义。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于时间序列的水深预测方法,其特征在于,包括:
映射步骤:将多次测量的水深点映射到同一个目标位置上;
预测步骤:根据该目标位置上不同时期的测量值,对该目标位置上未来的水深值进行预测。
2.根据权利要求1所述的基于时间序列的水深预测方法,其特征在于,在预测步骤中,应用时间序列中的加权平均法和/或机器学习的梯度下降来对该位置上未来的水深值进行预测。
3.根据权利要求1所述的基于时间序列的水深预测方法,其特征在于,在所述映射步骤中,
其中,H′i表示第i个目标位置的最终测量估计值,Hj表示第j个测量位置上的测量值,Di,j表示第i个目标位置和第j个测量位置之间的距离,Di,k表示第i个目标位置和第k个测量位置之间的距离。
4.根据权利要求1所述的基于时间序列的水深预测方法,其特征在于,在所述预测步骤中,选定数量为n的多个时期,取最近n时期数据测量值的加权平均值作为目标的预测值,计算公式为:
Mt+1=αtYt+αt-1Yt-1+...+αt-n-1Yt-n-1
其中,Yt为第t时期的观测值,Mt+1为第t+1时期预测值,αt为第t时期的权值,并且
5.一种基于时间序列的水深预测系统,其特征在于,包括:
映射装置:将多次测量的水深点映射到同一个目标位置上;
预测装置:根据该目标位置上不同时期的测量值,对该目标位置上未来的水深值进行预测。
6.根据权利要求1所述的基于时间序列的水深预测系统,其特征在于,在预测装置中,应用时间序列中的加权平均法和/或机器学习的梯度下降来对该位置上未来的水深值进行预测。
7.根据权利要求1所述的基于时间序列的水深预测系统,其特征在于,在所述映射装置中,
其中,H′i表示第i个目标位置的最终测量估计值,Hj表示第j个测量位置上的测量值,Di,j表示第i个目标位置和第j个测量位置之间的距离,Di,k表示第i个目标位置和第k个测量位置之间的距离。
8.根据权利要求1所述的基于时间序列的水深预测系统,其特征在于,在所述预测装置中,选定数量为n的多个时期,取最近n时期数据测量值的加权平均值作为目标的预测值,计算公式为:
Mt+1=αtYt+αt-1Yt-1+...+αt-n-1Yt-n-1
其中,Yt为第t时期的观测值,Mt+1为第t+1时期预测值,αt为第t时期的权值,并且
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610768591.6A CN106403908B (zh) | 2016-08-29 | 2016-08-29 | 基于时间序列的水深预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610768591.6A CN106403908B (zh) | 2016-08-29 | 2016-08-29 | 基于时间序列的水深预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106403908A true CN106403908A (zh) | 2017-02-15 |
CN106403908B CN106403908B (zh) | 2019-10-08 |
Family
ID=58003642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610768591.6A Active CN106403908B (zh) | 2016-08-29 | 2016-08-29 | 基于时间序列的水深预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106403908B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108621998A (zh) * | 2017-03-21 | 2018-10-09 | 奥迪股份公司 | 用于车辆的水深检测系统和方法 |
CN108920429A (zh) * | 2018-06-12 | 2018-11-30 | 河海大学 | 一种水位动态监测的异常数据分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457901A (zh) * | 2014-11-28 | 2015-03-25 | 南京信息工程大学 | 一种确定水深的方法及系统 |
CN105486291A (zh) * | 2015-11-23 | 2016-04-13 | 长江南京航道局 | 一种用于无验潮水深测量的动态精密单点定位方法 |
-
2016
- 2016-08-29 CN CN201610768591.6A patent/CN106403908B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457901A (zh) * | 2014-11-28 | 2015-03-25 | 南京信息工程大学 | 一种确定水深的方法及系统 |
CN105486291A (zh) * | 2015-11-23 | 2016-04-13 | 长江南京航道局 | 一种用于无验潮水深测量的动态精密单点定位方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108621998A (zh) * | 2017-03-21 | 2018-10-09 | 奥迪股份公司 | 用于车辆的水深检测系统和方法 |
CN108920429A (zh) * | 2018-06-12 | 2018-11-30 | 河海大学 | 一种水位动态监测的异常数据分析方法 |
CN108920429B (zh) * | 2018-06-12 | 2022-02-11 | 河海大学 | 一种水位动态监测的异常数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106403908B (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Le Cozannet et al. | Approaches to evaluate the recent impacts of sea-level rise on shoreline changes | |
Hailegeorgis et al. | Regional flood frequency analysis and prediction in ungauged basins including estimation of major uncertainties for mid-Norway | |
Sutherland et al. | Evaluating the performance of morphological models | |
Casse et al. | Potential of satellite rainfall products to predict Niger River flood events in Niamey | |
Song et al. | Differences in extremes and uncertainties in future runoff simulations using SWAT and LSTM for SSP scenarios | |
Kang et al. | Comparison of different statistical methods used to estimate Weibull parameters for wind speed contribution in nearby an offshore site, Republic of Korea | |
Almeida et al. | Thresholds for morphological changes on an exposed sandy beach as a function of wave height | |
Bonakdari et al. | Integrated Markov chains and uncertainty analysis techniques to more accurately forecast floods using satellite signals | |
Tarwidi et al. | An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach | |
Moeeni et al. | Stochastic model stationarization by eliminating the periodic term and its effect on time series prediction | |
Campos et al. | Nonlinear wave ensemble averaging in the Gulf of Mexico using neural networks | |
Hong et al. | Mid-and long-term runoff predictions by an improved phase-space reconstruction model | |
García-Medina et al. | Wave resource characterization at regional and nearshore scales for the US Alaska coast based on a 32-year high-resolution hindcast | |
Teschl et al. | Improving weather radar estimates of rainfall using feed-forward neural networks | |
Zeroual et al. | Artificial neural network rainfall-discharge model assessment under rating curve uncertainty and monthly discharge volume predictions | |
CN110186533A (zh) | 一种高精度的河口短期潮位预报方法 | |
Zaron et al. | Bottom topography mapping via nonlinear data assimilation | |
CN106403908A (zh) | 基于时间序列的水深预测方法和系统 | |
Polnikov et al. | Estimation of extreme wind speeds and wave heights along the regional waters of India | |
Artigue et al. | Flash floods forecasting without rainfalls forecasts by recurrent neural networks. Case study on the Mialet basin (Southern France) | |
Rajabi-Kiasari et al. | Forecasting of absolute dynamic topography using deep learning algorithm with application to the Baltic Sea | |
Limsupavanich et al. | Improvement of coastal sea-level altimetry derived from GNSS SNR measurements using the SNR forward network and T-LSTM anomaly detection | |
Camacho et al. | Bayesian Monte Carlo for evaluation of uncertainty in hydrodynamic models of coastal systems | |
Kim et al. | Regional low flow frequency analysis using Bayesian regression and prediction at ungauged catchment in Korea | |
Meng et al. | Wind-sea and swell separation of 1D wave spectrum by deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |