CN109460874B - 一种基于深度学习的有义波高预测方法 - Google Patents
一种基于深度学习的有义波高预测方法 Download PDFInfo
- Publication number
- CN109460874B CN109460874B CN201811380116.7A CN201811380116A CN109460874B CN 109460874 B CN109460874 B CN 109460874B CN 201811380116 A CN201811380116 A CN 201811380116A CN 109460874 B CN109460874 B CN 109460874B
- Authority
- CN
- China
- Prior art keywords
- layer
- wave height
- model
- hidden layer
- boltzmann machine
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的有义波高预测方法,涉及海洋波高预测领域,首先利用待预测位置有义波高历史数据和粒子群算法(Particle Swam Optimization,PSO)确定深度学习模型条件受限玻尔兹曼机‑深度置信网络(Conditional Restricted Boltzmann Machine‑Deep Belief Network,CRBM‑DBN)的关键结构参数,然后以高斯归一化处理后的有义波高历史数据进行模型的预训练,使用预训练得到的模型的权重和偏置作为初始值,结合后向传播(Backward Propagation,BP)网络对模型进行反向调优,优化确定模型,最后以此模型进行有义波高的预测。本发明能够有效提高有义波高的短期预测精度,对海洋工程应用,尤其对海洋结构物和船舶设计等意义重大。
Description
技术领域
本发明涉及海洋波高预测领域,尤其涉及一种基于深度学习的有义波高预测方法。
背景技术
海洋波浪参数,如:波高、波周期等的准确预测,对于海岸工程中建筑物的规划、设计、使用、维护等至关重要。波高观测值随时间变化,是一种典型的时间序列数据,对其的预测主要分为:基于数理模型的预测和基于数据驱动的预测。对于波浪,基于数理模型的预测一般是通过波浪数值模型去实现,比如WAve Model(WAM)、Simulating WAves Nearshore(SWAN)和WAVEWATCH–III(WW3)。然而,这种方法建立的数值模型通常是近似或不充分的,且由于需要非常准确的水深测量输入,因此,在实际的应用过程中,难以处理复杂多变的波浪时序数据,因而预测精度有限且计算代价颇高。
基于数据驱动的时间序列预测方法不依赖于研究对象的数学物理模型,从数据本身特性出发研究其内部规律进行预测,比较成熟的技术主要有基于支持向量机、滤波器、遗传算法、模糊系统以及这些方法的混合。
近些年,海洋学家们频繁尝试设计各种神经网络或混合神经网络和其他方法的模型进行波高预测。比如:M.C.Deo等以风数据作为输入,考察神经网络对波高输出数据的预测能力;而Ching-Piao Tsai、O.Makarynskyy、S.N.Londhe和Vijay Panchang则以波浪数据作为输入,设计神经网络预测波高;S.Mandal和N.Prabaharan则通过循环神经网络,以“波浪-波浪”模式进行波高预测;根据气象数据,同时使用神经网络和回归方法去预测月平均有义波高;I.Malekmohamadi、S.N.Londhe、以及Aditya N.Deshmukh等采用混合神经网络和数值模型实现波高预测;为解决神经网络预测波高时存在的延时现象、极大波高预测能力不足等问题,Paresh Chandra Deka、Pradnya Dixit和Shreenivas Londhe、Pradnya Dixit等结合神经网络和小波技术进行完善。
上述这些神经网络或其与其他方法混合使用的模型一般具有浅层结构,即:隐藏层通常只有1层。而且,隐藏层所含有的神经元个数也不多。在实际应用时,浅层结构机器学习方法的局限性在于有限样本和计算单元条件下对复杂函数的表示能力有限,且其泛化能力也受到一定制约。
发明内容
本发明的目的在于针对现有技术中的上述问题,提供一种基于深度学习的有义波高预测方法,可有效提高有义波高的短期(≤6h)预测精度。
为达到上述目的,本发明采用如下技术方案:
一种基于深度学习的有义波高预测方法,包括以下步骤:
步骤1、对海上待预测位置的有义波高历史数据作高斯归一化处理,即将数据归一化为零均值,单位方差;
步骤2、利用粒子群优化算法(Particle Swam Optimization,PSO)确定深度学习模型的关键结构参数,确定的模型为条件受限玻尔兹曼机-深度置信网络(ConditionalRestricted Boltzmann Machine-Deep Belief Network,CRBM-DBN)模型,模型的关键结构参数为:输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数(下文中以“关键结构参数”代表“输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数”);
步骤3、以步骤2中确定的关键结构参数进行CRBM-DBN模型预训练,获得模型的权重和偏置;
步骤4、将步骤1中所用的原始的有义波高历史数据归一化到[0,1];
步骤5、将步骤3得到模型的权重和偏置作为初始值,结合后向传播(BackwardPropagation,BP)神经网络对模型进行反向调优。
在步骤1中,所述高斯归一化处理的公式为:
其中,y和y*分别表示归一化前后有义波高历史数据,ymean表示有义波高历史数据平均值,ystd表示有义波高历史数据标准差。
在步骤2中,粒子群优化算法如下:
(1)初始化CRBM-DBN模型中关键结构参数的位置和速度;
(2)计算CRBM-DBN模型中关键结构参数的适应度值;
(3)寻找CRBM-DBN模型中关键结构参数的个体和群体最优适应度值;
(4)更新CRBM-DBN模型中关键结构参数的速度和位置,所用公式如下:
其中,ω表示惯性权重;k为当前迭代次数;Vi为第i个关键结构参数的速度;Xi为第i个关键结构参数的位置;c1和c2为非负的常数,称为加速度因子;r1和r2为分布于[0,1]之间的随机数;Pi和Pg分别表示关键结构参数个体和群体最优适应度值;
为防止关键结构参数的盲目搜索,将其位置和速度限制在一定的区间范围内,根据经验值,CRBM-DBN模型中输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数分别设定区间为[1,6]、[1,5]、[3,10]和[1,6];
(5)如果算法没有满足终止条件(如:达到迭代次数),则返回第(2)步继续;否则,结束。
在步骤3中,所述CRBM-DBN模型预训练的过程如下:
(1)将步骤2中确定的CRBM-DBN模型关键结构参数进行初始化,并根据经验值设定模型训练参数:迭代次数、动量项和学习率,迭代次数为3000~7000,动量项为0.7~0.9,学习率为0.001~0.01;
(2)将输入层和第一隐藏层作为条件受限玻尔兹曼机,以高斯归一化处理后的有义波高历史数据作为输入层输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到输入层和第一隐藏层之间的连接权重、第一隐藏层的最终状态和动态偏置;输入层和隐藏层的动态偏置更新公式如下:
其中,b_stari表示可视层单元i的动态偏置,c_starj表示隐藏层单元j的动态偏置,为可视层单元k在t-q时刻的数据值,为可视层单元k在t-q时刻与可视层单元i之间有向连接的权重值,为可视层单元k在t-q时刻与隐藏层单元j之间有向连接的权重值,bi和cj分别表示可视层单元i和隐藏层单元j的静态偏置;
(3)将第一隐藏层和第二隐藏层作为条件受限玻尔兹曼机,以第一隐藏层的最终状态作为第一隐藏层的输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到第一隐藏层和第二隐藏层之间的连接权重,第二隐藏层的最终状态和动态偏置;
(4)如(3)类推,N表示隐藏层层数,将第N-1隐藏层和第N隐藏层作为条件受限玻尔兹曼机,以第N-1隐藏层的最终状态作为第N-1隐藏层的输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到第N-1隐藏层和第N隐藏层之间的连接权重,第N隐藏层的最终状态和动态偏置,完成预训练。
在步骤4中,所述将原始的有义波高历史数据归一化到[0,1],所用公式为:
其中,ymax和ymin分别表示有义波高历史数据的最大值和最小值。
在步骤5中,所述进行反向调优的过程如下:
(1)将归一化的有义波高历史数据作为输入层输入,使用步骤3得到的整个模型的权重和偏置作为初始值,通过激励函数逐层映射得到输出层的输出,即波高预测值;
(2)将实际波高观测值作为标签层的输入,比较输出层的输出和标签层获得两者之间的误差,误差由模型的最高层自上而下反向传播,进行参数调优。
本发明基于条件受限玻尔兹曼机(Conditional Restricted BoltzmannMachine,CRBM)包含时序信息,并结合深度置信网络(Deep Belief Networks,DBN),构建CRBM-DBN模型,通过粒子群优化算法(Particle Swam Optimization,PSO)确定模型关键参数,利用有义波高历史数据进行模型的预训练和反向调优,用于有义波高预测。以平均绝对误差、平均相对误差和均方根误差指标来评估模型的预测能力,本发明可实现有义波高短期整体预测误差小于5cm。
相对于现有技术,本发明技术方案取得的有益效果是:
深度学习技术能够有效弥补浅层学习的诸多缺陷,本发明将深度学习技术引入有义波高预测,首先利用待预测位置有义波高历史数据和PSO算法确定深度学习模型CRBM-DBN的关键结构参数,然后以高斯归一化处理后的有义波高历史数据进行模型的预训练,使用预训练得到的模型的权重和偏置作为初始值,结合BP网络对模型进行反向调优,优化确定模型,最后以此模型进行有义波高的预测。本发明能够有效提高有义波高的短期预测精度,对海洋工程应用,尤其对海洋结构物和船舶设计等意义重大。
附图说明
图1为浮标有义波高历史数据;
图2为浮标有义波高高斯归一化处理后数据;
图3为浮标有义波高归一化到[0,1]后的数据;
图4为CRBM-DBN模型浮标有义波高预测结果(预测时间步长1h);
图5为CRBM-DBN模型浮标有义波高预测结果(预测时间步长3h);
图6为CRBM-DBN模型浮标有义波高预测结果(预测时间步长6h)。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚,以下结合附图和实施例,对本发明做进一步详细说明。
本发明包括以下步骤:
步骤1、对海上待预测位置的有义波高历史数据作高斯归一化处理,即:将数据归一化为零均值,单位方差。
本实施例中选取某海域波浪浮标采集的有义波高数据作为历史数据,浮标的有义波高数据特性如表1所示。
表1 2016年有义波高历史数据特性
对浮标有义波高数据进行高斯归一化处理,高斯归一化处理前后有义波高数据如图1~2所示。
步骤2、利用PSO算法确定模型CRBM-DBN的关键结构参数:输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数。
本实施例中利用PSO算法确定模型CRBM-DBN的关键结构参数为:输入层神经元个数4,隐藏层层数2,第一隐藏层神经元个数6,第二隐藏层神经元个数4,输出层神经元个数1。
步骤3、以步骤2中确定的关键结构参数进行CRBM-DBN模型预训练,获得模型的权重和偏置,具体如下:
(1)本实施例中模型的训练参数设为:迭代次数5000,动量项0.9,学习率0.01;
(2)将输入层和第一隐藏层作为条件受限玻尔兹曼机,以高斯归一化处理后的有义波高历史数据作为输入层输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到输入层和第一隐藏层之间的连接权重和动态偏置;
(3)将第一隐藏层和第二隐藏层作为条件受限玻尔兹曼机,以第一隐藏层的最终状态作为第一隐藏层的输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到第一隐藏层和第二隐藏层之间的连接权重和动态偏置,完成预训练。
步骤4、将步骤1中所用的原始的有义波高历史数据归一化到[0,1],归一化后有义波高数据如图3所示;
步骤5、使用步骤3得到模型的权重和偏置作为初始值,结合BP神经网络对模型进行反向调优,具体如下:
(1)将归一化的有义波高历史数据作为输入层输入,使用步骤3得到的整个模型的权重和偏置作为初始值,通过激励函数逐层映射得到输出层的输出,即波高预测值;
(2)将实际波高观测值作为标签层的输入,比较输出层的输出和标签层获得两者之间的误差,误差由模型的最高层自上而下反向传播,进行参数调优。
本实施例根据训练构建的CRBM-DBN模型,选取该浮标在2017年的波高数据作为测试数据,预测时间步长分别设置为1h、3h和6h,即:以时刻t-3,t-2,t-1和t(当前时刻)的实际观测波高数据作为输入,分别预测时刻t+1、t+3和t+6的波高输出,并与相应实测值分别进行比较,结果如图4~6所示,在波高趋势上,预测值均能较好地符合实测值。
本实施例使用平均绝对误差(Mean Absolute Error,MAE)、平均相对误差(MeanRelative Error,MRE)和均方根误差(Root Mean Square Error,RMSE)指标来评估模型的预测能力,MAE、MRE和RMSE的计算如下:
其中,X表示波高实际观测值,Y表示波高预测值,N表示波高数据个数。
表2有义波高预测误差
预测时长(h) | MAE(m) | MRE(%) | RMSE(m) |
1 | 0.0137 | 2.16 | 0.0172 |
3 | 0.0117 | 1.43 | 0.0215 |
6 | 0.0177 | 2.00 | 0.0418 |
表2为浮标有义波高预测误差,从表2中指标MAE、MRE和RMSE可知,浮标有义波高整体的预测误差小于5cm,说明CRBM-DBN模型的短期波高预测精度出色。
Claims (6)
1.一种基于深度学习的有义波高预测方法,其特征在于:包括以下步骤:
步骤1、对海上待预测位置的有义波高历史数据作高斯归一化处理,即将数据归一化为零均值,单位方差;
步骤2、利用粒子群优化算法确定深度学习模型的关键结构参数,确定的模型为条件受限玻尔兹曼机-深度置信网络模型,模型的关键结构参数为:输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数;
步骤3、以步骤2中确定的关键结构参数进行条件受限玻尔兹曼机-深度置信网络模型预训练,获得模型的权重和偏置;
步骤4、将步骤1中所用的原始的有义波高历史数据归一化到[0,1];
步骤5、将步骤3得到模型的权重和偏置作为初始值,结合后向传播神经网络对模型进行反向调优;
其中,t为当前时刻,以时刻t-3,t-2,t-1和t的实际观测波高数据作为输入,分别预测时刻t+1、t+3和t+6的波高输出。
3.如权利要求1所述的一种基于深度学习的有义波高预测方法,其特征在于:在步骤2中,粒子群优化算法如下:
(1)初始化条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的位置和速度;
(2)计算条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的适应度值;
(3)寻找条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的个体和群体最优适应度值;
(4)更新条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的速度和位置,所用公式如下:
其中,ω表示惯性权重;k为当前迭代次数;Vi为第i个关键结构参数的速度;Xi为第i个关键结构参数的位置;c1和c2为非负的常数,称为加速度因子;r1和r2为分布于[0,1]之间的随机数;Pi和Pg分别表示关键结构参数个体和群体最优适应度值;
为防止关键结构参数的盲目搜索,将其位置和速度限制在一定的区间范围内,条件受限玻尔兹曼机-深度置信网络模型中输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数分别设定区间为[1,6]、[1,5]、[3,10]和[1,6];
(5)如果算法没有满足终止条件,则返回第(2)步继续;否则,结束。
4.如权利要求1所述的一种基于深度学习的有义波高预测方法,其特征在于:在步骤3中,所述条件受限玻尔兹曼机-深度置信网络模型预训练的过程如下:
(1)将步骤2中确定的条件受限玻尔兹曼机-深度置信网络模型关键结构参数进行初始化,并根据经验值设定模型训练参数:迭代次数为3000~7000,动量项为0.7~0.9,学习率为0.001~0.01;
(2)将输入层和第一隐藏层作为条件受限玻尔兹曼机,以高斯归一化处理后的有义波高历史数据作为输入层输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到输入层和第一隐藏层之间的连接权重、第一隐藏层的最终状态和动态偏置;输入层和隐藏层的动态偏置更新公式如下:
其中,b_stari表示可视层单元i的动态偏置,c_starj表示隐藏层单元j的动态偏置,为可视层单元k在t-q时刻的数据值,为可视层单元k在t-q时刻与可视层单元i之间有向连接的权重值,为可视层单元k在t-q时刻与隐藏层单元j之间有向连接的权重值,bi和cj分别表示可视层单元i和隐藏层单元j的静态偏置;
(3)将第一隐藏层和第二隐藏层作为条件受限玻尔兹曼机,以第一隐藏层的最终状态作为第一隐藏层的输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到第一隐藏层和第二隐藏层之间的连接权重,第二隐藏层的最终状态和动态偏置;
(4)如(3)类推,N表示隐藏层层数,将第N-1隐藏层和第N隐藏层作为条件受限玻尔兹曼机,以第N-1隐藏层的最终状态作为第N-1隐藏层的输入,使用对比散度算法来对该条件受限玻尔兹曼机进行训练得到第N-1隐藏层和第N隐藏层之间的连接权重,第N隐藏层的最终状态和动态偏置,完成预训练。
6.如权利要求1所述的一种基于深度学习的有义波高预测方法,其特征在于:在步骤5中,所述进行反向调优的过程如下:
(1)将归一化的有义波高历史数据作为输入层输入,使用步骤3得到的整个模型的权重和偏置作为初始值,通过激励函数逐层映射得到输出层的输出,即波高预测值;
(2)将实际波高观测值作为标签层的输入,比较输出层的输出和标签层获得两者之间的误差,误差由模型的最高层自上而下反向传播,进行参数调优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380116.7A CN109460874B (zh) | 2018-11-19 | 2018-11-19 | 一种基于深度学习的有义波高预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380116.7A CN109460874B (zh) | 2018-11-19 | 2018-11-19 | 一种基于深度学习的有义波高预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460874A CN109460874A (zh) | 2019-03-12 |
CN109460874B true CN109460874B (zh) | 2022-03-08 |
Family
ID=65611073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811380116.7A Active CN109460874B (zh) | 2018-11-19 | 2018-11-19 | 一种基于深度学习的有义波高预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460874B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191823B (zh) * | 2019-12-20 | 2023-06-27 | 西北工业大学 | 一种基于深度学习的生产物流预测方法 |
CN111199270B (zh) * | 2019-12-30 | 2023-04-18 | 福建省海洋预报台 | 一种基于深度学习的区域波高预报方法及终端 |
CN111506855B (zh) * | 2020-02-18 | 2023-06-30 | 华北理工大学 | 利用tlbo算法优化深度置信网络模型预测海洋数据的方法 |
CN111366123B (zh) * | 2020-03-06 | 2021-03-26 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021308A (zh) * | 2014-06-20 | 2014-09-03 | 河海大学 | 基于ERA-Interim和ERA40预测海浪有效波高的方法 |
CN107634911A (zh) * | 2017-10-31 | 2018-01-26 | 河南科技大学 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
CN108763160A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 基于20cr数据预测海浪有效波高的方法及其装置 |
-
2018
- 2018-11-19 CN CN201811380116.7A patent/CN109460874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021308A (zh) * | 2014-06-20 | 2014-09-03 | 河海大学 | 基于ERA-Interim和ERA40预测海浪有效波高的方法 |
CN107634911A (zh) * | 2017-10-31 | 2018-01-26 | 河南科技大学 | 一种信息中心网络中基于深度学习的自适应拥塞控制方法 |
CN108763160A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 基于20cr数据预测海浪有效波高的方法及其装置 |
Non-Patent Citations (2)
Title |
---|
"基于深度信念网络的钱塘江潮位预测方法";鲍枫林等;《杭 州 电 子 科 技 大 学 学 报(自然科学版)》;20180331;第38卷(第2期);第67-71页 * |
"基于深度学习的浙江近岸船舶数据赤潮生物量趋势性预测研究";周晓莉;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20170215(第2期);正文第14-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109460874A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN110608738B (zh) | 一种无人船全局气象航线动态规划方法和系统 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN110595472B (zh) | 一种无人船双目标气象航线优化方法和系统 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
Zhou et al. | Time series prediction methods for depth-averaged current velocities of underwater gliders | |
CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及系统 | |
CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
CN103413038A (zh) | 基于矢量量化的长期直觉模糊时间序列预测方法 | |
CN115169439A (zh) | 一种基于序列到序列网络的有效波高预测方法和系统 | |
CN110222910A (zh) | 一种有源配电网态势预测方法及预测系统 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN111539157B (zh) | 一种基于多层感知机的动载荷时域识别方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
CN114942480B (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
CN113869350B (zh) | 基于空间特征差异的海流预测方法以及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |