CN110378518A - 一种采用lstm-narx混合模型的水下潮流预测方法 - Google Patents
一种采用lstm-narx混合模型的水下潮流预测方法 Download PDFInfo
- Publication number
- CN110378518A CN110378518A CN201910549447.7A CN201910549447A CN110378518A CN 110378518 A CN110378518 A CN 110378518A CN 201910549447 A CN201910549447 A CN 201910549447A CN 110378518 A CN110378518 A CN 110378518A
- Authority
- CN
- China
- Prior art keywords
- trend
- prediction
- underwater
- under water
- trend 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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"
Abstract
本发明公开了一种采用LSTM‑NARX混合模型的水下潮流预测方法。将水下潮流区域等间隔设置多个深度位置,每一水下深度位置设置声学多普勒流速剖面仪,采集每一水下深度位置的潮流值,潮流值包括潮流速度大小和方向,对潮流值数据分别用两种不同的模型进行预测处理,获得两个方面的预测分量,再将两个方面的预测分量相加作为最终的潮流值预测结果。本发明结合了新型的神经网络预测算法,首次提出了结合不同深度潮流特点建模,对短期潮流值进行了精确预测,能有效地提高潮流预测精度。
Description
技术领域
本发明涉及一种水下潮流数据预测方法,尤其是涉及一种基于不同水深潮流特点的采用LSTM-NARX混合模型的水下潮流预测方法。
背景技术
随着世界对环境保护的日益重视,无污染的可再生能源得到了广泛重视,而潮流能和其他可再生能源相比因为能量密度大、可预测性强的特点,近年来潮流能技术的开发也急速发展。高精度的潮流预测能极大提高潮流能利用率。
潮流受到各种因素影响:天文因素,月球、太阳的引力变化;气象因素,气压、风、温度等。传统的潮流能预测方法主要采用谐波分析模型,此模型只能对天文因素进行建模,而不能分析气象因素使得预测结果精度较差,不能较好满足当前应用要求。虽然一些神经网络方法也被用于潮流预测,但对气象因素和天文同时建模存在过度拟合的问题也导致精度预测精度不高。
发明内容
基于上述背景技术中存在的问题,结合不同水深潮流流速特点,本发明的目的在于提供一种基于不同水深潮流特点的采用LSTM-NARX混合模型的水下潮流预测方法,是一种基于多层流速的机器学习混合模型预测方法,首次提出了结合不同深度潮流特点建模,将影响潮流值得气象因素和天文因素分离,能有效提高潮流值预测精度。
本发明采用的技术方案如下:
本发明将水下潮流区域等间隔设置多个深度位置,每一水下深度位置设置声学多普勒流速剖面仪(ADCP),采集每一水下深度位置的潮流值,潮流值包括潮流速度大小和方向,对潮流值数据分别用两种不同的模型进行预测处理,获得两个方面的预测分量,再将两个方面的预测分量相加作为最终的潮流值预测结果。
针对第m+1水下深度位置的潮流预测,采用如下方法处理:
采用第m水下深度位置的潮流值数据输入到LSTM(长短期记忆网络)算法模型中进行处理,输出得到的预测数据作为天文因素的预测分量;
采用第m水下深度位置的潮流值数据和第m-1水下深度位置的潮流值数据作差,然后输入到NARX(时间序列神经网络)算法模型中进行处理,输出得到的预测数据作为气象因素的预测分量;
将天文因素的预测分量和气象因素的预测分量求和作为最终的潮流值预测值。
针对受引力影响的天文因素,本发明采用了LSTM算法建模;针对受随机气象影响的随机因素,本发明采用了NARX算法建模处理。
实际中,影响潮流速度值的因素主要选择为受月球、太阳引力影响的天文因素及受气象影响的气象因素,随着潮流距离水面深度越深,影响其流速值的天文因素几乎没有变化,而影响其流速值的气象因素逐渐微弱,采集的潮流速度数据中包含气象因素和天文因素的两个因素的影响。而本发明根据考虑不同深度的多层潮流流速特点,将仅包含气象因素和天文因素的两个因素的潮流速度数据进行了分离且采用各自不同特殊的模型处理,然后融合获得潮流速度的预测,这样能准确分离两个因素的数据,能提高潮流值预测精度。
针对每一水下深度位置的潮流数据,在水平面上建立两个相互正交的方向U和V,将潮流数据分解在方向U和V,选取其中任一方向的潮流数据输入到模型中进行处理训练。
本发明将水下潮流区域等间隔设置多个深度位置,每一水下深度位置设置声学多普勒流速剖面仪(ADCP),采集每一水下深度位置的潮流值,潮流值包括潮流速度大小和方向,对潮流值数据分别用两种不同的模型进行预测处理,获得两个方面的预测分量,再将两个方面的预测分量相加作为最终的潮流值预测结果。
针对第m+1水下深度位置的潮流预测,采用如下方法处理:
采用第m水下深度位置的潮流值数据输入到LSTM(长短期记忆网络)算法模型中进行处理,输出得到的预测数据作为天文因素的预测分量;
采用第m水下深度位置的潮流值数据和第m-1水下深度位置的潮流值数据作差,然后输入到NARX(时间序列神经网络)算法模型中进行处理,输出得到的预测数据作为气象因素的预测分量;
将天文因素的预测分量和气象因素的预测分量求和作为最终的潮流值预测值。
针对受引力影响的天文因素,本发明采用了LSTM算法建模;针对受随机气象影响的随机因素,本发明采用了NARX算法建模处理。
实际中,影响潮流速度值的因素主要选择为受月球、太阳引力影响的天文因素及受气象影响的气象因素,随着潮流距离水面深度越深,影响其流速值的天文因素几乎没有变化,而影响其流速值的气象因素逐渐微弱,采集的潮流速度数据中包含气象因素和天文因素的两个因素的影响。而本发明根据考虑不同深度的多层潮流流速特点,将仅包含气象因素和天文因素的两个因素的潮流速度数据进行了分离且采用各自不同特殊的模型处理,然后融合获得潮流速度的预测,这样能准确分离两个因素的数据,能提高潮流值预测精度。
针对每一水下深度位置的潮流数据,在水平面上建立两个相互正交的方向U和V,将潮流数据分解在方向U和V,选取其中任一方向的潮流数据输入到模型中进行处理训练。
具体实施中,将第m层潮流流速值时间序列分为模型训练部分和测试部分,通过训练部分输入训练出LSTM预测模型,将测试部分输入模型中,得到第m层受天文因素影响的潮流值的预测结果Tpred1。
具体实施中,将第m层潮流流速值时间序列和第m-1层潮流流速值时间序列之差分为模型训练部分和测试部分,通过训练部分输入训练出NARX预测模型,将测试部分输入模型中,得到第m层受气象因素影响的潮流值的预测结果Tpred2。
最终整个模型预测结果为Tpred:
Tpred=Tpred1+Tpred2
Tpred即为LSTM-NARX混合模型对第m层潮流流速值预测结果。
本发明基于不同深度的潮流数据特点首先把气象因素和天文因素分离,然后再分别采用了新型的递归神经网络算法LSTM算法(Long Short-Term Memory)和NARX(Nonlinear autoregressive exogenous)算法建立混合模型,该模型能达到较高的预测精度并有较大的改善空间。
本发明具有的有益效果是:
本发明基于同一水面不同深度的潮流值数据特点将受气象因素影响的潮流值分离;选择了LSTM模型对天文因素影响下潮流值建模,选取了NARX模型对气象因素的潮流值建模,通过混合模型预测提高了潮流预测精度。
本发明基于同一水面不同深度潮流值特点分离了潮流中的受天文影响潮流值和受气象影响潮流值并对短期潮流值进行了精确预测。
附图说明
图1是本发明采用LSTM-NARX混合模型的水下潮流预测流程图;
图2是本发明对舟山海域水下5m基于潮流观测进行预测展示图;
图3是本发明对舟山海域水下5m天文因素分量预测;
图4是本发明对舟山海域水下5m和水下6m分离出的气象因素分量预测;
图5是本发明对舟山海域水下5m预测值和实际值对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本发明的实施例及其实施过程如下:
在舟山海域水下潮流区域等间隔设置多个深度位置,每一水下深度(每米)位置设置声学多普勒流速剖面仪(ADCP),采集每一水下深度位置的潮流值,潮流值包括潮流速度大小和方向。并且在水平面上建立两个相互正交的方向U和V,将潮流流速值分解在方向U和V。
针对水下深度5米深度位置的潮流预测,采用如下方法处理:
采用水下深度5米位置的方向U的潮流值数据输入到LSTM(长短期记忆网络)算法模型中进行处理,输出得到的预测数据作为天文因素的预测分量,如图3所示即为预测对输入LSTM的水下5米深度位置处天文因素分量预测图。
采用水下深度5位置的方向U的潮流值数据和水下深度6米位置的潮流流速值作差,然后输入到NARX(时间序列神经网络)算法模型中进行处理,输出得到的预测数据作为气象因素的预测分量,如图4所示为通过水下5米和水下6米U方向潮流流速值之差分离出来的气象因素分量预测图。
将图3和图4所示的天文因素的预测分量和气象因素的预测分量求和作为最终的方向U的潮流值的预测值。
通过混合模型预测值和实际观测值的对比效果图如图5所示,图5展示了LSTM-NARX混合模型较好的预测了潮流流速值。
方法 | RMSE(均方根误差) |
UTide(传统谐波分析) | 0.73835 |
BPANN(传统神经网络) | 0.53462 |
LSTM(天文因素分量) | 0.29947 |
NARX(气象因素分量) | 0.20436 |
LSTM-NARX混合模型 | 0.29838 |
表1舟山海域水下5m预测精度和传统方法的对比
表1用均方根误差衡量预测精度,将传统的谐波分析方法及已有的神经网络方法和本发明提出的混合方法对比,可以看出本模型能更好的改善预测精度。
具体实施中,将水下5米潮流流速值时间序列分为模型训练部分和测试部分,训练部分和测试部分数据比例如图2所示,原始观测值部分用于训练模型,最终预测值为模型输出值。通过训练部分输入训练出LSTM预测模型,将测试部分输入模型中,得到水下5米受天文因素影响的潮流值的预测结果Tpred1。
具体实施中,将水下5米潮流流速值时间序列和水下6米潮流流速值时间序列之差分为模型训练部分和测试部分,通过训练部分输入训练出NARX预测模型,将测试部分输入模型中,得到水下5米受气象因素影响的潮流值的预测结果Tpred2。
最终整个模型预测结果为Tpred:
Tpred=Tpred1+Tpred2
Tpred即为LSTM-NARX混合模型对水下5米U方向潮流流速值预测结果。
Claims (3)
1.一种采用LSTM-NARX混合模型的水下潮流预测方法,其特征在于:将水下潮流区域等间隔设置多个深度位置,每一水下深度位置设置声学多普勒流速剖面仪(ADCP),采集每一水下深度位置的潮流值,潮流值包括潮流速度大小和方向,对潮流值数据分别用两种不同的模型进行预测处理,获得两个方面的预测分量,再将两个方面的预测分量相加作为最终的潮流值预测结果。
2.根据权利要求1所述的一种采用LSTM-NARX混合模型的水下潮流预测方法,其特征在于:针对第m+1水下深度位置的潮流预测,采用如下方法处理:
采用第m水下深度位置的潮流值数据输入到LSTM算法模型中进行处理,输出得到的预测数据作为天文因素的预测分量;采用第m水下深度位置的潮流值数据和第m-1水下深度位置的潮流值数据作差,然后输入到NARX算法模型中进行处理,输出得到的预测数据作为气象因素的预测分量;将天文因素的预测分量和气象因素的预测分量求和作为最终的潮流值预测值。
3.根据权利要求1所述的一种采用LSTM-NARX混合模型的水下潮流预测方法,其特征在于:针对每一水下深度位置的潮流数据,在水平面上建立两个相互正交的方向U和V,将潮流数据分解在方向U和V,选取其中任一方向的潮流数据输入到模型中进行处理训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549447.7A CN110378518B (zh) | 2019-06-24 | 2019-06-24 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549447.7A CN110378518B (zh) | 2019-06-24 | 2019-06-24 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378518A true CN110378518A (zh) | 2019-10-25 |
CN110378518B CN110378518B (zh) | 2022-01-11 |
Family
ID=68249231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910549447.7A Active CN110378518B (zh) | 2019-06-24 | 2019-06-24 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378518B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428420A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 海表流流速预测方法、装置、计算机设备和存储介质 |
CN111768047A (zh) * | 2020-07-04 | 2020-10-13 | 江苏工程职业技术学院 | 一种基于多特征数据、多模型的水流速度预测方法 |
WO2023115425A1 (zh) * | 2021-12-20 | 2023-06-29 | 南瑞集团有限公司 | 一种超短时风速预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
CN109812379A (zh) * | 2019-04-10 | 2019-05-28 | 浙江大学 | 一种经济效益最大化的潮流能机机组功率控制方法 |
CN110399928A (zh) * | 2019-07-29 | 2019-11-01 | 集美大学 | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 |
-
2019
- 2019-06-24 CN CN201910549447.7A patent/CN110378518B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615011A (zh) * | 2018-12-14 | 2019-04-12 | 河海大学 | 一种基于lstm的中小河流短期洪水预报方法 |
CN109812379A (zh) * | 2019-04-10 | 2019-05-28 | 浙江大学 | 一种经济效益最大化的潮流能机机组功率控制方法 |
CN110399928A (zh) * | 2019-07-29 | 2019-11-01 | 集美大学 | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
CHENG-HONG YANG: "Long Short-Term Memory Recurrent Neural Network for Tidal Level Forecasting", 《IEEE ACCESS》 * |
MOHAMED MASSAOUDI: "An Effective Hybrid NARX-LSTM Model for Point and Interval PV Power Forecasting", 《IEEE ACCESS》 * |
宋宏 等: "水下相位式激光测距定标方法", 《红外与激光工程》 * |
张峰: "基于人工神经网络的海流预报研究", 《海洋预报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428420A (zh) * | 2020-02-29 | 2020-07-17 | 中山大学 | 海表流流速预测方法、装置、计算机设备和存储介质 |
CN111428420B (zh) * | 2020-02-29 | 2022-02-11 | 中山大学 | 海表流流速预测方法、装置、计算机设备和存储介质 |
CN111768047A (zh) * | 2020-07-04 | 2020-10-13 | 江苏工程职业技术学院 | 一种基于多特征数据、多模型的水流速度预测方法 |
CN111768047B (zh) * | 2020-07-04 | 2022-05-27 | 江苏工程职业技术学院 | 一种基于多特征数据、多模型的水流速度预测方法 |
WO2023115425A1 (zh) * | 2021-12-20 | 2023-06-29 | 南瑞集团有限公司 | 一种超短时风速预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110378518B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Vriend et al. | Approaches to long-term modelling of coastal morphology: a review | |
Zhang et al. | A new vertical coordinate system for a 3D unstructured-grid model | |
CN110378518A (zh) | 一种采用lstm-narx混合模型的水下潮流预测方法 | |
CN102004856B (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
CN109685848A (zh) | 一种三维点云与三维传感器的神经网络坐标变换方法 | |
CN109858523B (zh) | 一种神经网络和射线理论的浅海声速剖面反演方法 | |
CN111859748B (zh) | 一种基于垂向混合坐标的海洋内波模拟方法 | |
CN115169733B (zh) | 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法 | |
CN113420440B (zh) | 一种基于海洋垂直结构的涡旋识别方法 | |
Hang et al. | Identifying oceanic eddy with an edge-enhanced multiscale convolutional network | |
Zhang et al. | Analysis of 50-year wind data of the southern Baltic Sea for modelling coastal morphological evolution–a case study from the Darss-Zingst Peninsula | |
van Essen et al. | Linking experimental and numerical wave modelling | |
Leontyev et al. | Application of assimilation and filtration methods for satellite water sensing data for plankton population evolution processes predictive modeling | |
Sheng et al. | A regional testbed for storm surge and coastal inundation models—an overview | |
Akhir | Review of current circulation studies in the Southern South China Sea | |
Xu et al. | Effects of large-scale embankments on the hydrodynamics and salinity in the Oujiang River Estuary, China | |
Proisy et al. | A multiscale simulation approach for linking mangrove dynamics to coastal processes using remote sensing observations | |
Zhang et al. | An efficient oceanic eddy identification method with XBT data using transformer | |
CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
Pakozdi et al. | Validation of a high-performance computing nonlinear potential theory based numerical wave tank for wave structure interaction | |
Cordeiro et al. | Fixed-point time series, repeat survey and high-resolution modeling reveal event scale responses of the Northwestern Iberian upwelling | |
Fu et al. | Impacts of riverine floods on morphodynamics in the yellow river delta | |
CN109799506A (zh) | 基于留一样本交叉检核的ls-svm算法的稀疏处理方法 | |
Hlophe | Efficient real-time deterministic wave prediction for marine renewable energy | |
Faivre et al. | Morphological modelling for the Gold Coast using wave classification |
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 |