CN111079288B - 环境信息的数理模型确定方法及装置 - Google Patents

Abstract

本发明提供了一种环境信息的数理模型确定方法及装置，涉及环境预测的技术领域，包括：获取当前时刻环境参数的第一训练样本；基于第一训练样本确定下一时刻环境参数的第二训练样本；利用第一训练样本和第二训练样本确定预设数理模型的系数向量；结合系数向量和预设数理模型确定目标数理模型，目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。本发明的目标数理模型可以基于岸基发送的目标船舶在大范围内的当前时刻的环境参数，快速得到预测的目标船舶在下一时刻小范围内的环境参数，克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

Description

环境信息的数理模型确定方法及装置

技术领域

本发明涉及环境预测技术领域，尤其是涉及一种环境信息的数理模型确定方法及装置。

背景技术

现有技术一般利用数值模拟方法对岸基测得的船舶的大范围内的当前时刻的环境信息进行计算，得到预测的船舶在下一时刻较小范围的环境信息。传统的数值模拟方法具有以下缺陷：一方面由于岸基计算所得的数据量往往很大，难以通过船岸通信将预测的船舶在下一时刻较小范围的环境信息传到船基；另一方面，船基的计算机计算能力有限，无法基于船舶的大范围内的当前时刻的环境信息进行精细的数值模拟，以上两种情况均导致在船基难以做出恰当的自主决策。如果在岸基做出决策并利用船岸通信的方式将决策指令发送至船基，又面临船基收到决策指令时存在的时间滞后问题，上述技术瓶颈均导致船基的自主决策能力不足。

发明内容

本发明的目的在于提供一种环境信息的数理模型确定方法及装置，克服了船基的计算机计算能力不足的技术问题，且为船基的自主决策提供了技术支持。

本发明提供的一种环境信息的数理模型确定方法，其中，包括：获取当前时刻环境参数的第一训练样本，其中，所述第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；基于所述第一训练样本确定下一时刻环境参数的第二训练样本；所述第二训练样本为所述目标船舶位于第二区域范围内时计算得到的环境参数样本；利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量；结合所述系数向量和所述预设数理模型确定目标数理模型，其中，所述目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。

进一步的，所述方法还包括：获取当前时刻在所述第一区域范围内采集到的环境参数；将当前时刻在所述第一区域范围内采集到的环境参数作为所述目标数理模型的输入，以通过所述目标数理模型预测下一时刻在所述第二区域范围内的环境参数。

进一步的，基于所述第一训练样本确定下一时刻环境参数的第二训练样本包括：利用目标计算客户端对所述第一训练样本进行计算，得到所述第二训练样本，其中，所述目标计算客户端包括：delft3D客户端或mike21客户端。

进一步的，利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量包括：利用机器学习方法对所述第一训练样本和所述第二训练样本进行回归分析，得到系数向量。

进一步的，利用机器学习方法对所述第一训练样本和所述第二训练样本进行回归分析，得到系数向量包括：基于所述第一训练样本中所有的环境参数样本，构建第一向量；基于所述第二训练样本和所述第一向量，构建样本数据集，其中，所述第一向量为输入数据，所述第二训练样本为输出数据；利用机器学习方法对所述样本数据集进行回归计算，得到所述系数向量。

进一步的，所述当前时刻的环境参数包括以下至少一种参数：地形、潮位、海流的流速流向、风速风向、浪高浪向、水温、盐度、气压、海底摩阻和经纬度。

本发明提供的一种环境信息的数理模型确定装置，其中，包括：第一获取模块，用于获取当前时刻环境参数的第一训练样本，其中，所述第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；第一确定模块，用于基于所述第一训练样本确定下一时刻环境参数的第二训练样本；所述第二训练样本为所述目标船舶位于第二区域范围内时计算得到的环境参数样本；第二确定模块，用于利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量；第三确定模块，用于结合所述系数向量和所述预设数理模型确定目标数理模型，其中，所述目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。

进一步的，所述装置还包括：第二获取模块，用于获取当前时刻在所述第一区域范围内采集到的环境参数；预测模块，用于将当前时刻在所述第一区域范围内采集到的环境参数作为所述目标数理模型的输入，以通过所述目标数理模型预测下一时刻在所述第二区域范围内的环境参数。

本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的环境信息的数理模型确定方法。

本发明还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的环境信息的数理模型确定方法。

本发明提供的一种环境信息的数理模型确定方法及装置，先获取当前时刻环境参数的第一训练样本，其中，第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；然后基于第一训练样本确定下一时刻环境参数的第二训练样本；第二训练样本为目标船舶位于第二区域范围内时计算得到的环境参数样本；再利用第一训练样本和第二训练样本确定预设数理模型的系数向量；最后结合系数向量和预设数理模型确定目标数理模型，其中，目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。本发明确定的目标数理模型可以布置在船基上，然后基于岸基发送的目标船舶在大范围内的当前时刻的环境参数，快速得到预测的目标船舶在下一时刻小范围内的环境参数，克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种环境信息的数理模型确定方法的流程图；

图2为本发明实施例提供的另一种环境信息的数理模型确定方法的流程图；

图3为图1中步骤S103的流程图；

图4为本发明实施例提供的一种环境信息的数理模型确定装置的结构示意图；

图5为本发明实施例提供的另一种环境信息的数理模型确定装置的结构示意图；

图6为第二确定模块的结构示意图。

图标：

11-第一获取模块；12-第一确定模块；13-第二确定模块；14-第三确定模块；15-第二获取模块；16-预测模块；21-第一构建单元；22-第二构建单元；23-回归计算单元。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

详细准确的环境参数是实现智能船舶自主决策的一个重要基础。传统的数值模拟方法可以得到一个区域内详细准确的环境参数，但是其网格数量往往很大。岸基计算时虽然可以利用高性能集群或者云计算等方法使得计算效率快速增加，但是计算所得的数据量依旧很大，难以通过船岸通信将环境参数发送到船基；而船基的计算机由于计算能力有限，无法进行精细的数值模拟，容易导致船基没有环境参数进而难以做出自主决策。如果是在岸基做出决策并利用船岸通信将决策指令发送至船基，则又面临着船基收到决策指令时的时间滞后以及临时通讯中断等问题。上述技术瓶颈都直接导致了智能船舶自主决策能力不足的技术问题。

基于此，本发明提供一种环境信息的数理模型确定方法及装置，目标数理模型可以布置在船基上，然后基于岸基发送的目标船舶在大范围内的当前时刻的环境参数，快速得到预测的目标船舶在下一时刻小范围内的环境参数，克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种环境信息的数理模型确定方法进行详细介绍。

实施例一；

参照图1，本发明实施例提供的一种环境信息的数理模型确定方法，其中，包括以下步骤：

步骤S101，获取当前时刻环境参数的第一训练样本。

具体的，第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本。当前时刻的环境参数包括以下至少一种参数：地形、潮位、海流的流速流向、风速风向、浪高浪向、水温、盐度、气压、海底摩阻和经纬度。在本发明实施例中，所有的环境参数都可以指环境信息。

步骤S102，基于第一训练样本确定下一时刻环境参数的第二训练样本。

具体的，第二训练样本为目标船舶位于第二区域范围内时计算得到的环境参数样本。第二训练样本为精细的环境参数，第一训练样本为稀疏的环境参数。在本发明实施例中，精细相对稀疏来说，是指针对同一计算范围划分的网格数量多而密，其确定的第二训练样本必然更加准确并且能捕捉各类环境参数的细小的变化；相反，稀疏的环境参数的特点是：网格数量少而稀，精度不足，也无法捕捉到环境参数的细小变化。

步骤S103，利用第一训练样本和第二训练样本确定预设数理模型的系数向量。

在本发明实施例中，预设数理模型的公式为Y＝ω^*X，其中，Y为第二训练样本，ω^*为系数向量，X为第一训练样本。基于大量的第一训练样本和第二训练样本，可以确定系数向量。本发明实施例涉及到船基和岸基，其中步骤S101～步骤S103均在岸基上执行。

步骤S104，结合系数向量和预设数理模型确定目标数理模型。

在本发明实施例中，预设数理模型为系数向量未确定时的理论数理模型，将步骤S103得到的系数向量结合预设数理模型，进而可以确定目标数理模型。具体的，目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。本发明实施例的步骤S104在船基上执行。

本发明实施例基于稀疏的第一训练样本和精细的第二训练样本对目标数理模型进行训练，在训练完成之后，目标数理模型可以用于在随目标船舶移动的范围内对环境参数做出快速且精细的计算。本发明实施例可以解决船基计算机能力有限、船岸通信效率低下等因素导致的目标船舶自主决策能力不足的技术问题，为目标船舶自主决策能力提供了技术支持。

本发明实施例提供的一种环境信息的数理模型确定方法，先获取当前时刻环境参数的第一训练样本；然后基于第一训练样本确定下一时刻环境参数的第二训练样本；再利用第一训练样本和第二训练样本确定预设数理模型的系数向量；最后结合系数向量和预设数理模型确定目标数理模型。本发明实施例确定的目标数理模型可以布置在船基上，然后基于岸基发送的目标船舶在大范围内的当前时刻的环境参数，快速得到预测的目标船舶在下一时刻小范围内的环境参数，克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

进一步的，参照图2，方法还包括：

步骤S105，获取当前时刻在第一区域范围内采集到的环境参数；

步骤S106，将当前时刻在第一区域范围内采集到的环境参数作为目标数理模型的输入，以通过目标数理模型预测下一时刻在第二区域范围内的环境参数。

在本发明实施例中，本发明实施例中的步骤S105～步骤S106均在船基上执行。在目标数理模型实际应用时，本发明实施例以目标船舶所在位置为中心，然后确定当前时刻的第一区域范围。由于目标船舶在水面上一直处于运动状态，且目标船舶的行驶速度很容易获取，因此可以预测下一时刻目标船舶所在位置，以下一时刻目标船舶所在位置为中心，可以确定第二区域范围，其中第一区域范围可以大于第二区域范围。本发明实施例对第一区域范围、第二区域范围的形状、面积等不作具体限定。另外，在确定当前时刻目标船舶所在位置的大范围内的环境参数之后，利用目标数理模型可以预测下一时刻目标船舶在小范围内的环境参数。由于区域范围越小，预测的环境参数的精确度越高，因此第二区域范围小的好处是可以精确目标船舶的环境参数。

由于第二区域范围小于第一区域范围，因此，当前时刻在第一区域范围内采集到的环境参数可以称为稀疏的环境参数，预测的下一时刻在第二区域范围内的环境参数可以称为随目标船舶运动一定范围内精细的环境参数。在预测时，可以选择性预测各种环境参数，预测的下一时刻的环境参数可以指当前时刻的环境参数的一部分。示例性的，当前时刻的环境参数包括：地形、潮位、海流的流速流向、风速风向、浪高浪向、水温、盐度、气压、海底摩阻和经纬度。预测的下一时刻的环境参数可以指风速风向、浪高浪向、海流的流速流向或水温。

需要注意的是，下一时刻可以指未来一段时间。本发明实施例对下一时刻的含义不做具体限制。示例性的，可以预测未来5分钟的环境参数，也可以预测未来2小时的环境参数。

在目标数理模型应用的过程中，利用船岸通信定期(例如两个小时一次)将稀疏的环境信息从岸基传送到船基。船基的计算机接收到稀疏的环境信息后，利用目标数理模型生成随目标船舶运动一定范围内的精细的环境信息。由于目标数理模型基于数理回归方法所得，因此该目标数理模型是一种映射关系，无需像传统求解控制方程的方式先画网格再进行反复迭代计算，因此预测的环境信息生成的时间由原来的几小时减小到几秒，大大的提高了计算效率。

进一步的，步骤S102包括以下步骤：利用目标计算客户端对第一训练样本进行计算，得到第二训练样本，其中，目标计算客户端包括：delft3D客户端或mike21客户端。

在本发明实施例中，通过delft3D软件或mike21软件对稀疏的第一训练样本进行数据处理，得到精细的第二训练样本。精细相对稀疏来说，是指针对同一计算范围划分的网格数量多而密，其确定的第二训练样本必然更加准确并且能捕捉各类环境参数的细小的变化；相反，稀疏的第一训练样本的特点是：网格数量少而稀，精度不足，也无法捕捉到环境参数的细小变化。

进一步的，参照图3，步骤S103包括以下步骤：利用机器学习方法对第一训练样本和第二训练样本进行回归分析，得到系数向量。即：

步骤S301，基于第一训练样本中所有的环境参数样本，构建第一向量。

在获取大量的第一训练样本之后，基于第一训练样本中所有的环境参数样本，构建第一向量。具体的，第一向量为：X＝(X₁,X₂，X_i…X_N)。其中，X为第一训练样本，X_i为第i个环境变量，例如X₁为地形、X₂为潮位等，N为第一训练样本对应的环境变量的总个数。

步骤S302，基于第二训练样本和第一向量，构建样本数据集，其中，第一向量为输入数据，第二训练样本为输出数据。

将输出数据分别设为Y₁，Y₂，Y_i,…Y_M。其中每一个Y_i均为一个输出的环境信息，例如：Y₁为风速风向、Y₂为浪高浪向等，M为第二训练样本对应的环境变量的总个数。将X与每一个Y组合，形成(X，Y₁)，(X，Y₂)…(X，Y_M)，每一个组合(X，Y₁)，(X，Y₂)…(X，Y_M)为机器学习方法提供样本数据集。

步骤S303，利用机器学习方法对样本数据集进行回归计算，得到系数向量。

具体的，机器学习方法包括但不限于：RidgeCV、LassoCV和SVM(Support VectorMachines，支持向量机)等。本发明实施例对机器学习方法不作具体限定。在获取大量的第一训练样本和第二训练样本的基础上，利用机器学习方法进行回归计算，得出稀疏的第一训练样本与精细的第二训练样本之间的函数关系。通过机器学习得到系数向量ω^*后便建立了完整的目标数理模型，进而可以根据指定的当前时刻在第一区域范围内采集到的环境参数计算得到对应的下一时刻在第二区域范围内的环境参数。

为了确定ω^*中各个系数，本发明实施例引入机器学习方法RidgeCV的目标函数，如下所示：

确定ω^*中各个系数具体为：将样本数据集(X,Y)分为训练集和测试集。随后，逐个计算在不同α的取值下训练集训练所得的ω^*，ω^*＝(X^TX)^-1X^TY。

这里α为惩罚项强弱的系数，在计算时给定一个筛选的范围，如(10^-3，10^-2，10^-1，10⁰，10¹，10²，10³)，E为单位矩阵。

再将训练所得的ω^*乘以测试集中的向量X得到相应的预测结果

预测的结果与测试集中真实的Y作对比，计算其误差：

误差越小表明预测的准确性越高。本发明实施例选择准确性最高的结果所对应的α值。确定了α值之后，系数向量ω^*也随即确定。

可选的，本发明实施例利用LassoCV对样本数据集进行回归计算，机器学习方法LassoCV的目标函数为：

上述LassoCV的目标函数中的各个参数的含义与机器学习方法RidgeCV的目标函数中的各个参数的含义相同，对此不再赘述。机器学习方法LassoCV与RidgeCV的区别在于：利用LassoCV确定系数向量ω^*常用的是坐标轴下降法、最小角回归法。

可选的，本发明实施例还可以利用机器学习方法SVM对样本数据集进行回归计算，得到系数向量，在本发明实施例中实施的具体过程不再赘述。

用于机器学习的数据量越多，机器学习预测结果的精度也越高。通过机器学习可以得到输入的第一训练样本与输出的第二训练样本之间的函数关系，这个关系不是根据物理过程所得，而是根据数理回归所得。因此，机器学习方法生成的目标数理模型可以用于在一个随目标船舶移动的小范围内对环境信息做出快速且精细的计算。

本发明实施例的目的是运用delft3D软件或mike21软件计算在各类环境变量影响下，下一时刻在一个较小范围内精细的环境信息。随后基于第一训练样本和第二训练样本进行机器学习从而建立一个基于回归计算的目标数理模型。该目标数理模型布置在船基上，在收到当前时刻的一组范围较大，数据点稀疏、数据量小的环境信息后能利用该模型快速计算出目标船舶所在位置一定范围内的精细的环境信息。本发明实施例克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

实施例二：

参照图4，本发明实施例提供的一种环境信息的数理模型确定装置，其中，包括以下模块：

第一获取模块11，用于获取当前时刻环境参数的第一训练样本，其中，第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；

第一确定模块12，用于基于第一训练样本确定下一时刻环境参数的第二训练样本；第二训练样本为目标船舶位于第二区域范围内时计算得到的环境参数样本；

第二确定模块13，用于利用第一训练样本和第二训练样本确定预设数理模型的系数向量；

第三确定模块14，用于结合系数向量和预设数理模型确定目标数理模型，其中，目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。

本发明实施例提供的一种环境信息的数理模型确定装置，先利用第一获取模块获取当前时刻环境参数的第一训练样本；然后利用第一确定模块基于第一训练样本确定下一时刻环境参数的第二训练样本；再利用第二确定模块基于第一训练样本和第二训练样本确定预设数理模型的系数向量；最后利用第三确定模块结合系数向量和预设数理模型确定目标数理模型。本发明实施例确定的目标数理模型可以布置在船基上，然后基于岸基发送的目标船舶在大范围内的当前时刻的环境参数，快速得到预测的船舶在下一时刻小范围内的环境参数，克服了船基的计算机计算能力不足的技术问题，为预测的实时性提供了保障，且为船基的自主决策提供了技术支持。

进一步的，参照图5，装置还包括以下装置：

第二获取模块15，用于获取当前时刻在第一区域范围内采集到的环境参数；

预测模块16，用于将当前时刻在第一区域范围内采集到的环境参数作为目标数理模型的输入，以通过目标数理模型预测下一时刻在第二区域范围内的环境参数。

进一步的，第一确定模块12包括：第一确定单元，用于利用目标计算客户端对第一训练样本进行计算，得到第二训练样本，其中，目标计算客户端包括：delft3D客户端或mike21客户端。

进一步的，第二确定模块13可以利用机器学习方法对第一训练样本和第二训练样本进行回归分析，得到系数向量。参照图6，第二确定模块13包括以下单元：

第一构建单元21，用于基于第一训练样本中所有的环境参数样本，构建第一向量；

第二构建单元22，用于基于第二训练样本和第一向量，构建样本数据集，其中，第一向量为输入数据，第二训练样本为输出数据；

回归计算单元23，用于利用机器学习方法对样本数据集进行回归计算，得到系数向量。

进一步的，当前时刻的环境参数包括以下至少一种参数：地形、潮位、海流的流速流向、风速风向、浪高浪向、水温、盐度、气压、海底摩阻和经纬度。

在本发明的又一实施例中，还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例所述方法的步骤。

在本发明的又一实施例中，还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行方法实施例所述方法。

附图中的流程图和框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例所提供的基于内网补丁共享的漏洞修复方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“第一”、“第二”和“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种环境信息的数理模型确定方法，其特征在于，包括：

获取当前时刻环境参数的第一训练样本，其中，所述第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；

基于所述第一训练样本确定下一时刻环境参数的第二训练样本；所述第二训练样本为所述目标船舶位于第二区域范围内时计算得到的环境参数样本；

利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量；

结合所述系数向量和所述预设数理模型确定目标数理模型，其中，所述目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取当前时刻在所述第一区域范围内采集到的环境参数；

将当前时刻在所述第一区域范围内采集到的环境参数作为所述目标数理模型的输入，以通过所述目标数理模型预测下一时刻在所述第二区域范围内的环境参数。

3.根据权利要求1所述的方法，其特征在于，基于所述第一训练样本确定下一时刻环境参数的第二训练样本包括：

利用目标计算客户端对所述第一训练样本进行计算，得到所述第二训练样本，其中，所述目标计算客户端包括：delft3D客户端或mike21客户端。

4.根据权利要求1所述的方法，其特征在于，利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量包括：

利用机器学习方法对所述第一训练样本和所述第二训练样本进行回归分析，得到系数向量。

5.根据权利要求4所述的方法，其特征在于，利用机器学习方法对所述第一训练样本和所述第二训练样本进行回归分析，得到系数向量包括：

基于所述第一训练样本中所有的环境参数样本，构建第一向量；

基于所述第二训练样本和所述第一向量，构建样本数据集，其中，所述第一向量为输入数据，所述第二训练样本为输出数据；

利用机器学习方法对所述样本数据集进行回归计算，得到所述系数向量。

6.根据权利要求1所述的方法，其特征在于，所述当前时刻的环境参数包括以下至少一种参数：地形、潮位、海流的流速流向、风速风向、浪高浪向、水温、盐度、气压、海底摩阻和经纬度。

7.一种环境信息的数理模型确定装置，其特征在于，包括：

第一获取模块，用于获取当前时刻环境参数的第一训练样本，其中，所述第一训练样本为目标船舶位于第一区域范围内时采集到的环境参数样本；

第一确定模块，用于基于所述第一训练样本确定下一时刻环境参数的第二训练样本；所述第二训练样本为所述目标船舶位于第二区域范围内时计算得到的环境参数样本；

第二确定模块，用于利用所述第一训练样本和所述第二训练样本确定预设数理模型的系数向量；

第三确定模块，用于结合所述系数向量和所述预设数理模型确定目标数理模型，其中，所述目标数理模型用于根据当前时刻的环境参数预测下一时刻的环境参数。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于获取当前时刻在所述第一区域范围内采集到的环境参数；

预测模块，用于将当前时刻在所述第一区域范围内采集到的环境参数作为所述目标数理模型的输入，以通过所述目标数理模型预测下一时刻在所述第二区域范围内的环境参数。

9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至6任一项所述的方法。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行如权利要求1至6任一项所述的方法。

Images