CN111428420A - 海表流流速预测方法、装置、计算机设备和存储介质 - Google Patents
海表流流速预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111428420A CN111428420A CN202010131802.1A CN202010131802A CN111428420A CN 111428420 A CN111428420 A CN 111428420A CN 202010131802 A CN202010131802 A CN 202010131802A CN 111428420 A CN111428420 A CN 111428420A
- Authority
- CN
- China
- Prior art keywords
- flow
- flow velocity
- residual
- residual flow
- predicted
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种海表流流速预测方法、装置、计算机设备和存储介质。所述方法包括:获取海表流流速;对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;基于所述调和分析对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据所述余流预测模型对所述余流流速进行预测,得到余流预测流速;将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。采用本方法能够简化预测模型的计算过程,降低计算成本,并提高预测结果的准确度。
Description
技术领域
本申请涉及海流预测技术领域,特别是涉及一种海表流流速预测方法、装置、计算机设备和存储介质。
背景技术
随着海洋经济和海洋军事发展等对海洋水文气象精细化需求的增强,海洋水文要素信息(如海流)预测的时效性及准确性至关重要,较早的预警预报能为职能部门应对防灾减灾提供更长准备窗口期,同时也能降低人员及财产损失。
现有海流预测方法为:基于数值模拟或结合数据同化技术的综合数值模型对海流进行预测,这种方法的思路是:根据研究区域特征,如深水区、浅水区、是否为中心区域等选择多个进行预测的数值模型,并设置初始时间点和边界条件,如水流、气压、温度、饱和度等,从初始时间点开始按一定的步长把基本方程(质量方程、动量方程、热量方程和盐量守恒方程以及能量平衡方程等)离散化为差分方程,利用计算机求解方程组,以模拟海流、波浪等水文要素场的分布。最后结合研究区域特点和历史经验,对用于海流预测的数值模型的相应参数(如三维模型中的垂向分层,底部摩擦系数等)进行调试后,得到预测模型,用该预测模型对研究区域的海表流流速进行预测。
然而,目前的海流预测方法中,由于数值模拟是对海洋动力过程的时空离散处理,从初始时间点开始离散,使得建模过程较长、计算量和计算成本较高,并且初始时间点和边界条件的设置,容易导致预测模型的误差较大。
因此,当前的海流预测方法存在预测模型建模过程长及预测误差大的问题。
发明内容
基于此,有必要针对上述预测方法中存在的建模过程较长、预测误差较大的技术问题,提供一种海表流流速预测方法、装置、计算机设备和存储介质。
一种海表流流速预测方法,所述方法包括:
获取海表流流速;
对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
基于所述调和分析对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
在其中一个实施例中,所述生成余流预测模型的步骤,包括:
将得到的所述余流流速作为余流流速样本,构成余流流速样本集;
从所述余流流速样本集中随机选取若干个余流流速样本,作为所述余流预测模型的余流流速训练集;
采用所述余流流速训练集对所述余流预测模型进行训练;
当训练结果符合预设条件时,保存所述余流预测模型的模型参数,得到所述余流预测模型。
在其中一个实施例中,所述构成余流流速样本集之前,还包括:
确定影响余流流速的特征变量;
获取特征变量数据,并将所述特征变量数据与所述余流流速进行融合,构成所述余流流速样本集。
在其中一个实施例中,所述确定影响余流流速的特征变量,包括:
确定影响所述余流流速的多个动力因子;
基于随机森林算法确定各个动力因子对所述余流流速的影响重要度;
根据所述影响重要度,从所述多个动力因子中选取若干个主导动力因子,作为所述特征变量。
在其中一个实施例中,所述生成余流预测模型,还包括:
调节所述余流预测模型的模型参数,得到多个候选余流预测模型;
确定各个候选余流预测模型的预测精度;
将符合预设条件的预测精度所对应的候选余流预测模型,作为所述余流预测模型。
在其中一个实施例中,所述确定各个候选余流预测模型的预测精度,包括:
确定所述候选余流预测模型的输入向量和目标余流流速;
将所述输入向量输入所述候选余流预测模型中,得到所述候选余流预测模型的预测余流流速;
计算所述预测余流流速相对于所述余流流速的误差值,根据所述误差值确定所述预测精度。
在其中一个实施例中,所述周期性潮流预测流速包括:第一周期性潮流预测流速分量和第二周期性潮流预测流速分量;所述余流预测流速包括:第一余流预测流速分量和第二余流预测流速分量;
所述将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速,包括:
将所述第一周期性潮流预测流速分量与所述第一余流预测流速分量进行叠加,得到第一海表流预测流速;
以及,将所述第二周期性潮流预测流速分量与所述第二余流预测流速分量进行叠加,得到第二海表流预测流速;
将所述第一海表流预测流速与所述第二海表流预测流速进行合成,得到所述海表流预测流速。
一种海表流流速预测装置,所述装置包括:
流速获取模块,用于获取海表流流速;
调和分析模块,用于对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
流速预测模块,用于对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,确定余流预测模型,并采用所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
流速合成模块,用于将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取海表流流速;
对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
基于所述调和分析对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取海表流流速;
对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
基于所述调和分析对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
上述海表流流速预测方法、装置、计算机设备和存储介质,考虑海表流受周期性和非周期性驱动力的共同作用,在获取海表流流速后,将海表流流速分为周期性潮流流速和余流流速分别进行预测,最后将得到的周期性潮流预测流速和余流预测流速进行合成,得到海表流预测流速。该方法中,基于调和分析法对周期性潮流进行预测,基于生成的余流预测模型对余流进行预测,无需设置初始时间点和边界条件,简化了预测模型的计算过程,降低了计算成本,并且,根据周期性潮流和余流的特点采用不同的方法对流速进行预测,可提高预测结果的准确度,从而,解决了传统方法中因设置初始时间点和边界条件导致模型建模时间长,误差和计算量较大的问题。
附图说明
图1为一个实施例中海表流流速预测方法的流程示意图;
图2为一个实施例中生成余流预测模型的步骤的流程示意图;
图3为一个实施例中确定特征变量的步骤的流程示意图;
图4为另一个实施例中海表流流速预测方法的流程示意图;
图5为一个实施例中人工神经网络模型构建过程的流程示意图;
图6为一个实施例中海表流流速预测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种海表流流速预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S102,获取海表流流速。
其中,海表流流速可表示海水在气压、引潮力、风力等因素的作用下,海水产生流动后,海洋近表层的水流速度。
具体实现中,可通过服务器先获取海流数据后,再对这些海流数据进行提取、反演和清洗处理,最后得到海表流流速。其中,海流数据可通过岸基地波雷达、多普勒声学流速剖面仪、卫星、船只、浮标等多种观测设备获取。其中,提取表示从所获得的海流数据中提取出海表流流速数据;清洗表示剔除海表流流速数据中的无效数据和重复数据,以保证得到海表流流速数据的有效性;反演表示在一些观测设备不能直接测得海表流流速时,则需要通过对观测设备获得的其他海流数据进行反演,得到海表流流速。
实际应用中,当同一时间段获得有来源于不同观测设备的海流数据时,可按照预设的选择条件,确定要提取的目标海流数据。其中,预设选择条件可以为:优先选择可直接测得海表流流速的观测设备所具有的海流数据;若同一时间段存在多个不同的观测设备均可直接测得海表流流速时,则可优先选择观测时间较长的观测设备所具有的海流数据,作为目标海流数据。
步骤S104,对海表流流速进行调和分析,得到海表流流速的周期性潮流流速和余流流速。
其中,调和分析表示将海上实测的海流分解为多个周期性潮流和余流叠加的形式;周期性潮流表示海水产生的周期性水平运动的海流;余流表示将海上实测的水流去除周期性潮流后余下部分的海流。
具体实现中,由于海表流流速为一个矢量,可将海表流流速分解在两个互相垂直的分量上,例如,可将海表流流速W分解为第一分量U和第二分量V,若将海表流流速的方向与第一分量的夹角记为θ,则有U=W cosθ,V=W sinθ。其中,第一分量U和第二分量V均可分为周期性潮流和余流叠加的形式,即第一分量U可分为第一周期性潮流流速分量和第一余流流速分量;第二分量V可分为第二周期性潮流流速分量和第二余流流速分量。则周期性潮流流速和余流流速均包括两个分量,即可将周期性潮流流速分为第一周期性潮流流速分量和第二周期性潮流流速分量,将余流流速分为第一余流流速分量和第二余流流速分量。
步骤S106,基于调和分析对周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据余流预测模型对余流流速进行预测,得到余流预测流速。
具体实现中,余流预测模型采用人工神经网络模型,例如,可采用三层后向反馈式神经网络模型。在将海表流流速进行调和分析后,则分别对周期性潮流流速和余流流速进行潮流流速预测,其中,对周期性潮流流速进行预测又包括对第一周期性潮流流速分量和第二周期性潮流流速分量分别进行预测;对余流流速进行预测又包括对第一余流流速分量和第二余流流速分量分别进行预测。
更具体地,可基于调和分析法对周期性潮流流速进行预测,首先计算调和常数及主要分潮流的振幅和相位,根据调和常数、振幅和相位值对周期性潮流流速进行预测,得到第一周期性潮流预测流速和第二周期性潮流预测流速。对余流进行预测的步骤包括:根据海表流的区域特征和气象特征对影响余流的驱动因子进行分析,以确定主导动力因子,将主导动力因子作为特征变量,与余流流速进行融合,作为余流预测模型的输入向量,对余流流速进行预测,进而得到第一余流预测流速和第二余流预测流速。
步骤S108,将周期性潮流预测流速与余流预测流速进行合成,得到海表流预测流速。
具体实现中,将周期性潮流预测流速与余流预测流速进行合成时,先将第一周期性潮流预测流速和第一余流预测流速进行叠加,将得到的流速记为第一海表流预测流速,以及,将第二周期性潮流预测流速和第二余流预测流速进行叠加,将得到的流速记为第二海表流预测流速。最后将第一海表流预测流速和第二海表流预测流速进行合成,则可得到海表流预测流速。
此外,在得到海表流预测流速后,可通过构建可视化预测平台,以使海表流流速的预测结果可视化,并且可根据需求,在可视化预测平台中查看各时间段海表流流速的预测结果或海表流流速的变化趋势。
上述海表流流速预测方法,考虑海表流受周期性和非周期性驱动力的共同作用,在获取海表流流速后,将海表流流速分为周期性潮流流速和余流流速分别进行预测,最后将得到的周期性潮流预测流速和余流预测流速进行合成,得到海表流预测流速。该方法中,基于调和分析法对周期性潮流进行预测,基于生成的余流预测模型对余流进行预测,无需设置初始时间点和边界条件,简化了预测模型的计算过程,降低了计算成本,并且,根据周期性潮流和余流的特点采用不同的方法对流速进行预测,可提高预测结果的准确度,从而,解决了传统方法中因设置初始时间点和边界条件导致模型建模时间长,误差和计算量较大的问题。
在一个实施例中,如图2所示,上述生成余流预测模型的步骤,包括:
步骤S202,将得到的余流流速作为余流流速样本,构成余流流速样本集;
步骤S204,从余流流速样本集中随机选取若干个余流流速样本,作为余流预测模型的余流流速训练集;
本步骤中,在得到余流流速样本集后,服务器通过程序的运行将余流流速样本集分为:余流流速训练集和余流流速测试集。其中,余流流速训练集用于对余流预测模型进行训练,余流流速测试集用于测试余流预测模型的预测精度。更具体地,余流流速训练集的获取方式为:从余流流速样本集中随机选取若干个余流流速样本,构成余流流速训练集。或将余流流速样本集按照一定比例随机分为余流流速训练集和余流流速测试集。
步骤S206,采用余流流速训练集对余流预测模型进行训练;
本步骤中,余流预测模型采用人工神经网络模型,由输入层、隐藏层和输出层三部分构成,具有良好的鲁棒性。采用随机选取的余流流速样本构成的余流流速训练集对余流预测模型进行训练,可避免对余流预测模型的过拟合训练,降低预测的准确性的问题。
步骤S208,当训练结果符合预设条件时,保存余流预测模型的模型参数,得到余流预测模型。
本步骤中,设定条件可以为设定的训练次数或训练精度,即当对余流预测模型的训练达到设定次数时,保存模型参数;或是对余流预测模型的训练结果达到设定的训练精度,即训练结果的误差在允许的范围内时,保存余流预测模型的模型参数,得到余流预测模型。
本实施例中,生成人工神经网络结构的余流预测模型,并采用余流流速训练集对余流预测模型进行训练,无需根据经验进行确定,可确保预测结果的客观性,且余流预测模型建立与调试过程对用户专业背景要求较低,进而可避免采用数值模型时,依赖于用户经验,预测具有主观偏差,容易导致较大预测误差的问题。
在一个实施例中,上述构成余流流速样本集的步骤之前,还包括:确定影响余流流速的特征变量;获取特征变量数据,并将特征变量数据与余流流速进行融合,构成余流流速样本集。
具体实现中,在得到余流流速后,考虑到余流流速还受到如潮汐水位、径向流速、风应力和气压等因素的影响,因此,还需要获取对余流流速具有显著影响的影响因素对应的数据,作为特征变量数据,在获得特征变量数据后,将特征变量数据与余流流速进行融合,将融合后的数据集作为余流流速样本集。
本实施例中,充分考虑了其它影响要素对余流流速的影响,将影响余流流速的特征变量的相关数据与余流流速进行融合,构成余流流速样本集,该方法可减小预测误差,极大地提高余流流速预测结果的精确性。进一步,根据余流流速样本集构建余流预测模型,将各影响因素与余流流速融合后作为余流预测模型的输入向量进行余流流速的预测,使得构建的余流预测模型可适用于不同的研究区域,使余流预测模型具有通用性,可解决现有数值模型仅针对某一特定区域进行建立,不适用于其他研究区域的弊端。
在一个实施例中,上述确定影响余流流速的特征变量的步骤具体包括:
步骤S302,确定影响余流流速的多个动力因子;
本步骤中,根据海流区域特征和气象特征,确定影响余流流速的如潮汐水位、径向流速、风应力和气压等多个动力因子。
步骤S304,基于随机森林算法确定各个动力因子对余流流速的影响重要度;
本步骤中,随机森林(random forest)算法属于一种机器学习算法,通过随机算法确定各动力因子对余流流速的影响重要度,进而得到各动力因子的重要度排序。
步骤S306,根据影响重要度,从多个动力因子中选取若干个主导动力因子,作为特征变量。
本步骤中,在得到各动力因子的重要度排序后,按照各动力因子的影响重要度从确定的多个动力因子中选取影响重要度较大的若干个主导动力因子。具体地,可按照影响重要度的数值从大到小的顺序选取前几个动力因子,作为主导动力因子,构成特征变量。其中,主导动力因子的数量应不少于两个,且选取的若干个主导动力因子的影响重要度之和应不小于各个动力因子影响重要度之和的80%,以确保所选择的主导动力因子的有效性。
本实施例中,通过考虑动力因子对余流流速的影响,基于随机森林算法对影响余流流速的各动力因子的影响重要度进行计算与评价,明确影响余流流速变化的动力因子贡献机制及其差异性,选择主导动力因子进一步进行余流预测模型的构建,实现余流预测模型的通用性。
在一个实施例中,上述生成余流预测模型的步骤,还包括:调节余流预测模型的模型参数,得到多个候选余流预测模型;确定各个候选余流预测模型的预测精度;将符合预设条件的预测精度所对应的候选余流预测模型,作为余流预测模型。
具体实现中,模型参数可以为隐藏层节点个数,余流预测模型学习的案例数,时间步长和训练次数等。在采用余流流速训练集对预测模型进行训练时,可通过敏感性试验,即调节预测模型的模型参数,得到不同参数的预测结果,进而通过对比分析参数变化与对应的预测结果之间的关系,选取预测结果最优的一组参数,作为余流预测模型的最优模型参数。其中,每个模型参数的改变,都对应一个新的余流预测模型,因此,在调节预测模型的余流模型参数时,将生成多个预测模型,将其作为候选余流预测模型。逐个确定每个候选余流预测模型的预测精度,将符合预设条件的预测精度对应的候选余流预测模型,作为最终的余流预测模型。其中,预设条件可以为预测精度数值最高,例如,将各个候选余流预测模型的预测精度进行排序,数值最大的预测精度所对应的候选余流预测模型,即可作为余流预测模型。
本实施例中,通过对余流预测模型的模型参数的调节,得到多个候选余流预测模型,进一步根据各个候选余流预测模型的预测精度确定最优的余流预测模型,以提高对余流流速预测的精确性。
在一个实施例中,上述确定各个候选余流预测模型的预测精度的步骤,具体包括:确定候选余流预测模型的输入向量和目标余流流速;将输入向量输入候选余流预测模型中,得到候选余流预测模型的预测余流流速;计算预测余流流速相对于余流流速的误差值,根据误差值确定预测精度。
具体实现中,可从余流流速测试集中选取输入向量和目标余流流速,余流流速测试集可由余流流速样本集除去余流流速训练集后的余流流速样本所构成。在确定输入向量和目标余流流速后,将输入向量通过候选余流预测模型的输入层输入隐藏层中,在隐藏层中进行处理后,通过输出层输出余流流速的预测值,记为预测余流流速。最后,计算该预测余流流速相对于目标余流流速的误差值,根据误差值,便可确定候选余流预测模型的预测精度。其中,预测余流流速相对于目标余流流速的误差值可以为均方差值或绝对误差值。
实际应用中,为了提高对候选余流预测模型精度的判别准确度,可在确定候选余流预测模型的预测精度时,选取多组输入向量和目标余流流速,通过计算平均误差值,确定候选余流预测模型的预测精度。
本实施例中,通过对候选余流预测模型的误差值的计算,来确定预测精度,进而可根据预测精度从候选余流预测模型中选取最优,即预测精度最高的余流预测模型,对余流流速进行预测,从而提高预测结果的精确性。
在一个实施例中,周期性潮流预测流速包括:第一周期性潮流预测流速分量和第二周期性潮流预测流速分量;余流预测流速包括:第一余流预测流速分量和第二余流预测流速分量;上述步骤S108具体包括:将第一周期性潮流预测流速分量与第一余流预测流速分量进行叠加,得到第一海表流预测流速,以及,将第二周期性潮流预测流速分量与第二余流预测流速分量进行叠加,得到第二海表流预测流速;将第一海表流预测流速与第二海表流预测流速进行合成,得到海表流预测流速。
本实施例中,在获得周期性潮流和余流的各分量后,先通过叠加得到第一海表流流速和第二海表流流速,再将第一海表流流速和第二海表流流速进行合成,以便于进一步根据合成的海表流流速对研究的海域进行分析,为管理者提供决策支持,避免通过单个分量进行研究,容易降低分析结果的准确度和可信度的问题。
为了更清晰阐明本申请实施例提供的技术方案,以下将结合图4对该方案进行说明,图4为一个应用实例中海表流流速预测方法的流程示意图,该方法的具体流程如下:
(1)多源海流数据的获取。通过多种观测设备获取海流数据后,对海流数据进行提取、反演和清洗等处理,得到海表流流速。
(2)对海表流流速进行调和分析,提取出周期性潮流流速,将除去周期性潮流流速的部分作为余流流速,并通过调和分析得到调和常数和周期性潮流中主要分潮流的相位和振幅。
(3)基于调和分析方法,根据调和常数、主要分潮流的相位和振幅对周期性潮流进行预测,得到周期性潮流预测流速。
(4)确定影响余流流速的主导动力因子,并基于人工神经网络构建余流预测模型,根据余流预测模型对余流流速进行预测,得到余流预测流速。
(5)将周期性潮流预测流速与余流预测流速进行合成,得到海表流预测流速。
(6)构建可视化预测平台,使海表流流速的预测结果可视化。
其中,余流流速的预测过程可参考图5,如图5所示,为基于人工神经网络的余流预测的流程示意图,具体包括:
步骤S502,确定影响余流流速的主导动力因子,将主导驱动因子与余流流速共同作为人工神经网络模型的输入向量。
步骤S504,进行人工神经网络结构的层数率定,即确定输入层神经元个数、隐藏层数量和输出层神经元个数。其中,输入层的神经元个数由输入向量确定,隐藏层数量可以为3个,输出层的神经元个数至少为一个,即余流流速。
步骤S506,改变选取的主导动力因子的数量(至少为2个),进行输入变量结构的敏感性试验,确定最优主导动力因子数量。
步骤S508,进行人工神经网络模型的训练与测试。
步骤S510,调节人工神经网络模型参数,如训练次数、学习案例数、时间步长和隐藏层节点个数等,得到多个候选模型,对比评价每个候选模型的预测精度,选取最优的人工神经网络模型。
步骤S512,采用得到的人工神经网络模型进行余流流速的预测。
本实施例中,通过考虑海表流受周期性和非周期性驱动力的共同作用,对海表流流速的预测对应建立预测模型,周期性潮流流速基于调和分析及其预测求得。非周期性余流流速通过分析动力因子驱动机制,明确影响余流的主导动力因子,并以主导动力因子为输入变量建立人工神经网络模型进行余流流速预测,将两部分求得的流速合成得到总海表流预测流速。该方法相比于传统数值模拟,充分考虑海表流的时空变化特征,对其分别进行分析与预测,简化了预测模型建立过程,降低了模型计算成本,提升了模型的通用性,从而提高了海表流流速预测模型的灵活度及准确性。
应该理解的是,虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种海表流流速预测装置,包括:流速获取模块602、调和分析模块604、流速预测模块606和流速合成模块608,其中:
流速获取模块602,用于获取海表流流速;
调和分析模块604,用于对海表流流速进行调和分析,得到海表流流速的周期性潮流流速和余流流速;
流速预测模块606,用于对周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,确定余流预测模型,并采用余流预测模型对余流流速进行预测,得到余流预测流速;
流速合成模块608,用于将周期性潮流预测流速与余流预测流速进行合成,得到海表流预测流速。
在一个实施例中,上述海表流流速预测装置还包括:
样本集构成模块,用于将得到的余流流速作为余流流速样本,构成余流流速样本集;
训练集形成模块,用于从余流流速样本集中随机选取若干个余流流速样本,作为余流预测模型的余流流速训练集;
模型训练模块,用于采用余流流速训练集对余流预测模型进行训练;
模型确定模块,用于当训练结果符合预设条件时,保存余流预测模型的模型参数,得到余流预测模型。
在一个实施例中,上述海表流流速预测装置还包括:
变量确定模块,用于确定影响余流流速的特征变量;
数据获取模块,用于获取特征变量数据,并将特征变量数据与余流流速进行融合,构成余流流速样本集。
在一个实施例中,上述变量确定模块,具体用于:确定影响余流流速的多个动力因子;基于随机森林算法确定各个动力因子对余流流速的影响重要度;根据影响重要度,从多个动力因子中选取若干个主导动力因子,作为特征变量。
在一个实施例中,上述海表流流速预测装置还包括:
参数调节模块,用于调节余流预测模型的模型参数,得到多个候选余流预测模型;
精度确定模块,用于确定各个候选余流预测模型的预测精度;
精度筛选模块,用于将符合预设条件的预测精度所对应的候选余流预测模型,作为余流预测模型。
在一个实施例中,上述精度确定模块具体用于:确定候选余流预测模型的输入向量和目标余流流速;将输入向量输入候选余流预测模型中,得到候选余流预测模型的预测余流流速;计算预测余流流速相对于余流流速的误差值,根据误差值确定预测精度。
在一个实施例中,上述流速合成模块608具体用于:将第一周期性潮流预测流速分量与第一余流预测流速分量进行叠加,得到第一海表流预测流速;以及,将第二周期性潮流预测流速分量与第二余流预测流速分量进行叠加,得到第二海表流预测流速;将第一海表流预测流速与第二海表流预测流速进行合成,得到海表流预测流速。
需要说明的是,本申请的海表流流速预测装置与本申请的海表流流速预测方法一一对应,在上述海表流流速预测方法的实施例阐述的技术特征及其有益效果均适用于海表流流速预测装置的实施例中,具体内容可参见本申请方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述海表流流速预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储海表流流速数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种海表流流速预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取海表流流速;
对海表流流速进行调和分析,得到海表流流速的周期性潮流流速和余流流速;
基于调和分析对周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据余流预测模型对余流流速进行预测,得到余流预测流速;
将周期性潮流预测流速与余流预测流速进行合成,得到海表流预测流速。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将得到的余流流速作为余流流速样本,构成余流流速样本集;从余流流速样本集中随机选取若干个余流流速样本,作为余流预测模型的余流流速训练集;采用余流流速训练集对余流预测模型进行训练;当训练结果符合预设条件时,保存余流预测模型的模型参数,得到余流预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定影响余流流速的特征变量;获取特征变量数据,并将特征变量数据与余流流速进行融合,构成余流流速样本集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定影响余流流速的多个动力因子;基于随机森林算法确定各个动力因子对余流流速的影响重要度;根据影响重要度,从多个动力因子中选取若干个主导动力因子,作为特征变量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:调节余流预测模型的模型参数,得到多个候选余流预测模型;确定各个候选余流预测模型的预测精度;将符合预设条件的预测精度所对应的候选余流预测模型,作为余流预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定候选余流预测模型的输入向量和目标余流流速;将输入向量输入候选余流预测模型中,得到候选余流预测模型的预测余流流速;计算预测余流流速相对于余流流速的误差值,根据误差值确定预测精度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第一周期性潮流预测流速分量与第一余流预测流速分量进行叠加,得到第一海表流预测流速;以及,将第二周期性潮流预测流速分量与第二余流预测流速分量进行叠加,得到第二海表流预测流速;将第一海表流预测流速与第二海表流预测流速进行合成,得到海表流预测流速。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取海表流流速;
对海表流流速进行调和分析,得到海表流流速的周期性潮流流速和余流流速;
基于调和分析对周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据余流预测模型对余流流速进行预测,得到余流预测流速;
将周期性潮流预测流速与余流预测流速进行合成,得到海表流预测流速。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将得到的余流流速作为余流流速样本,构成余流流速样本集;从余流流速样本集中随机选取若干个余流流速样本,作为余流预测模型的余流流速训练集;采用余流流速训练集对余流预测模型进行训练;当训练结果符合预设条件时,保存余流预测模型的模型参数,得到余流预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定影响余流流速的特征变量;获取特征变量数据,并将特征变量数据与余流流速进行融合,构成余流流速样本集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定影响余流流速的多个动力因子;基于随机森林算法确定各个动力因子对余流流速的影响重要度;根据影响重要度,从多个动力因子中选取若干个主导动力因子,作为特征变量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:调节余流预测模型的模型参数,得到多个候选余流预测模型;确定各个候选余流预测模型的预测精度;将符合预设条件的预测精度所对应的候选余流预测模型,作为余流预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定候选余流预测模型的输入向量和目标余流流速;将输入向量输入候选余流预测模型中,得到候选余流预测模型的预测余流流速;计算预测余流流速相对于余流流速的误差值,根据误差值确定预测精度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第一周期性潮流预测流速分量与第一余流预测流速分量进行叠加,得到第一海表流预测流速;以及,将第二周期性潮流预测流速分量与第二余流预测流速分量进行叠加,得到第二海表流预测流速;将第一海表流预测流速与第二海表流预测流速进行合成,得到海表流预测流速。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种海表流流速预测方法,其特征在于,所述方法包括:
获取海表流流速;
对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
基于所述调和分析对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,生成余流预测模型,并根据所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
2.根据权利要求1所述的方法,其特征在于,所述生成余流预测模型的步骤,包括:
将得到的所述余流流速作为余流流速样本,构成余流流速样本集;
从所述余流流速样本集中随机选取若干个余流流速样本,作为所述余流预测模型的余流流速训练集;
采用所述余流流速训练集对所述余流预测模型进行训练;
当训练结果符合预设条件时,保存所述余流预测模型的模型参数,得到所述余流预测模型。
3.根据权利要求2所述的方法,其特征在于,所述构成余流流速样本集之前,还包括:
确定影响余流流速的特征变量;
获取特征变量数据,并将所述特征变量数据与所述余流流速进行融合,构成所述余流流速样本集。
4.根据权利要求3所述的方法,其特征在于,所述确定影响余流流速的特征变量,包括:
确定影响所述余流流速的多个动力因子;
基于随机森林算法确定各个动力因子对所述余流流速的影响重要度;
根据所述影响重要度,从所述多个动力因子中选取若干个主导动力因子,作为所述特征变量。
5.根据权利要求1所述的方法,其特征在于,所述生成余流预测模型,还包括:
调节所述余流预测模型的模型参数,得到多个候选余流预测模型;
确定各个候选余流预测模型的预测精度;
将符合预设条件的预测精度所对应的候选余流预测模型,作为所述余流预测模型。
6.根据权利要求5所述的方法,其特征在于,所述确定各个候选余流预测模型的预测精度,包括:
确定所述候选余流预测模型的输入向量和目标余流流速;
将所述输入向量输入所述候选余流预测模型中,得到所述候选余流预测模型的预测余流流速;
计算所述预测余流流速相对于所述余流流速的误差值,根据所述误差值确定所述预测精度。
7.根据权利要求1所述的方法,其特征在于,所述周期性潮流预测流速包括:第一周期性潮流预测流速分量和第二周期性潮流预测流速分量;所述余流预测流速包括:第一余流预测流速分量和第二余流预测流速分量;
所述将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速,包括:
将所述第一周期性潮流预测流速分量与所述第一余流预测流速分量进行叠加,得到第一海表流预测流速;
以及,将所述第二周期性潮流预测流速分量与所述第二余流预测流速分量进行叠加,得到第二海表流预测流速;
将所述第一海表流预测流速与所述第二海表流预测流速进行合成,得到所述海表流预测流速。
8.一种海表流流速预测装置,其特征在于,所述装置包括:
流速获取模块,用于获取海表流流速;
调和分析模块,用于对所述海表流流速进行调和分析,得到所述海表流流速的周期性潮流流速和余流流速;
流速预测模块,用于对所述周期性潮流流速进行潮流预测,得到周期性潮流预测流速,以及,确定余流预测模型,并采用所述余流预测模型对所述余流流速进行预测,得到余流预测流速;
流速合成模块,用于将所述周期性潮流预测流速与所述余流预测流速进行合成,得到海表流预测流速。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131802.1A CN111428420B (zh) | 2020-02-29 | 2020-02-29 | 海表流流速预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131802.1A CN111428420B (zh) | 2020-02-29 | 2020-02-29 | 海表流流速预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428420A true CN111428420A (zh) | 2020-07-17 |
CN111428420B CN111428420B (zh) | 2022-02-11 |
Family
ID=71548004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131802.1A Active CN111428420B (zh) | 2020-02-29 | 2020-02-29 | 海表流流速预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428420B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012491A (zh) * | 2021-03-18 | 2021-06-22 | 河海大学 | 一种可视化海洋预报模拟系统及其实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08292273A (ja) * | 1995-04-21 | 1996-11-05 | Yuseisho Tsushin Sogo Kenkyusho | 津波・海象監視予測装置 |
CN109614711A (zh) * | 2018-12-12 | 2019-04-12 | 国家海洋局第海洋研究所 | 一种基于潮汐潮流数值模拟提高多分潮调和常数计算精度的方法 |
CN110378518A (zh) * | 2019-06-24 | 2019-10-25 | 浙江大学 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
-
2020
- 2020-02-29 CN CN202010131802.1A patent/CN111428420B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08292273A (ja) * | 1995-04-21 | 1996-11-05 | Yuseisho Tsushin Sogo Kenkyusho | 津波・海象監視予測装置 |
CN109614711A (zh) * | 2018-12-12 | 2019-04-12 | 国家海洋局第海洋研究所 | 一种基于潮汐潮流数值模拟提高多分潮调和常数计算精度的方法 |
CN110378518A (zh) * | 2019-06-24 | 2019-10-25 | 浙江大学 | 一种采用lstm-narx混合模型的水下潮流预测方法 |
Non-Patent Citations (4)
Title |
---|
LEI REN等: "Short-Term Forecasting of Coastal Surface Currents Using High Frequency Radar Data and Artificial Neural Networks", 《REMOTE SENSING》 * |
TSUNG-LIN LEE等: "A Combined Harmonic Analysis–Artificial Neural Network Methodology for Tidal Predictions", 《JOURNAL OF COASTAL RESEARCH》 * |
陈士岭等: "一年潮流数据的调和分析研究", 《水道港口》 * |
黄立文等: "实时流场预报及在海面溢油轨迹预测中的应用", 《中国航海》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012491A (zh) * | 2021-03-18 | 2021-06-22 | 河海大学 | 一种可视化海洋预报模拟系统及其实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428420B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdeljaber et al. | Nonparametric structural damage detection algorithm for ambient vibration response: utilizing artificial neural networks and self-organizing maps | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN104915534B (zh) | 基于序列学习的电力铁塔变形分析与决策方法 | |
Pena et al. | Wave-GAN: a deep learning approach for the prediction of nonlinear regular wave loads and run-up on a fixed cylinder | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
Lee et al. | Cultural heritage and the intelligent internet of things | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
Cheng et al. | Long-term joint distribution of environmental conditions in a Norwegian fjord for design of floating bridges | |
Tarwidi et al. | An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach | |
Yu et al. | Application of time series prediction techniques for coastal bridge engineering | |
Lu et al. | Quantification of fatigue damage for structural details in slender coastal bridges using machine learning-based methods | |
Chen et al. | An analytical pattern-based method for estimation of a near-surface tornadic wind field | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
Liu et al. | Buffeting analysis of a suspension bridge under construction based on adjacent wind field data | |
Romano-Moreno et al. | Wave downscaling strategies for practical wave agitation studies in harbours | |
Patruno et al. | An efficient approach to the evaluation of wind effects on structures based on recorded pressure fields | |
Yuan et al. | A novel hybrid approach to mooring tension prediction for semi-submersible offshore platforms | |
CN112465136A (zh) | 一种水电机组劣化预测方法和系统 | |
Davis et al. | Systematic identification of drag coefficients for a heaving wave follower | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
Cotrim et al. | Neural network meta-models for FPSO motion prediction from environmental data with different platform loads | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
Mohammadzaheri et al. | Fuzzy analysis of Resonance Frequencies for structural inspection of an engine cylinder block | |
Yang et al. | Predicting future mooring line tension of floating structure by machine learning |
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 |