CN112862178A - 一种基于深度学习的海洋站水位时空预测方法及装置 - Google Patents
一种基于深度学习的海洋站水位时空预测方法及装置 Download PDFInfo
- Publication number
- CN112862178A CN112862178A CN202110145655.8A CN202110145655A CN112862178A CN 112862178 A CN112862178 A CN 112862178A CN 202110145655 A CN202110145655 A CN 202110145655A CN 112862178 A CN112862178 A CN 112862178A
- Authority
- CN
- China
- Prior art keywords
- water level
- model
- characteristic data
- cnn
- lstm
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 59
- 210000004027 cell Anatomy 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度学习的海洋站水位时空预测方法及装置,该方法包括:获取待预测的海洋站多点水位的观测数据;多点水位的观测数据存在时空映射关系;将多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;基于水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。该方法可实现针对海洋站水位数据的高精度预报;仅需使用多个海洋站的水位序列数据,不需要使用其它数据;占用资源少,计算速度快。且可用于但不限于海洋站水位预报,也可用于水位要素以外其它要素预报。
Description
技术领域
本发明涉及海洋科技技术领域,具体涉及一种基于深度学习的海洋站水位时空预测方法及装置。
背景技术
水位是海洋环境中最重要的组成部分之一。水位预测在海上交通、防灾减灾、生态保护和能源利用等领域都具有重要意义。最常用水位预测方法为调和分析方法,该方法将实测水位数据利用傅里叶级数展开,将水位中的天文潮部分用各个分潮分离出来,从而通过对分潮的预测实现对天文潮的预测,由于水位信号中绝大部分由天文潮信号组成,所以对天文潮的预测基本可以等同于水位预测。但是水位中除了天文潮部分还有其它因素例如气象因素造成的非周期性的水位变化,该变化无法用此种方法预测。另一种预测方法为利用机器学习去学习水位变化规律,从而对水位做出预测,常用的为BP神经网络模型,但现已有的神经网络模型大多结构简单、类型单一,有很大局限性。
因此,如何解决现有预测方法都存在的一定程度局限性和精度不足的问题,是同行从业人员亟待解决的问题。
发明内容
鉴于现有的预测方法都存在一定程度的局限性和精度不足之处,本发明提供了一种基于深度学习的海洋站水位时空预测方法及装置,该方法基于CNN和LSTM的深度学习模型,进行海洋站水位时空预测,能够弥补上述缺陷。
第一方面,本发明实施例提供一种基于深度学习的海洋站水位时空预测方法,包括:
获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
进一步地,所述CNN和LSTM深度学习模型的构建步骤包括:
构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;
构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;
训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
进一步地,还包括:
采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。
进一步地,所述平均绝对误差MAE,计算公式:
所述相关系数CC计算公式:
进一步地,所述目标CNN模型包括卷积层和池化层;当输入水位观测数据的二维矩阵时,所述卷积层的特征图C表示如下:
第二方面,本发明实施例还提供一种基于深度学习的海洋站水位时空预测装置,包括:
获取模块,用于获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
输入模块,用于将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
预测模块,用于基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
进一步地,所述输入模块中CNN和LSTM深度学习模型的构建步骤包括:构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
进一步地,还包括:
评估模块,用于采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。
第三方面,本发明实施例再提供一种基于深度学习的海洋站水位时空预测装置,包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
第四方面,本发明实施例又提供一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如上述实施例中任一项所述的基于深度学习的海洋站水位时空预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的基于基于深度学习的海洋站水位时空预测方法,与现有技术相比,具有如下优势:
通过获取海洋站多点水位的观测数据,利用了海洋站多点水位之间的时空关联关系,基于构建的CNN和LSTM的深度学习预测模型,最终得出目标海洋站水位的预测值,提高了海洋站水位数据预测精度和效率。其中,CNN和LSTM网络模型结构成熟,实现简单,可实现针对海洋站水位数据的高精度预报;仅需使用多个海洋站的水位序列数据,不需要使用其它数据;占用资源少,计算速度快。且可用于但不限于海洋站水位预报,也可用于水位要素以外其它要素预报。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于深度学习的海洋站水位时空预测方法流程图;
图2为本发明实施例提出方法的实验流程图;
图3为本发明实施例提供的CNN深度学习网络结构;
图4为本发明实施例提供的LSTM深度学习网络结构;
图5为本发明实施例提供的基于深度学习的海洋站水位时空预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不能理解为对本发明的限制。本发明中使用的术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间部件间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1:
参照图1所示,本发明实施例提供的基于深度学习的海洋站水位时空预测方法,可以在移动终端、计算机终端或者类似的运算装置中执行;包括:
S10、获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
S20、将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
S30、基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
其中,步骤S10中海洋站可根据功能分为长期验潮站、短期验潮站、临时验潮站和海上定点验潮站。每个功能站都具有多个点水位的观测设备,用于获得水位的观测数据。水位的观测数据,指的是一个高程——自由水面离某一固定基面的高程。
长期验潮站是测区水位控制的基础,主要用于计算平均海面,一般应有2年以上连续观测的水位资料;
短期验潮站用于补充长期验潮站的不足,与长期验潮站共同推算确定测区的深度基准面,一般应有30天以上连续观测的水位资料;
临时验潮站在水深测量时设置,至少应与长期站和短期站在大潮期间同步观测水位3天,主要用于深度测量时进行水位改正;
海上定点验潮站,至少应在大潮期间与相关长期站或短期站同步观测一次或三次24小时或连续观测15天水位资料,用于推算平均海面、深度基准面以及预报瞬时水位,进行深度测量时的水位改正。
比如,以海上定点验潮站采集的数据为例,实现针对海洋站水位数据的高精度预报,预报数据时间间隔1小时,24小时预报平均绝对误差为7cm,达到国际先进水平。
步骤S20中,CNN和LSTM深度学习模型的构建步骤包括:
构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;
构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;
训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
参照图2所示,该方法通过获取海洋站多点水位的观测数据,利用了海洋站多点水位之间的时空关联关系,并进行标准化处理,将输入的多点水位数据按站位分布构成矩阵形式,将二维矩阵输入进CNN模型中,通过CNN模型提取出水位数据的空间特征。然后将处理后的水位空间特征数据输入进LSTM模型中,通过LSTM模型首先提取出水位空间特征数据的时间特征,然后将提取的水位时空特征数据通过LSTM模型中的全连接层进行预测,得到最终的水位预测结果,提高了海洋站水位数据预测精度和效率。
下面通过具体实施例来详细说明本发明的技术方案:
本实施例采用使用2017年1月1日至2017年12年31日的崇武和晋江海洋站水位数据集用于模型建立与训练评估,数据间隔1小时,数据样本长度为8760条。其中6307组(72%)用于训练,700组(8%)用于验证,1753组(20%)用于测试。
本实施例中的海洋站多点数据是指目标海洋站水位数据和邻近水位形势类似的海洋站水位数据,可为两个或多个,来预测目标海洋站水位数据。本实施例中,崇武和晋江海洋站相距50km,二者水位数据相关性强,变化趋势一致,可作为本实施例的样本数据,本实施例中目标海洋站选取为崇武海洋站。需说明的是,目标海洋站也可选取为晋江海洋站,并无区别。
基于CNN和LSTM的深度学习海洋站水位时空预测方法首先将输入的多点水位数据按站位分布构成矩阵形式,将二维矩阵输入进CNN模型中,通过CNN模型提取出水位数据的空间特征。然后将处理后的水位空间特征数据输入进LSTM模型中,通过LSTM模型首先提取出水位空间特征数据的时间特征,然后将提取的水位时空特征数据通过LSTM模型中的全连接层进行预测,得到最终的水位预测结果。
卷积神经网络CNN借助卷积运算操作的优势,能够对原始数据进行更高层次和更抽象的表达,在空间领域表现突出,因此在本实施例中,利用CNN处理矩阵数据。由于本实施例站位的水位数据之间存在空间相关性,所以能够运用CNN处理其空间特征。CNN基本结构如图3所示,主要包含卷积层与池化层。卷积层最初是受生物研究结果的启发而构建,通过设计尺寸适宜的卷积核对感受野内的信息进行卷积操作,以抽象表达原始数据。当输入数据X时,卷积层的特征图C可表示如下:
池化层对卷积输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量,防止过拟合。本实施例利用CNN抽取原始数据的空间特征,挖掘多维数据之间的相互关联并从中剔除噪声和不稳定成分,将处理后的模式相对稳定的信息作为整体传入LSTM网络进行长序列预测。
LSTM是由循环神经网络衍生而来的时序卷积神经网络,通过引入门函数,可以挖掘时间序列中相对较长间隔和延迟等的时序变化规律。LSTM结构包含输入门、输出门、遗忘门和记忆单元(Cell),输入门、输出门、遗忘门都是逻辑单元,它们不会将自己的输出发送给其他神经元,而是负责在神经网络的其他部分与记忆单元连接的边缘处设定权值,用来选择性记忆反馈的误差函数随梯度下降的修正参数,其具体结构如图4。
输入门(Input Gate),输出门(Output Gate),用来接收以及输出参数和修正参数,分别记为i,o。遗忘门(Forget Gate),表示是否保留当前隐藏层节点存储的历史信息,记为f。记忆单元(Cell),表示神经元状态的记忆,记为c。3个门以及独立的Cell单元的设计,使得LSTM单元有保存,读取、重置和更新长距离历史信息的能力。它们的计算过程如下式。
it=σ(Wi·[ht-1,xt]+bi)
ft=σ(Wf·[ht-1,xt]+bf)
ot=σ(Wo·[ht-1,xt]+bo)
gt=tanh(Wg·[ht-1,xt]+bg)
其中,h表示隐藏状态,W和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别为sigmoid和双曲正切激活函数。具体地,Wi、Wf、Wo、Wg分别指代输入层到输入门、遗忘门、输出门与记忆单元的权重向量;bi、bf、bo、bg分别指代输入门、遗忘门、输出门与记忆单元的偏移量;ht-1指代在t-1时刻的隐层状态,ht指代在t时刻的隐层状态,xt指代第t个输入序列元素值,it、ft、ot、gt分别为输入门、遗忘门、输出门和记忆单元的t时刻输出,Ct是整个神经元的t时刻输出,Ct-1是整个神经元的t-1时刻输出,表示一种复合关系。
CNN和LSTM深度学习模型构建步骤如下:
首先,构建CNN模型。将晋江和崇武水位标准化处理后组合成二维矩阵,将该二维矩阵输入进CNN模型,通过CNN提取出水位数据的空间特征。比如:本实施例中,标准化处理是将水位数据归一化到[0,1]区间。
然后,将水位数据空间特征输入进LSTM模型,提取出水位数据的时间特征。
最后,将提取的特征通过全连接层得到最终晋江(或崇武)水位预测结果。
在本实施例中,进一步地,参照图1所示,该方法还包括:S40、采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。
采用平均绝对误差(MAE)和相关系数(CC)来评估海洋站多点水位的预测结果,平均绝对误差代表预测值和实际值的误差程度,相关系数用以评估预测值和实际值之间的相关程度。计算公式分别如下。
使用该预测模型对2018年崇武站潮位数据做出预测,结果如下表。
表1崇武站24小时预测评估指标
预测月份 | MAE(cm) | CC(%) |
1月 | 6.42 | 99.35 |
2月 | 5.96 | 99.48 |
3月 | 7.56 | 99.47 |
4月 | 6.85 | 99.32 |
5月 | 7.02 | 99.58 |
6月 | 6.69 | 99.60 |
7月 | 7.78 | 99.23 |
8月 | 8.60 | 99.54 |
9月 | 7.85 | 99.19 |
10月 | 6.98 | 99.51 |
11月 | 6.12 | 99.47 |
12月 | 6.43 | 99.36 |
平均 | 7.01 | 99.42 |
通过表1可以看出,该模型预测水位的平均绝对误差仅为7.01cm,相关系数均在99%以上,表示预测结果和观测值非常符合。另外,7-9月份由于台风原因,水位变化剧烈,误差比其它月份较大。
实施例2:
本发明实施例还提供一种基于深度学习的海洋站水位时空预测装置,可以用于执行上述实施例1公开方法的实施例,参照图5所示,包括:
获取模块51,用于获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
输入模块52,用于将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
预测模块53,用于基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
进一步地,所述输入模块52中CNN和LSTM深度学习模型的构建步骤包括:构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
进一步地,还包括:
评估模块54,用于采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。平均绝对误差MAE,计算公式:
相关系数CC计算公式:
实施例3:
本发明实施例再提供一种基于深度学习的海洋站水位时空预测装置,包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。其他未尽描述内容,在此不再赘述,可参照实施例1描述的方案。
实施例4:
根据本发明实施例,提供了一种存储介质的实施例,存储介质包括存储的程序,其中,程序运行时执行上述实施例1中的基于深度学习的海洋站水位时空预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的海洋站水位时空预测方法,其特征在于,包括:
获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
2.如权利要求1所述的方法,其特征在于,所述CNN和LSTM深度学习模型的构建步骤包括:
构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;
构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;
训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
3.如权利要求1所述的方法,其特征在于,还包括:
采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。
6.一种基于深度学习的海洋站水位时空预测装置,其特征在于,包括:
获取模块,用于获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
输入模块,用于将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
预测模块,用于基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
7.如权利要求6所述的装置,其特征在于,所述输入模块中CNN和LSTM深度学习模型的构建步骤包括:构建CNN模型;获取将多个海洋站的多个水位观测数据,进行处理组合成二维矩阵,将所述二维矩阵输入进所述CNN模型,并对其训练,获得目标CNN模型,提取出水位空间特征数据;构建LSTM模型,将所述水位空间特征数据输入所述LSTM模型,并对其训练,获得目标LSTM模型;训练后所述目标CNN模型和目标LSTM模型,构成CNN和LSTM深度学习模型。
8.如权利要求6所述的装置,其特征在于,还包括:
评估模块,用于采用平均绝对误差MAE和相关系数CC评估输出待预测的海洋站水位预测结果。
9.一种基于深度学习的海洋站水位时空预测装置,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取待预测的海洋站多点水位的观测数据;所述多点水位的观测数据存在时空映射关系;
将所述多点水位的观测数据输入提前训练后的CNN和LSTM深度学习模型;所述CNN模型用于提取水位空间特征数据;所述LSTM模型用于提取所述水位空间特征数据所对应的水位时间特征数据;
基于所述水位空间特征数据和水位时间特征数据,通过全连接层输出所述待预测的海洋站水位预测结果。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至5中任一项所述的基于深度学习的海洋站水位时空预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145655.8A CN112862178A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110145655.8A CN112862178A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862178A true CN112862178A (zh) | 2021-05-28 |
Family
ID=75986765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110145655.8A Pending CN112862178A (zh) | 2021-02-02 | 2021-02-02 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862178A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158556A (zh) * | 2021-03-31 | 2021-07-23 | 山东电力工程咨询院有限公司 | 一种区域水位短时高精度预报方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN115359338A (zh) * | 2022-10-20 | 2022-11-18 | 南京信息工程大学 | 一种基于混合学习模型的海表温度预测方法及系统 |
CN116976509A (zh) * | 2023-07-24 | 2023-10-31 | 自然资源部第一海洋研究所 | 准同步大规模多站位近岸海流连续观测方法、系统及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
JP2019095240A (ja) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
CN111242344A (zh) * | 2019-12-11 | 2020-06-05 | 大连海事大学 | 一种基于循环神经网络和卷积神经网络的智能水位预测方法 |
CN111967419A (zh) * | 2020-08-25 | 2020-11-20 | 深圳大学 | 一种坝岸险情预测方法、装置、计算机设备及存储介质 |
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
-
2021
- 2021-02-02 CN CN202110145655.8A patent/CN112862178A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019095240A (ja) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN111242344A (zh) * | 2019-12-11 | 2020-06-05 | 大连海事大学 | 一种基于循环神经网络和卷积神经网络的智能水位预测方法 |
CN111967419A (zh) * | 2020-08-25 | 2020-11-20 | 深圳大学 | 一种坝岸险情预测方法、装置、计算机设备及存储介质 |
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158556A (zh) * | 2021-03-31 | 2021-07-23 | 山东电力工程咨询院有限公司 | 一种区域水位短时高精度预报方法 |
CN113158556B (zh) * | 2021-03-31 | 2023-08-08 | 山东电力工程咨询院有限公司 | 一种区域水位短时高精度预报方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN113297801B (zh) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN115359338A (zh) * | 2022-10-20 | 2022-11-18 | 南京信息工程大学 | 一种基于混合学习模型的海表温度预测方法及系统 |
CN116976509A (zh) * | 2023-07-24 | 2023-10-31 | 自然资源部第一海洋研究所 | 准同步大规模多站位近岸海流连续观测方法、系统及应用 |
CN116976509B (zh) * | 2023-07-24 | 2024-05-07 | 自然资源部第一海洋研究所 | 准同步大规模多站位近岸海流连续观测方法、系统及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862178A (zh) | 一种基于深度学习的海洋站水位时空预测方法及装置 | |
CN109255490B (zh) | 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
Eastoe et al. | Statistical measures of extremal dependence illustrated using measured sea surface elevations from a neighbourhood of coastal locations | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN113139329B (zh) | 一种基于水文相似性和人工神经网络的新安江模型参数率定方法 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN114611608A (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
CN117078114B (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
CN112668606B (zh) | 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
Zhang et al. | A Gaussian process regression-based sea surface temperature interpolation algorithm | |
CN104899464B (zh) | 一种适应噪声条件下的抽样学习机遥感定量反演方法 | |
CN110503142B (zh) | 基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
Chen et al. | Combining physical-based model and machine learning to forecast chlorophyll-a concentration in freshwater lakes | |
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
Li et al. | A low-power water quality monitoring system and prediction model | |
Punzo et al. | Robust high-dimensional modeling with the contaminated Gaussian distribution | |
Cao et al. | Probabilistic runoff forecasting considering stepwise decomposition framework and external factor integration structure | |
Saranya et al. | A comparative evaluation of streamflow prediction using the SWAT and NNAR models in the Meenachil River Basin of Central Kerala, India |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |