CN113011501A - 基于图卷积神经网络进行台风水位预测的方法及装置 - Google Patents

基于图卷积神经网络进行台风水位预测的方法及装置 Download PDF

Info

Publication number
CN113011501A
CN113011501A CN202110304348.XA CN202110304348A CN113011501A CN 113011501 A CN113011501 A CN 113011501A CN 202110304348 A CN202110304348 A CN 202110304348A CN 113011501 A CN113011501 A CN 113011501A
Authority
CN
China
Prior art keywords
typhoon
water level
neural network
data
historical
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
Application number
CN202110304348.XA
Other languages
English (en)
Other versions
CN113011501B (zh
Inventor
刘华役
袁智翔
林祖祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Sea Star Ocean Sci And Tech Co ltd
Original Assignee
Guangdong Sea Star Ocean Sci And Tech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Sea Star Ocean Sci And Tech Co ltd filed Critical Guangdong Sea Star Ocean Sci And Tech Co ltd
Priority to CN202110304348.XA priority Critical patent/CN113011501B/zh
Publication of CN113011501A publication Critical patent/CN113011501A/zh
Application granted granted Critical
Publication of CN113011501B publication Critical patent/CN113011501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及台风监测技术领域，公开了一种基于图卷积神经网络进行台风水位预测的方法，包括：获取当前台风数据，并对当前台风数据进行预处理；将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理；将当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息，根据台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，水位识别模型采用循环神经网络模型构建完成。本发明实施例的方案通过采用图卷积神经网络提取台风数据中影响因子的特征表达，来增强水位识别模型中输入特征的丰富度和完整度，进而提升后续识别模型的鲁棒性和延展性，提高最终水位预测结果的准确性。

Description

基于图卷积神经网络进行台风水位预测的方法及装置
技术领域
本发明涉及台风监测技术领域，具体涉及一种基于图卷积神经网络进行台风水位预测的方法及装置。
背景技术
台风风暴潮是一种由台风低压对海面的急剧扰动产生的水位异常升降现象，具有来势猛、速度快、强度大、破坏力强等特点，水位极高时海水漫溢，淹没农田及生活设施酿成大灾。我国是台风风暴潮灾害的高发地区，其引起的人员伤亡和经济损失极为严重，成灾地区遍布整个中国沿海地区，特别是经济发达的长江口、杭州湾、闽江口、珠江口等地更容易遭受台风风暴潮的侵袭。且台风风暴潮发生的频率较高，据统计资料表明，能造成灾害的台风风暴潮每年发生两次，而造成严重灾害的台风风暴潮平均每两年发生一次，有时一年也会出现多次严重的台风风暴潮。台风风暴潮引起的极高端水位对国民经济造成了非常严重的影响，准确的预测极端水位对工程建设和海岸防护及其重要。
近年来沿江沿海地区经济日益发展，人口较为密集且资产相对集中，由于遭受台风风暴潮灾害所导致的经济损失呈迅速上升趋势。据有关方面统计，台风风暴潮灾害造成的经济损失己占沿海地区国民经济收入的10％左右。由此可见台风风暴潮灾害在一定程度上成为了制约沿海地区经济持续、稳定、健康发展的因素之一。为了防御台风风暴潮和采取有效决策来减轻台风风暴潮灾害的损失，因此设计一种便于进行台风水位预测的方法成为本领域技术人员亟待解决的技术问题。
发明内容
针对所述缺陷，本发明实施例公开了一种基于图卷积神经网络进行台风水位预测的方法，其通过图卷积神经网络提取台风数据影响因子的特征表达，研究特征的融合方式，增强模型输入特征的丰富度、完整性，进而提高后续识别模型的鲁棒性和延展性，提高预测结果的准确性。
本发明实施例第一方面公开了基于图卷积神经网络进行台风水位预测的，包括：
获取当前台风数据，并对所述当前台风数据进行预处理；
将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征；
将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息，
根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
作为一种可选的实施方式，在本发明实施例第一方面中，所述水位识别模型通过如下步骤构建：
获取历史台风融合特征和相对应的历史水位信息；
将所述历史台风融合特征和历史水位信息输入至水位识别模型中进行训练，在所述水位识别模型中以历史台风融合特征为输入、水位预测结果为输出进行识别训练直至达到训练要求。
作为一种可选的实施方式，在本发明实施例第一方面中，所述历史台风融合特征通过如下步骤获取得到：
获取历史台风数据，并对所述历史台风数据进行预处理；
将预处理后的历史台风数据送入张量为M的全连接层以进行非线性化特征处理以得到历史台风特征；
将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征，包括：
将所述历史台风特征输入预先训练好的图卷积神经网络；
调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点；
调用所述图卷积神经网络基于更新后的各个第一节点得到历史融合特征信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，包括：
调用所述图卷积神经网络按照排列组合模式对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，其中，所述排列组合模式为邻居节点采样操作和邻域信息聚合操作的排列组合模式，所述图卷积神经网络的公式表达如下所述：
Figure RE-GDA0003067472120000031
其中Dj -1为度矩阵，Aj为邻接矩阵，M为注意力矩阵，Wj为网络权重，fin表示历史台风特征的输入，fout表示历史融合特征信息的输出。
作为一种可选的实施方式，在本发明实施例第一方面中，所述预处理包括归一化处理和/或缺失值处理；所述台风特征数据包括经纬度特征、风场特征、气场特征、台风路径特征和天文潮特征；
所述预处理还包括one-hot独热编码；所述对所述当前台风数据进行预处理，包括：
将所述当前台风数据转换为预设数量的1*N的向量台风数据。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述输出相应的水位预测结果之后，还包括：
确定所述水位预测结果是否达到预设等级，如果达到预设等级，则在相应的监测站点进行水位预警；或，
根据不同的水位预测结果匹配不同的颜色进行显示；
在所述输出相应的水位预测结果之后，还包括：
获取对应预测时间的真实水位值，根据所述真实水位值与水位预测结果得到模型评价指标；
根据所述模型评价指标确定台风水位预测模型的准确度，并对所述准确度进行显示。
本发明实施例第二方面公开一种基于图卷积神经网络进行台风水位预测的装置，包括：
获取模块：用于获取当前台风数据，并对所述当前台风数据进行预处理；
特征处理模块：用于将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征；
特征融合模块：用于将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息，
水位输出模块：根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的基于图卷积神经网络进行台风水位预测的方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的基于图卷积神经网络进行台风水位预测的方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例的基于图卷积神经网络进行台风水位预测的方法通过采用图卷积神经网络提取台风数据中影响因子的特征表达，来增强水位识别模型中输入特征的丰富度和完整度，进而提升后续识别模型的鲁棒性和延展性，提高最终水位预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是实施例一公开的基于图卷积神经网络进行台风水位预测的方法的流程示意图；
图2是实施例一公开的台风水位预测模型的结构示意图；
图3是实施例一公开的构建水位识别模型的流程示意图；
图4是实施例一公开的历史台风融合特征的流程示意图；
图5是实施例二提供的基于图卷积神经网络进行台风水位预测的装置的结构示意图；
图6是实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了基于图卷积神经网络进行台风水位预测的方法及装置，通过采用图卷积神经网络提取台风数据中影响因子的特征表达，来增强水位识别模型中输入特征的丰富度和完整度，进而提升后续识别模型的鲁棒性和延展性，提高最终水位预测结果的准确性。
实施例一
请参阅图1，图1是本发明实施例公开的基于图卷积神经网络进行台风水位预测的方法的流程示意图。该方法适用于具有处理功能的手机、平板电脑等智能设备以及计算机、服务器等计算设备，甚至也可以是具有处理功能的图像采集装置，例如将具有图像处理功能的处理器件例如单片机、FPGA以及ARM等集成于图像采集装置中，对图像采集装置采集的图像进行处理以计算得到水位高度。如图1所示，该基于图卷积神经网络进行台风水位预测的方法包括以下步骤：
S101：获取当前台风数据，并对所述当前台风数据进行预处理。
本步骤主要是获取到相对应的台风数据作为基础分析数据，获取到对应的数据之后，可以对数据进行进一步的处理，因为获取到的原始数据并不一定能够满足模型输入数据的要求。本实施例中，进行具体的数据获取时，可以直接接收水文局提供的当前台风数据，也可以通过在拥有台风数据的网站上爬取相应的当前台风数据；对于爬取到的数据可以进行进一步的清洗和筛选，因为在实际使用过程中，我们并非是直接采用对应的数据，因为水文局提供的数据或者是直接从网上爬取到的数据中并非所有的数据都是实际需要的，因此，需要对数据进行筛选，比如可以采用人工或者分析法选取主要的特征，在本实施例中，需要获取到的有如下几种数据：风场数据、气压场数据、台风路径数据、天文潮数据和经纬度数据；通过获取当前时间对应的数据来对下一个时间段的水位高度进行预测。
本申请实施例中进一步的，所述预处理包括归一化处理和/或缺失值处理；所述台风特征数据包括经纬度特征、风场特征、气场特征、台风路径特征和天文潮特征。
具体的，数据归一化问题是数据挖掘中特征向量表达时的重要问题，当不同的特征成列在一起的时候，由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况，这个时候我们需要做的就是对抽取出来的 features vector进行归一化处理，以保证每个特征被分类器平等对待。
在进行数据处理时，没有高质量的数据，就没有高质量的数据挖掘结果，数据值缺失是数据分析中经常遇到的问题之一。当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理。但在实际数据中，往往缺失数据占有相当的比重。这时如果手工处理非常低效，如果舍弃缺失记录，则会丢失大量信息，使不完全观测数据与完全观测数据间产生系统差异，对这样的数据进行分析，你很可能会得出错误的结论。处理不完整数据集的方法主要有三大类：删除元组、数据补齐、不处理。由于删除元组，或者直接删除该列特征，有时候会导致性能下降。因此，在进行具体处理时，采用数据补齐来进行缺失值的处理，这类方法是用一定的值去填充空值，从而使信息表完备化。通常基于统计学原理，根据初始数据集中其余对象取值的分布情况来对一个缺失值进行填充。数据挖掘中常用的有以下几种补齐方法：人工填写(filling manually)：由于最了解数据的还是用户自己，因此这个方法产生数据偏离最小，可能是填充效果最好的一种。然而一般来说，该方法很费时，当数据规模很大、空值很多的时候，该方法是不可行的。可以采用如下几种方式进行填充，比如：特殊值填充(Treating Missing Attribute values as Special values)：将空值作为一种特殊的属性值来处理，它不同于其他的任何属性值。如所有的空值都用“unknown”填充。这样将形成另一个有趣的概念，可能导致严重的数据偏离，一般不推荐使用。
平均值填充(Mean/Mode Completer)，将初始数据集中的属性分为数值属性和非数值属性来分别进行处理。如果空值是数值型的，就根据该属性在其他所有对象的取值的平均值来填充该缺失的属性值；如果空值是非数值型的，就根据统计学中的众数原理，用该属性在其他所有对象的取值次数最多的值(即出现频率最高的值)来补齐该缺失的属性值。与其相似的另一种方法叫条件平均值填充法(Conditional Mean Completer)。在该方法中，用于求平均的值并不是从数据集的所有对象中取，而是从与该对象具有相同决策属性值的对象中取得。
所述预处理还包括one-hot独热编码；所述对所述当前台风数据进行预处理，包括：
将所述当前台风数据转换为预设数量的1*N的向量台风数据。
上述步骤主要是为了将当前台风数据转换为多维的向量数据，独热编码(哑变量dummy variable)是因为大部分算法是基于向量空间中的度量来进行计算的，为了使非偏序关系的变量取值不具有偏序性，并且到圆点是等距的。使用 one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用one-hot编码，会让特征之间的距离计算更加合理。离散特征进行one-hot编码后，编码后的特征，其实每一维度的特征都可以看作是连续的特征。就可以跟对连续型特征的归一化方法一样，对每一维特征进行归一化。比如归一化到[-1,1]或归一化到均值为0,方差为1。
独热编码解决了分类器不好处理属性数据的问题，在一定程度上也起到了扩充特征的作用。它的值只有0和1，不同的类型存储在垂直的空间。独热编码用来解决类别型数据的离散值问题，
S102：将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征。
上述对数据进行预处理之后得到的特征还不能够直接输入图卷积神经网络中进行计算，需要对其进行特征转换；主要是将经过预处理的数据送入到的张量M的全连接层中进行处理。全连接层(Fully Connected Layer)是多层感知器应用在卷积神经网络中的多种组件之一。在深度学习领域中，用于分类任务的卷积神经网络模型的网络结构的最后几层往往是全连接层，用于将从该层之前的几个特征抽取层获得的特征表达向量映射到下一层或者映射到最终的softmax 层。在申请实施例的方案中，主要通过全连接层进行特征映射；得到对应的向量特征之后，即可以输入到图卷积神经网络中进行下一步的特征融合。上述步骤主要是为了获取到的更多样化的特征信息，将获取到的基础数据扩展为更丰富的特征数据，提高后续模型输入特征的丰富度。挖掘海量台风环境相关数据，如风场数据、气压数据、台风路径数据、天文潮数据，研究影响水位高低的因子表达形式，提取影响因子的特征表达；研究特征融合方式，将不同分布、不同维度、不同层面的数据统一表达，增强输入特征的丰富度、完整性。
S103：将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息。
本步骤主要是为了将得到的特征进行特征融合，图卷积神经网络(GCN) 是一种针对图数据的特征提取器，GCN设计了一种从图数据中提取特征的方法，从而使得网络可以使用这些特征去对图数据进行节点分类、图分类、边预测、图的嵌入表示等，对非视觉信号类的数据特征具有较高的提取能力；通过图卷积神经网络将得到的特征进行融合最终输出台风融合特征信息。
S104：根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
图2是实施例一公开的台风水位预测模型的结构示意图，如图2所示，其为本实施例的具体模型结构示意图；台风路径的序列性和水位变化的序列性在一定程度上反映出台风水位预测的时序特性，而循环神经网络在时序上具有较高的预测能力，因此台风水位预测模型在卷积神经网络的基础上进行设计，以期达到实时准确的预测。将步骤S103中得到的融合特征数据输入循环神经网络 (RNN)进行时序分析。最后，将分析数值输入全连接层进行水位预测。由于本实施例中输出特征有不同分布、不同纬度和不同层面的表达，增强了输入特征的丰富度，故而也使得整体最终水位预测结果更加准确。
进一步的，图3是实施例一公开的构建水位识别模型的流程示意图，如图3 所示，所述水位识别模型通过如下步骤构建：
S1041：获取历史台风融合特征和相对应的历史水位信息；
S1042：将所述历史台风融合特征和历史水位信息输入至水位识别模型中进行训练，在所述水位识别模型中以历史台风融合特征为输入、水位预测结果为输出进行识别训练直至达到训练要求。
上述为具体的模型训练过程中，需要先获取基础的训练数据，然后将相应数据输入至预先构建的循环神经网络中进行不断的训练直至达到相应的要求。
具体的，直至达到循环神经网络中相应要求包括如下步骤：
将模型数据集中的数据划分为模型训练集和模型样本集；
将模型训练集中的数据输入至水位识别模型中进行训练；
通过模型样本集对训练后的水位识别模型进行验证以确定所述台风水位识别模型是否满足训练要求。
在本实施例中，所述水位识别模型训练过程利用追踪交叉验证地方法来调节相关参数，具体可以划分出百分之十地训练数据作为验证集，其余的百分之九十可以作为训练集来对模型进行输入训练，在训练过程中采用随机梯度下降算法来进行训练。在上述模型训练地过程中还可以选择均方误差作为模型的损失函数，选择Adam算法作为随机梯度下降算法地优化算法。当整体误差小于预设值时，则确定上述预测模型可以用于水位预测。除了上述采用抽取百分之十作为验证集之外，还可以采用百分之五或者百分之八等作为验证集，具体情况，本领域技术人员可以依据实际来进行选择，验证集百分比最好不超过百分之十五。
进一步的，图4是实施例一公开的历史台风融合特征的流程示意图，如图4 所示，所述历史台风融合特征通过如下步骤获取得到：
S1041a：获取历史台风数据，并对所述历史台风数据进行预处理；
S1041b：将预处理后的历史台风数据送入张量为M的全连接层以进行非线性化特征处理以得到历史台风特征；
S1041c：将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征。
上述为具体获取历史台风融合特征的流程图，通过对获取到的历史台风数据进行预处理，并输入至图卷积神经网络来对输入特征进行不断的扩展。
进一步的，所述将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征，包括：
将所述历史台风特征输入预先训练好的图卷积神经网络；
调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点；
调用所述图卷积神经网络基于更新后的各个第一节点得到历史融合特征信息。
通过在图卷积神经网络中加入采样机制，对节点的邻居节点进行采样操作，使得在邻域信息聚合操作时，有被采样的邻居节点和不被采样的邻居节点的差别，从而实现对邻居节点的差别处理，挖掘出节点之间关系的差别性，并基于差别处理所更新的节点得到最终的处理结果，实现将差别性体现在处理结果中，从而使得本实施例中的图卷积神经网络相比于现有的图卷积神经网络，能够挖掘出图结构数据中更多的信息，依据挖掘出的更加充分的信息能够做出更加准确的处理结果。
进一步的，所述调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，包括：
调用所述图卷积神经网络按照排列组合模式对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，其中，所述排列组合模式为邻居节点采样操作和邻域信息聚合操作的排列组合模式，所述图卷积神经网络的公式表达如下所述：
Figure RE-GDA0003067472120000111
其中Dj -1为度矩阵，Aj为邻接矩阵，M为注意力矩阵，Wj为网络权重，fin表示历史台风特征的输入，fout表示历史融合特征信息的输出。
在本实施例中，图卷积神经网络中可以有一个排列组合模式，该排列组合模式是邻居节点采样操作和邻域信息聚合操作的排列组合模型，排列组合模式中，两种操作的次数可以是各一次，也可以是多次，两种操作的先后顺序也可以是根据具体需要而设置的。例如，以a代表邻居节点采样操作，以b代表邻域信息聚合操作，则排列组合模式可以是ab、ba、aba、bab、aab、…等。可以调用图卷积神经网络按照该排列组合模式来对第一图结构数据中的各个第一节点进行操作，即按照排列组合模型中的顺序执行两种操作，例如，排列组合模式是ab时，可以对各个第一节点先进行邻居节点采样操作，再进行邻域信息聚合操作。需要说明的是，按照不同的排列组合模式实现的效果会有所差异，所以根据实际的应用场景不同，可以选择不同的排列组合模式以实现不同的效果。本申请实施例中第一图结构数据也即是代表历史台风特征。
上述为具体的水位预测方面的内容，除了进行水位预测之外，本实施例的方案还可以针对于得到水位预测结果之后，对所述水位预测结果进行进一步数据处理。
进一步的，在所述输出与所述台风数据相对应的水位预测结果之后，还包括：
确定所述水位预测结果是否达到预设等级，如果达到预设等级，则在相应的监测站点进行水位预警；或，
根据不同的水位预测结果匹配不同的颜色进行显示。
可以将不同的水位预测结果叠加在三维显示画面上，比如得到站点A到水位预警等级为三级，则采用红色进行预警显示；在站点B得到预测水位处于二级预警区间，则采用黄色进行预警显示，在站点C监测到的预测水位处于一级预警区间，则采用绿色进行显示，当得到站点D的预测水位处于正常区间时，则对其进行常规显示，不进行染色处理。通过上述预警机制使得用户能够直观的从三维图像上看出哪里需要加强防范；并且可以采用消息通知的方式提醒对应站点注意。在具体显示时，可以采用梯度显示效果进行显示，能够提供更为清晰的显示内容给到用户，使得其能够依据实际情况来做相应的反应。
更为优选的，在所述输出与所述台风数据相对应的水位预测结果之后，还包括：
获取对应预测时间的真实水位值，根据所述真实水位值与水位预测结果得到模型评价指标；
根据所述模型评价指标确定台风水位预测模型的准确度，并对所述准确度进行显示。
通过上述采用误差百分比作为评测指标来进行评测，对预测结果的准确性有更直观的体现效果。通过不断更新上述误差百分比，使得监测人员能够实时了解到预测偏差，并根据实际情况做出不同的反应；提供更多维的数据给用户进行选择判断，使得用户可以实时了解到模型精准度。
本发明实施例的基于图卷积神经网络进行台风水位预测的装置通过采用图卷积神经网络提取台风数据中影响因子的特征表达，来增强水位识别模型中输入特征的丰富度和完整度，进而提升后续识别模型的鲁棒性和延展性，提高最终水位预测结果的准确性。
实施例二
请参阅图5，图5是本发明实施例公开的基于图卷积神经网络进行台风水位预测的装置的结构示意图。如图5所示，该基于图卷积神经网络进行台风水位预测的装置可以包括：
获取模块21：用于获取当前台风数据，并对所述当前台风数据进行预处理；
特征处理模块22：用于将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征；
特征融合模块23：用于将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息，
水位输出模块24：根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
进一步的，所述历史台风融合特征通过如下步骤获取得到：
历史数据获取模块；用于获取历史台风数据，并对所述历史台风数据进行预处理；
历史特征提取模块；用于将预处理后的历史台风数据送入张量为M的全连接层以进行非线性化特征处理以得到历史台风特征；
台风融合模块：用于将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征。
进一步的，所述将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征，包括：
输入模块：用于将所述历史台风特征输入预先训练好的图卷积神经网络；
调用模块：用于调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点；
更新模块：用于调用所述图卷积神经网络基于更新后的各个第一节点得到历史融合特征信息。
进一步的，所述预处理包括归一化处理和/或缺失值处理；所述台风特征数据包括经纬度特征、风场特征、气场特征、台风路径特征和天文潮特征。
本发明实施例的基于图卷积神经网络进行台风水位预测的装置通过采用图卷积神经网络提取台风数据中影响因子的特征表达，来增强水位识别模型中输入特征的丰富度和完整度，进而提升后续识别模型的鲁棒性和延展性，提高最终水位预测结果的准确性。
实施例三
请参阅图6，图6是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等，当然，在一定情况下，还可以是手机、平板电脑以及监控终端等智能设备，以及具有处理功能的图像采集装置。如图6所示，该电子设备可以包括：
存储有可执行程序代码的存储器510；
与存储器510耦合的处理器520；
其中，处理器520调用存储器510中存储的可执行程序代码，执行实施例一中的基于图卷积神经网络进行台风水位预测的方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的基于图卷积神经网络进行台风水位预测的方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于图卷积神经网络进行台风水位预测的方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于图卷积神经网络进行台风水位预测的方法中的部分或全部步骤。
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元若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获取的存储器中。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全部或者部分，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器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的基于图卷积神经网络进行台风水位预测的方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于图卷积神经网络进行台风水位预测的方法，其特征在于，包括：
获取当前台风数据，并对所述当前台风数据进行预处理；
将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征；
将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息；
根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
2.如权利要求1所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，所述水位识别模型通过如下步骤构建：
获取历史台风融合特征和相对应的历史水位信息；
将所述历史台风融合特征和历史水位信息输入至水位识别模型中进行训练，在所述水位识别模型中以历史台风融合特征为输入、水位预测结果为输出进行识别训练直至达到训练要求。
3.如权利要求2所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，所述历史台风融合特征通过如下步骤获取得到：
获取历史台风数据，并对所述历史台风数据进行预处理；
将预处理后的历史台风数据送入张量为M的全连接层以进行非线性化特征处理以得到历史台风特征；
将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征。
4.如权利要求3所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，所述将所述历史台风特征输入至图卷积神经网络中进行特征融合以得到历史台风融合特征，包括：
将所述历史台风特征输入预先训练好的图卷积神经网络；
调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点；
调用所述图卷积神经网络基于更新后的各个第一节点得到历史融合特征信息。
5.如权利要求4所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，所述调用所述图卷积神经网络对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，包括：
调用所述图卷积神经网络按照排列组合模式对所述历史台风特征中各个第一节点进行邻居节点采样操作和邻域信息聚合操作，以更新所述各个第一节点，其中，所述排列组合模式为邻居节点采样操作和邻域信息聚合操作的排列组合模式，所述图卷积神经网络的公式表达如下所述：
Figure FDA0002987496070000021
其中Dj -1为度矩阵，Aj为邻接矩阵，M为注意力矩阵，Wj为网络权重，fin表示历史台风特征的输入，fout表示历史融合特征信息的输出。
6.如权利要求1-5中任意一项所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，所述预处理包括归一化处理和/或缺失值处理；所述台风特征数据包括经纬度特征、风场特征、气场特征、台风路径特征和天文潮特征；
所述预处理还包括one-hot独热编码；所述对所述当前台风数据进行预处理，包括：
将所述当前台风数据转换为预设数量的1*N的向量台风数据。
7.如权利要求1-5中任意一项所述的基于图卷积神经网络进行台风水位预测的方法，其特征在于，在所述输出相应的水位预测结果之后，还包括：
确定所述水位预测结果是否达到预设等级，如果达到预设等级，则在相应的监测站点进行水位预警；或，
根据不同的水位预测结果匹配不同的颜色进行显示；
在所述输出相应的水位预测结果之后，还包括：
获取对应预测时间的真实水位值，根据所述真实水位值与水位预测结果得到模型评价指标；
根据所述模型评价指标确定台风水位预测模型的准确度，并对所述准确度进行显示。
8.一种基于图卷积神经网络进行台风水位预测的装置，其特征在于，包括：
获取模块：用于获取当前台风数据，并对所述当前台风数据进行预处理；
特征处理模块：用于将预处理后的当前台风数据输入张量为M的全连接层以进行非线性化特征处理以得到当前台风特征；
特征融合模块：用于将所述当前台风特征输入至图卷积神经网络进行特征融合以得到台风融合特征信息，
水位输出模块：根据所述台风融合特征信息以及预设的水位识别模型进行模型运算以输出相应的水位预测结果，所述水位识别模型采用循环神经网络模型构建完成。
9.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至7任一项所述的基于图卷积神经网络进行台风水位预测的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1至7任一项所述的基于图卷积神经网络进行台风水位预测的方法。
CN202110304348.XA 2021-03-22 2021-03-22 基于图卷积神经网络进行台风水位预测的方法及装置 Active CN113011501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110304348.XA CN113011501B (zh) 2021-03-22 2021-03-22 基于图卷积神经网络进行台风水位预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110304348.XA CN113011501B (zh) 2021-03-22 2021-03-22 基于图卷积神经网络进行台风水位预测的方法及装置

Publications (2)

Publication Number Publication Date
CN113011501A true CN113011501A (zh) 2021-06-22
CN113011501B CN113011501B (zh) 2022-05-24

Family

ID=76404630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110304348.XA Active CN113011501B (zh) 2021-03-22 2021-03-22 基于图卷积神经网络进行台风水位预测的方法及装置

Country Status (1)

Country Link
CN (1) CN113011501B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质
CN114742183A (zh) * 2022-06-15 2022-07-12 广东中浦科技有限公司 基于深度学习的水污染预警方法、系统、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
CN110473592A (zh) * 2019-07-31 2019-11-19 广东工业大学 基于图卷积网络的有监督的多视角人类协同致死基因预测方法
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
CN111462088A (zh) * 2020-04-01 2020-07-28 深圳前海微众银行股份有限公司 基于图卷积神经网络的数据处理方法、装置、设备及介质
CN111581983A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 基于群体分析的网络舆论事件中社会关注热点的预测方法
CN111785014A (zh) * 2020-05-26 2020-10-16 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及系统
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN112036691A (zh) * 2020-07-24 2020-12-04 东南大学 一种基于jpm-os-q模型的河口地区极端风暴潮水位计算方法
CN112182063A (zh) * 2020-09-16 2021-01-05 河海大学 一种基于时空特征的水文预报模型的构建方法
CN112350876A (zh) * 2021-01-11 2021-02-09 南京信息工程大学 一种基于图神经网络的网络流量预测方法
CN112417099A (zh) * 2020-11-20 2021-02-26 南京邮电大学 一种基于图注意力网络的欺诈用户检测模型构建方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102109619A (zh) * 2009-12-23 2011-06-29 栗小东 一种基于人工智能的台风增水预测系统和方法
CN110473592A (zh) * 2019-07-31 2019-11-19 广东工业大学 基于图卷积网络的有监督的多视角人类协同致死基因预测方法
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
CN111462088A (zh) * 2020-04-01 2020-07-28 深圳前海微众银行股份有限公司 基于图卷积神经网络的数据处理方法、装置、设备及介质
CN111581983A (zh) * 2020-05-13 2020-08-25 中国人民解放军国防科技大学 基于群体分析的网络舆论事件中社会关注热点的预测方法
CN111785014A (zh) * 2020-05-26 2020-10-16 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及系统
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN111882593A (zh) * 2020-07-23 2020-11-03 首都师范大学 结合注意力机制及三维图卷积网络的点云配准模型及方法
CN112036691A (zh) * 2020-07-24 2020-12-04 东南大学 一种基于jpm-os-q模型的河口地区极端风暴潮水位计算方法
CN112182063A (zh) * 2020-09-16 2021-01-05 河海大学 一种基于时空特征的水文预报模型的构建方法
CN112417099A (zh) * 2020-11-20 2021-02-26 南京邮电大学 一种基于图注意力网络的欺诈用户检测模型构建方法
CN112350876A (zh) * 2021-01-11 2021-02-09 南京信息工程大学 一种基于图神经网络的网络流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DEEPANWAY GHOSAL 等: "DialogueGCN：A Graph Convolutional Neural Network for Emotion Recognition in Conversation", 《ARXIV》 *
刘媛媛 等: "基于多变量LSTM神经网络模型的风暴潮临近预报", 《海洋通报》 *
李航 等: "基于卷积神经网络的交通速度预测算法研究", 《万方数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质
CN114742183A (zh) * 2022-06-15 2022-07-12 广东中浦科技有限公司 基于深度学习的水污染预警方法、系统、设备及存储介质
CN114742183B (zh) * 2022-06-15 2023-04-18 广东中浦科技有限公司 基于深度学习的水污染预警方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN113011501B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Moradi Kordmahalleh et al. A sparse recurrent neural network for trajectory prediction of atlantic hurricanes
CN113011501B (zh) 基于图卷积神经网络进行台风水位预测的方法及装置
Feng et al. Modelling coastal land use change by incorporating spatial autocorrelation into cellular automata models
Yan et al. A graph deep learning approach for urban building grouping
CN109685153A (zh) 一种基于特征聚合的社交网络谣言鉴别方法
CN112200362A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN107368499B (zh) 一种客户标签建模及推荐方法及装置
CN111368887A (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN112150214A (zh) 一种数据预测方法、装置以及计算机可读存储介质
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
CN107451249B (zh) 事件发展趋势的预测方法及装置
CN112200356A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN115062779A (zh) 基于动态知识图谱的事件预测方法及装置
CN112182056A (zh) 一种数据检测方法、装置、设备及存储介质
CN114387103A (zh) 一种交易风险识别方法和装置
CN115905864A (zh) 异常数据检测模型训练方法、装置、计算机设备
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
CN113011875A (zh) 文本处理方法、装置、计算机设备以及存储介质
CN110765303A (zh) 一种更新数据库的方法及系统
CN116541726B (zh) 用于植被覆盖度估算的样本量确定方法、装置及设备
Puttinaovarat et al. Conguring ANN for inundation areas identication based on relevant thematic layers
CN115879826B (zh) 一种基于大数据的精细化工工艺质检方法、系统及介质
CN112200361A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN117575772A (zh) 一种异常用户的检测方法、装置、计算机设备、存储介质
CN115392334A (zh) 家庭暴力识别方法、系统、电子设备和存储介质

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