CN113011657A - 进行台风水位预测的方法、装置、电子设备及存储介质 - Google Patents
进行台风水位预测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113011657A CN113011657A CN202110304341.8A CN202110304341A CN113011657A CN 113011657 A CN113011657 A CN 113011657A CN 202110304341 A CN202110304341 A CN 202110304341A CN 113011657 A CN113011657 A CN 113011657A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- water level
- data
- model
- training
- 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 225
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 2
- 230000007774 longterm Effects 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000004458 analytical method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (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,公开了一种进行台风水位预测的方法,包括:获取预设时间的台风数据,并根据所述台风数据提取台风特征信息;根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;输出与所述台风数据相对应的水位预测结果。本发明实施例中的进行台风水位预测的方法,由于台风的历史数据具有相当大的时序性,且有一定的周期性,因此适合通过LSTM模型对先前的台风水位走势构建相应预测模型,本发明实施例的方案解决了现有技术中预测准确性较差、计算量大以及易产生过拟合的技术问题;通过上述模型能够解决数据的长期依赖问题,相对于传统时间序列模型,其能够更加灵活的调参。
Description
技术领域
本发明涉及台风监测技术领域,具体涉及一种进行台风水位预测的方法、装置、电子设备及存储介质。
背景技术
目前,台风水位预测的研究大约始于20世纪20年代,最开始仅是对台风降水现象进行观察与理论分析,主要是为了解其现象、发生过程和其成因的初步讨论。20世纪50年代以后,随着探测技术的发展,为台风降水的观测提供了更为精确的手段,从而使台风水位预测研究得到进一步的深入。台风降水的研究方法也经历了从理论方法向经验统计预报方法与数值模拟方法的变迁。其中,数值模拟是研究台风降水最为直接的方法,它是基于台风降水理论研究的控制方程、计算方法和计算机的应用而发展起来的新型研究方法。目前,传统的研究方法有基于统计方法的频率分析与以动力学为基础的数值模拟方法,这两种方法对于台风引起的水位的分析与预测得到了广泛运用。
由于台风形成的复杂性和非线性,传统的频率分析和数值模拟方法缺乏适应性,易受到噪声影响,对降水的预测结果都不够理想。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进行台风水位预测的方法,通过采用LSTM来构建台风水位预测模型,并通过上述预测模型进行水位预测,解决了现有方案准确性较差,计算量大以及容易产生过拟合的问题。
本发明实施例第一方面公开了进行台风水位预测的方法,包括:
获取预设时间的台风数据,并根据所述台风数据提取台风特征信息;
根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;
输出与所述台风数据相对应的水位预测结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述台风水位预测模型通过如下步骤构建完成:
获取历史台风数据和增水数据;
对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,并根据所述历史特征信息和所述水位数据生成模型数据集;
将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,在所述台风水位识别模型中以历史特征信息为输入、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,所述对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,包括:
对所述历史台风数据和增水数据进行特征选择以得到历史特征信息和水位数据,所述历史特征信息包括台风等级、经度信息、纬度信息、风速信息和气压信息;
对所述历史特征信息和水位数据进行归一化处理。
作为一种可选的实施方式,在本发明实施例第一方面中,所述基于LSTM结构的台风水位识别模型包括输入层、隐含层和输出层;
在所述台风水位识别模型中以历史特征信息为输入、水位大小为输出进行识别训练直至达到训练要求,包括:
将历史特征信息输入至相应的第一LSTM单元进行模型训练以得到输入层;
将所述输入层的输出结果输入至第二LSTM单元进行模型训练以得到隐含层;
将所述隐含层的输出结果输入至第三LSTM单元进行识别训练以得到输出层,将所述输出层的水位预测结果输出,通过不断进行模型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,所述隐含层采用ELU函数作为内部激活函数,所述输出层采用Linear作为其激活函数。
作为一种可选的实施方式,在本发明实施例第一方面中,所述将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,包括:
将所述模型数据集中的数据划分为模型训练集和模型样本集;
将所述模型训练集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练;
通过所述模型样本集对训练后的台风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。
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;
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。
本发明实施例第二方面公开一种进行台风水位预测的装置,包括:
第一获取模块:用于获取预设站点的台风数据,并根据所述台风数据提取台风特征信息;
运算模块:用于根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;
输出模块:用于输出与所述台风数据相对应的水位预测结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述台风水位预测模型通过如下模块构建完成:
第二获取模块:用于获取历史台风数据和增水数据;
预处理模块:用于对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,并根据所述历史特征信息和所述水位数据生成模型数据集;
模型训练模块:用于将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,在所述台风水位识别模型中以历史特征信息为输入、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,在本发明实施例第二方面中,所述模型训练模块,包括:
数据划分模块:用于将所述模型数据集中的数据划分为模型训练集和模型样本集;
数据输入模块:用于将所述模型训练集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练;
验证模块:用于通过所述模型样本集对训练后的台风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。
作为一种可选的实施方式,在本发明实施例第二方面中,在所述输出模块之后,还包括:
第三获取模块:用于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;
显示模块:用于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:
本发明实施例中的进行台风水位预测的方法,由于台风的历史数据具有相当大的时序性,且有一定的周期性,因此适合通过LSTM模型对先前的台风水位走势构建相应预测模型,本发明实施例的方案解决了现有技术中预测准确性较差、计算量大以及易产生过拟合的技术问题;通过上述模型能够解决数据的长期依赖问题,相对于传统时间序列模型,其能够更加灵活的调参。
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是实施例一提供的进行台风水位预测方法的流程示意图;
图2是实施例一提供的台风水位识别模型的构建的流程示意图;
图3是实施例一提供的历史台风数据及增水数据的预处理流程图;
图4是实施例一提供的模型训练验证的流程示意图;
图5是实施例一提供的LSTM网络结构示意图;
图6是实施例一提供的台风水位识别模型的结构示意图;
图7是实施例一提供的训练数据集的显示示意图;
图8是实施例二提供的进行台风水位预测的装置的结构示意图;
图9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。
现有的基于统计学理论的频率分析方法进行水位预测是利用已有站点的长期年水位进行频率分析以推求不同重现期的水位值。优点在于计算量小,比较容易通过已有的长期数据进行验证。传统的常用频率分析的方法包括两个参数的Gumbel,Weibull,Lognormal和更高级的参数GEV方法,这些分析方法的参数估计方法主要应用最大似然估计(MLE),L-矩估计(L-moment),最小二乘估计(LSE),以及直接定义估计,不同地区适用不同的方法。传统的频率分析方法需要长期数据(接近100年)来推求100年一遇的极端水位,我国大部分区域的实测潮位数据少于50年,传统方法的适用需要验证和技术支持。
数值模拟方法利用气象和天文潮等作为水动力的驱动因素来进行模拟。而对于气象因素(一般包括风场和气压场以及台风路径)的不同重现期的统计分析比较流行的方法有联合概率法(JPM),Monte Carlo和经验模拟技术(EST)。数值模拟的方法的优点在于其利用台风的气象物理成因直接进行数学模型的大范围计算,可以得到整个数学模型计算区域的水位,这种方法的优点在于可以不需要历史潮位数据,不利因素在于计算次数多,计算量大。
且由于台风形成的复杂性和非线性,传统的频率分析和数值模拟方法缺乏适应性,易受到噪声影响,对降水的预测结果都不够理想。因此,本发明实施例提出采用神经网络算法来进行模型构建的方式,神经网络技术具有强大的非线性拟合能力,对数据适应性强,对噪声也有更强的鲁棒性。针对传统的水位预测方法信息挖掘能力不足以及传统神经网络未考虑时间序列等问题,本发明实施例将分析数据的时序性特点,学习数据之间的长期依赖关系,研究基于深度卷积神经网络的台风水位预测方法以提高预测准确率,最终在台风水位预测任务上达到领先的效果,并能够为台风水位预测研究提供崭新的思路和技术手段。
实施例一
请参阅图1,图1是本发明实施例公开的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,该基于进行台风水位预测的方法包括以下步骤:
S101:获取预设时间的台风数据,并根据所述台风数据提取台风特征信息。
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,比如台风路径这个对于台风分析来说非常重要的数据,但是在本发明实施过程中则不需要对其进行获取以及训练,当涉及到台风路径时,需要进行的运算量会大大增加。在本实施例中,需要获取到的有如下几种数据:台风等级、经度信息、纬度信息、风速信息和气压信息;获取台风等级主要是为了通过台风等级确定相对应的台风强度信息。将上述台风特征信息输入台风水位预测模型即可进行水位预测。具体的,上述预设时间为当前时间,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。
S102:根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算。
本步骤主要是对输入的台风特征信息进行模型运算。在本实施例中台风水位预测模型主要是基于LSTM结构进行构建,LSTM指的是长短期记忆网络,LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络,LSTM区块也可以被描述成智能网络单元或者LSTM单元,它可以记忆不定时间长度的数值,区块中有一个门模块能够决定输入是否重要到能被记住及能不能被输出。具体的,如图5所示,图5是实施例一提供的LSTM网络结构示意图,LSTM是一种循环神经网络;通过输入数据对上述网络结构不断训练以得到最终的预测模型。
基于具体的训练数据来对上述方案进行简要说明:假设a地台风期间对应的水位高度是p,则可以依据时间顺序其定义为p0,p1,...,pm,其中pi是该地第i时刻的水位,0≤i≤m。对于每个训练样本,在t0,t1,…ti,tm时刻对应的水位高度为p0,p1,...,pm,设定一个大小固定的移动窗口w,每次将窗口向右移动w个单位,以使所有移动窗口中的数据之间没有重叠。通过上述方式将台风相关数据与对应的水位数据进行关联。
进一步的,图2是实施例一提供的台风水位识别模型的构建的流程示意图,如图2所示,所述台风水位预测模型通过如下步骤构建完成:
S102a:获取历史台风数据和增水数据;
S102b:对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,并根据所述历史特征信息和所述水位数据生成模型数据集;
S102c:将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,在所述台风水位识别模型中以历史特征信息为输入、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,如图7所示,图7是实施例一提供的训练数据集的显示示意图,其包括经纬度数据、中心气压、最大风速、移动方向、移动速度、台风名称(台风等级)、时间点信息等;上述均为台风相关数据,除了台风数据之后,还可以获取到各个监测站点的增水数据,当台风发生时,不同监测站点的增水数据均不相同;通过上述数据还可以根据不同站点距离台风中心位置来得到对应监测站点的台风强度。得到上述数据之后,将其输入至构建完成的模型中来进行训练直至达到训练要求。
将数据输入模型中时,可以依据时间序列将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,由于台风发生具有时间性,因此将其按照时间顺序输入至模型中能够得到更好的模型精准度。
进一步的,图3是实施例一提供的历史台风数据及增水数据的预处理流程图,如图3所示,所述对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,包括:
S102a1:对所述历史台风数据和增水数据进行特征选择以得到历史特征信息和水位数据,所述历史特征信息包括台风等级、经度信息、纬度信息、风速信息和气压信息;
S102a2:对所述历史特征信息和水位数据进行归一化处理。
通过上述步骤主要是为了获取到更为更加符合模型要求的数据,通过对所有数据进行归一化处理,使得整体模型不会因为其他的数据格式的原因而对模型精准度产生任何影响。通过上述步骤也可以筛选出符合实际需求的数据,比如可以筛选出台风等级、经度信息、纬度信息、风速信息和气压信息,甚至是各个站点距离台风中心的位置信息,以及各个站点对应的台风强度信息,将上述信息输入到LSTM模型中以使得神经网络模型可以学习到他们之间的关系,便于进行后期台风水位的预测。
进一步的,所述基于LSTM结构的台风水位识别模型包括输入层、隐含层和输出层;
在所述台风水位识别模型中以历史特征信息为输入、水位大小为输出进行识别训练直至达到训练要求,包括:
将历史特征信息输入至相应的第一LSTM单元进行模型训练以得到输入层;
将所述输入层的输出结果输入至第二LSTM单元进行模型训练以得到隐含层;
将所述隐含层的输出结果输入至第三LSTM单元进行识别训练以得到输出层,将所述输出层的水位预测结果输出,通过不断进行模型训练直至达到训练要求。
本实施例的台风水位识别模型由三层LSTM组成,如图6所示。将纬度为M×1的LSTM层作为输入矩阵大小,其中k为训练特征个数,m为滑动时间窗的大小。如图6所示,L1层这种包含M个时间节点对应的LSTM单元,每个LSTM单元的输入由k个特征组成,其中还包含当地能量和水位高度。L1层中每个单元经过训练分别输出作为L2层每个单元的输入,同样的,L2的输出作为L3的输入。L2、L3层的训练方式与L1层相同。最后,将L3层最后一个时间节点对应LSTM单元的输出作为预测的结果。在本实施例中,L1层也即是输入层,L2层也即是隐含层,L3层也即是输出层。
更为具体的,在本实施例中使用ELU函数作为隐含层内部激活函数,公式为:其最终隐含层是LSTM结构,隐含层的纬度为P×Q的,也即是隐含层有P个网络节点,本实施例P优先选200,Q优先选100;Linear函数作为输出层的激活函数,输出节点为1。
进一步的,图4是实施例一提供的模型训练验证的流程示意图,如图4所示,所述将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,包括:
S102c1:将所述模型数据集中的数据划分为模型训练集和模型样本集;
S102c2:将所述模型训练集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练;
S102c3:通过所述模型样本集对训练后的台风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,所述台风水位预测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。
更为优选的,在本实施例中采用了Tanh(sigmoid)函数作为LSTM层地激活函数,因为Tanh(sigmoid)函数对数据变化比较敏感;进而能够提高数据敏感性以及最终预测结果的准确性。
S103:输出与所述台风数据相对应的水位预测结果。
将数据输入上述模型之后即可得到下一时刻或者未来某一时刻的对应监测站点的水位预测结果。
本实施例具体的,每一轮输入数据都是一个逐步滑动的窗口,初始输入是长度为50的时间序列,每一次预测后,将刚预测出来的数据加到时间序列末尾,并将序列首部的第一个时间数据移去,逐步滑动,无限期预测后面的数据;滑动一次窗口,则用预测值填充窗口。不同之处在于,滑动窗口到窗口中只有一个真实数据时,就需要重新输入一次真实数据组成的长度为50的序列窗口。
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。
本发明公开了一种基于LSTM模型的台风水位预测方法,属于台风预测技术领域。本发明技术方法通过搭建深度学习环境,爬取或搜集水文局近期的台风数据,对台风数据进行前期分析,再提取关键特征,选取训练数据,输入训练数据,基于深度学习理论构建台风水位预测模型,所述台风水位预测模型包括一层输入层、一层隐含层和一层输出层,最后输出预测结果,结合真实值以误差百分比作为评测指标进行测评。本发明还实现了一种基于LSTM模型的台风水位预测系统。本发明采用了LSTM模型构建台风水位预测模型适用于周期性强的数据和序列数据,解决长期依赖问题,比传统时间序列模型等更加灵活调参。
本发明实施例中的进行台风水位预测的装置,由于台风的历史数据具有相当大的时序性,且有一定的周期性,因此适合通过LSTM模型对先前的台风水位走势构建相应预测模型,本发明实施例的方案解决了现有技术中预测准确性较差、计算量大以及易产生过拟合的技术问题;通过上述模型能够解决数据的长期依赖问题,相对于传统时间序列模型,其能够更加灵活的调参。
实施例二
请参阅图8,图8是本发明实施例公开的进行台风水位预测的装置的结构示意图。如图8所示,该进行台风水位预测的装置可以包括:
第一获取模块21:用于获取预设站点的台风数据,并根据所述台风数据提取台风特征信息;
运算模块22:根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;
输出模块23:输出与所述台风数据相对应的水位预测结果。
进一步的,所述台风水位预测模型通过如下模块构建完成:
第二获取模块:用于获取历史台风数据和增水数据;
预处理模块:用于对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,并根据所述历史特征信息和所述水位数据生成模型数据集;
模型训练模块:用于将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,在所述台风水位识别模型中以历史特征信息为输入、水位预测结果为输出进行识别训练直至达到训练要求。
进一步的,所述模型训练模块,包括:
数据划分模块:用于将所述模型数据集中的数据划分为模型训练集和模型样本集;
数据输入模块:用于将所述模型训练集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练;
验证模块:用于通过所述模型样本集对训练后的台风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。
进一步的,在所述输出模块之后,还包括:
第三获取模块:用于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;
显示模块:用于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。
本发明实施例中的进行台风水位预测的装置,由于台风的历史数据具有相当大的时序性,且有一定的周期性,因此适合通过LSTM模型对先前的台风水位走势构建相应预测模型,本发明实施例的方案解决了现有技术中预测准确性较差、计算量大以及易产生过拟合的技术问题;通过上述模型能够解决数据的长期依赖问题,相对于传统时间序列模型,其能够更加灵活的调参。
实施例三
请参阅图9,图9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7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)
1.一种进行台风水位预测的方法,其特征在于,包括:
获取预设时间的台风数据,并根据所述台风数据提取台风特征信息;
根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;
输出与所述台风数据相对应的水位预测结果。
2.如权利要求1所述的进行台风水位预测的方法,其特征在于,所述台风水位预测模型通过如下步骤构建完成:
获取历史台风数据和增水数据;
对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,并根据所述历史特征信息和所述水位数据生成模型数据集;
将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,在所述台风水位识别模型中以历史特征信息为输入、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所述的进行台风水位预测的方法,其特征在于,所述对所述历史台风数据和增水数据进行预处理以得到对应的历史特征信息和水位数据,包括:
对所述历史台风数据和增水数据进行特征选择以得到历史特征信息和水位数据,所述历史特征信息包括台风等级、经度信息、纬度信息、风速信息和气压信息;
对所述历史特征信息和水位数据进行归一化处理。
4.如权利要求2所述的进行台风水位预测的方法,其特征在于,所述基于LSTM结构的台风水位识别模型包括输入层、隐含层和输出层;
在所述台风水位识别模型中以历史特征信息为输入、水位大小为输出进行识别训练直至达到训练要求,包括:
将历史特征信息输入至相应的第一LSTM单元进行模型训练以得到输入层;
将所述输入层的输出结果输入至第二LSTM单元进行模型训练以得到隐含层;
将所述隐含层的输出结果输入至第三LSTM单元进行识别训练以得到输出层,将所述输出层的水位预测结果输出,通过不断进行模型训练直至达到训练要求。
5.如权利要求4所述的进行台风水位预测的方法,其特征在于,所述隐含层采用ELU函数作为其内部激活函数,所述输出层采用Linear函数作为其激活函数。
6.如权利要求2所述的进行台风水位预测的方法,其特征在于,所述将所述模型数据集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练,包括:
将所述模型数据集中的数据划分为模型训练集和模型样本集;
将所述模型训练集中的数据输入至基于LSTM结构的台风水位识别模型中进行训练;
通过所述模型样本集对训练后的台风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。
7.如权利要求1所述的进行台风水位预测的方法,其特征在于,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;
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。
8.一种进行台风水位预测的装置,其特征在于,包括:
第一获取模块:用于获取预设站点的台风数据,并根据所述台风数据提取台风特征信息;
运算模块:根据所述台风特征信息以及基于LSTM结构构建的台风水位预测模型进行模型运算;
输出模块:输出与所述台风数据相对应的水位预测结果。
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任一项所述的进行台风水位预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304341.8A CN113011657A (zh) | 2021-03-22 | 2021-03-22 | 进行台风水位预测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304341.8A CN113011657A (zh) | 2021-03-22 | 2021-03-22 | 进行台风水位预测的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011657A true CN113011657A (zh) | 2021-06-22 |
Family
ID=76404629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304341.8A Pending CN113011657A (zh) | 2021-03-22 | 2021-03-22 | 进行台风水位预测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Citations (5)
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 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
KR102061500B1 (ko) * | 2019-10-30 | 2020-01-02 | (주)해양정보기술 | 인공신경망 기반 지진해일 예측 시스템 |
-
2021
- 2021-03-22 CN CN202110304341.8A patent/CN113011657A/zh active Pending
Patent Citations (5)
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 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
KR102061500B1 (ko) * | 2019-10-30 | 2020-01-02 | (주)해양정보기술 | 인공신경망 기반 지진해일 예측 시스템 |
Non-Patent Citations (1)
Title |
---|
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》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
CN116128141B (zh) * | 2023-02-07 | 2023-08-29 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516297B (zh) | 基于决策树模型的预测方法、装置和计算机设备 | |
Wu et al. | Artificial neural networks for forecasting watershed runoff and stream flows | |
Han et al. | Drought forecasting based on the remote sensing data using ARIMA models | |
CN109376913A (zh) | 降水量的预测方法及装置 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Wegayehu et al. | Multivariate streamflow simulation using hybrid deep learning models | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
Apurv et al. | Evaluation of the stationarity assumption for meteorological drought risk estimation at the multidecadal scale in contiguous United States | |
Le et al. | Application of gated recurrent unit (GRU) network for forecasting river water levels affected by tides | |
Qiao et al. | Metaheuristic evolutionary deep learning model based on temporal convolutional network, improved aquila optimizer and random forest for rainfall-runoff simulation and multi-step runoff prediction | |
Shiri et al. | Forecasting daily stream flows using artificial intelligence approaches | |
Choi et al. | Deep-learning model for sea surface temperature prediction near the Korean Peninsula | |
Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
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 | |
Wang et al. | Two-dimension monthly river flow simulation using hierarchical network-copula conditional models | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Jin et al. | Using EEMD mode decomposition in combination with machine learning models to improve the accuracy of monthly sea level predictions in the coastal area of China | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
Ju et al. | Hydrologic simulations with artificial neural networks | |
Smith et al. | Testing probabilistic adaptive real‐time flood forecasting models | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
Patra et al. | Regional groundwater sequential forecasting using global and local LSTM models | |
Escalante-Sandoval et al. | Regional monthly runoff forecast in southern Canada using ANN, K-means, and L-moments techniques |
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: 20210622 |