CN113283588B - 一种基于深度学习的近岸单点海浪浪高预报方法 - Google Patents

一种基于深度学习的近岸单点海浪浪高预报方法 Download PDF

Info

Publication number
CN113283588B
CN113283588B CN202110618439.0A CN202110618439A CN113283588B CN 113283588 B CN113283588 B CN 113283588B CN 202110618439 A CN202110618439 A CN 202110618439A CN 113283588 B CN113283588 B CN 113283588B
Authority
CN
China
Prior art keywords
wave height
deep learning
data
model
prediction model
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.)
Active
Application number
CN202110618439.0A
Other languages
English (en)
Other versions
CN113283588A (zh
Inventor
李海涛
孙建
崔天伦
于洋
胡泽涛
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.)
Qingdao Limap Hi Tech Information Technology Co ltd
Original Assignee
Qingdao Limap Hi Tech Information Technology 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 Qingdao Limap Hi Tech Information Technology Co ltd filed Critical Qingdao Limap Hi Tech Information Technology Co ltd
Priority to CN202110618439.0A priority Critical patent/CN113283588B/zh
Publication of CN113283588A publication Critical patent/CN113283588A/zh
Application granted granted Critical
Publication of CN113283588B publication Critical patent/CN113283588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的近岸单点海浪浪高预报方法，包括如下步骤：步骤一：指定区域海洋水文气象数据集；步骤二：数据清洗和处理得到有效数据并划分出训练集、测试集；步骤三：训练模型得到训练完成后的海浪浪高预测模型；步骤四：对海浪浪高预测模型精度验证，预测海浪浪高结果。本发明利用自研深度学习模型对单点海浪浪高进行预测，提高了浪高预测精度，对近海海洋水文气象预报减灾具有重要意义；本发明的预测方法稳定可靠，训练好的模型可直接用于未来近海单点浪高预测应用中，应用简便。

Description

一种基于深度学习的近岸单点海浪浪高预报方法
技术领域
本发明涉及海洋水文气象预报领域，具体涉及一种基于深度学习的近岸单点海浪浪高预报方法。
背景技术
海浪对人类的海上活动和近岸活动有着巨大的影响，甚至会造成人员与经济的损失。因此海浪浪高的准确预报对人类进行航海、渔业、海上军事活动、海上作业、海上运动、沿海与近岸工程的规划与设计等相关活动至关重要。
目前海浪浪高预报研究方法最主流的是动力学方法，动力学方法是基于谱组成波的能量平衡方程以数值计算方法而建立的，其中最主要的应用就是海浪数值模式，海浪数值模式已经发展到了第三代，是基于波浪生成与耗散物理过程而产生的，其建立在明确的物理过程之上，但由于海浪生成机制非常复杂，目前人们对波浪生成机制的认识还很有限，尤其是近海海浪，因海底地形更为复杂，对海浪浪高预报影响很大，近海海浪浪高的数值模式预报效果还存在一定的局限。
近年来，机器学习理论和方法应用蓬勃发展，已在海洋水文气象领域广泛应用，各类机器学习算法包括传统机器学习算法(如随机森林、决策树、支持向量机，神经网络等)和深度学习方法，已在海洋水文气象要素监测、短时临近预报、短期预报领域发挥了积极的重要作用，其应用效果往往明显优于依靠数值模式、统计特征、主观经验积累的传统方法。
Hinton and Salakhutdinov(2006)提出的“深度学习(deep learning)”概念，证明了深层神经网络的可训练性，展现了深层神经网络更强大的特征提取和非线性拟合能力。与浅层神经网络、支持向量机等传统机器学习算法相比，深度神经网络不仅能够为复杂非线性系统提供建模、更能够为模型提供更高的抽象层次，从而提高模型的特征提取能力，其优势在于能以更加紧凑简洁的方式来表达比浅层网络大得多的函数集合，并在语音处理、图像识别等领域相比传统方法的性能有了显著提升。在海浪浪高预报领域，深度学习技术能够从海量的海洋水文气象数据中提取特征，能够更有效提取高时空分辨率的中小尺度观测数据的海浪特征，更有效综合应用观测数据、数值模式预报数据等，为近海单点海浪浪高短临预报预警提取更多有效信息，能够有效对数值模式预报进行释用和后处理，提供近海单点海浪浪高短临预报上的更精准的预报结果，同时由于基于深度学习模型对海浪浪高进行预测，所需的计算机算力更少，所以日后实际应用过程中该方法比传统方法成本更低。
目前，尽管深度学习技术在海洋水文气象要素短临预报上发挥了重要积极的作用，但总体而言，深度学习技术在海浪浪高的预报上还存在一些问题，例如目前没有一种深度学习算法能够在所有海洋气象应用场景中都取得最好的应用效果，因此需要根据海洋气象要素特征、场景不同，研发针对性深度学习模型，提高海洋气象要素预报的准确性和应用效果。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于深度学习的近海单点海浪浪高预报方法，结合近海区域海洋水文气象要素实测数据、数值模式预报数据，实现对近海单点海浪浪高准确度、低成本的短临预报。
为达到上述目的，本发明的技术方案为：一种基于深度学习的近岸单点海浪浪高预报方法，包括步骤如下：
S1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；
S2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；
S3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；
S4.将所述测试集进行归一化处理，输入所述海浪浪高预测模型进行测试，再通过反归一化处理对所述海浪浪高预测模型进行模型精度验证，得到海浪浪高预测结果。
优选地，所述S1中数据集具体包括实测风速、风向、实测波高、模式风速、预测波高和逐小时时间序列。
优选地，所述S2中具体为：将所述数据集基于所述逐小时时间序列按照8:2的比列划分为训练集和测试集。
优选地，所述S3中的基于深度学习的海浪浪高预测模型包括：一个输入层、两个隐含层和一个输出层，所述两个隐含层分别为CC-LSTM层和全连接层。
优选地，所述S3中对所述基于深度学习的海浪浪高预测模型进行训练的方法具体为：
步骤1.将t-n时刻的数据输入输入层，获得的输出结果作为第一输出结果，将所述第一输出结果输入所述基于深度学习的海浪浪高模型的节点中，基于若干个单元进行处理，获得的输出结果作为第二输出结果，将所述第二输出结果输出到输出层；
步骤2.计算所述第二输出结果和标签数据的误差；
步骤3.基于所述步骤1和所述步骤2的方法，依次计算t-n+1、…、t-2、t-1的误差，获得若干个误差；
步骤4.将若干个所述误差反向传播，更新每个时刻的权值，将获得的RMSE值作为RMSE最低值；
步骤5.调整所述基于深度学习的海浪浪高模型的超参数，对比得到所述RMSE最低值，完成训练。
优选地，所述S4中对海浪浪高预测模型进行模型精度验证中，若合格则得到海浪浪高预测结果；反之则返回S2。
优选地，对所述海浪浪高预测模型进行模型精度验证的具体方法为：所述测试集完成所述归一化处理，获得归一化后的时间序列，基于所述时间序列，将实测风速、实测风向、实测波高和模式风速输入到训练好的海浪浪高预测模型中，通过所述反归一化处理得到测试集预测浪高预测结果；将得到的预测结果中的预测浪高数据和逐小时时间序列测试集中的预测浪高数据进行对比，计算出平均绝对误差MAE作为指标验证模型精度，计算公式为：
Figure BDA0003098714150000051
其中，n表示测试集的预测浪高时间序列长度，yi表示预测结果中的预测浪高数据，
Figure BDA0003098714150000052
表示逐小时时间序列测试集中的观测浪高数据。
优选地，所述S4中归一化处理计算公式为：
y＝(x-min)/(max-min)
其中，x表示原始变量，y表示归一化后的变量，min表示x中的最小值，man表示x中的最大值。
本发明公开了以下技术效果：
(1)在预报准确率方面，使用本发明深度学习模型对近海单点海浪浪高进行预报，相比较传统数值预报模式，能更好的用非线性关系拟合海浪运行机制，预报准确率更高。
(2)在效率成本方面，使用本发明深度学习模型对近海单点海浪浪高进行预报，相比较传统数值预报模式，能更快、更高效、成本更低的对近海单点海浪浪高进行预报。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程示意图；
图2为本发明的CC-LSTM模型架构示意图；
图3为本发明的LSTM算子示意图；
图4为本发明的CC-LSTM模块示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1至图4所示，根据近海单点海浪特征、影响因子、及深度学习技术特点，设计一种个性化深度学习架构，并进行训练，得到个性化近海单点海浪预报模型，实现近海单点海浪波高精细化短临预报。
首先，进行数据收集与清洗，收集并构建指定区域单点位置的海洋水文气象数据集，对数据以时间维度为标准进行配对，分为训练数据集和测试数据集，然后对数据集进行统一处理，剔除、补全异常数据，同时设计和研发适合该数据集拟合预报方式的深度学习框架，将处理好的训练数据集导入各框架模型中进行训练，然后使用没有测试数据集进行测试，根据测试结果调试超参数，修改模型，以平均绝对误差(MAE)为标准，训练处误差最低，准入度最高的针对性模型，实现近海单点海浪浪高的低成本、更高准确度的短临预报：
(1)指定区域海洋水文气象数据集
根据目标，收集指定区域台站和ECWMF的海洋水文气象数据，并对数据进行解析。包括实测风速WS、风向WDIR、实测波高SWH、模式风速F_WS、预测波高F_SWH和逐小时时间序列y0。
(2)数据清洗与特征处理
对各数据集分别进行清洗，剔除、补全异常数据，剔除长时段缺失、干扰数据，补全短时段缺失、干扰数据，训练数据集至少整理出1.5万组有效数据。其中：台站实测数据整理风速WS、风向WDIR、实测波高SWH、预测波高F_SWH，ECMWF的模式数据为该区域的模式风速F_WS，并以时间y0为维度进行数据配对，根据需求将该时刻预测浪高数据F_SWH(作为输出因子)和一小时前另外四个因素(作为输入因子)组合成一组有效数据；最后对数据进行分类，分为训练数据集和测试数据集，选取前80％长度的时间序列y0作为训练集，剩余20％长度的时间序列y0作为测试集。
(3)设计深度学习的模型框架并自研模型
海浪浪高是随时间变化的，浪高数据是按照一个固定的时间间隔记录的组有序数据，这是一组时间序列数据。深度学习模型中，循环神经网络是一类非常强大网络，经常被用于处理和预测序列数据。但其缺点也是比较明显的,循环神经网络在训练过程中会出现梯度消失或者梯度爆炸的问题。而循环神经网络的变体之长短期记忆网络能够较好地解决传统循环神经网络的问题，但现有长短期记忆神经网络不能很好的实现准确率更高的预报效果，因此本技术波浪预报研究根据现有深度学习模型特点，自行设计模型架构并编写对应代码，构建针对性的深度学习模型，用于后续训练和验证。
先对测试集完成归一化处理，归一化后的时间序列为y0'。
归一化处理的计算公式为：
y＝(x-min)/(max-min) (I)；
其中，x表示原始变量；y是归一化后的变量；min表示x中的最小值,man表示x中的最大值。
该自研预测模型由输入层、CC-LSTM层、全连接层和输出层组成，CC-LSTM层和全连接层采用dropout方法舍弃两层间的部分连接以避免过拟合,dropout值采用经验值0.4。
模型通过遗忘门ft、输入门it和输出门ot控制LSTM层记忆单元数据信息的流动，包括如下步骤：
3.1)基于归一化后的时间序列为y0'的训练集部分，输入当前时刻t的逐小时的实测风速WS、实测风向WDIR、实测波高SWH和模式风速F_WS构成的矩阵xt和t-1时刻的记忆单元隐含状态向量ht-1至ft，ht-1封装和汇总了t-2时刻出现的所有信息,ft控制着数据信息的遗忘或保留：
ft＝σ(Wf[xt，ht-1]+bf) (II)；
其中,Wf为遗忘门权重矩阵,bf为遗忘门偏置,σ(·)表示Sigmoid激活函数；
3.2)输入门it由sigmoid层和tanh层两部分组成，sigmoid层更新当前输入信息，tanh层生成新的记忆单元中间状态向量
Figure BDA0003098714150000081
用于更新记忆单元状态：
it＝σ(Wi[xt，ht-1]+bi) (III)；
Figure BDA0003098714150000091
其中,Wi输入门权重矩阵，
Figure BDA0003098714150000092
表示单元状态权重矩阵，bi和
Figure BDA0003098714150000093
分别为输入门和单元状态偏置,tanh(·)表示双曲正切函数；
3.3)更新t时刻记忆单元状态ct:
Figure BDA0003098714150000094
其中，ct-1表示t-1时刻记忆单元状态，⊙表示两个向量元素间的乘积；
3.4)输出门ot控制着长期记忆对t时刻输出的影响：
ot＝σ(Wo[xt，ht-1]+bo) (VI)；
其中,Wo为输出门权重矩阵,bo为输出门偏置；
3.5)输出门ot和t时刻记忆单元状态ct共同决定t时刻记忆单元输出yt；
ht＝tanh(ct)⊙ot (VII)；
yt＝Wyht+bt (VIII)；
其中，ht为t时刻的记忆单元隐含状态向量,Wy为单元输出权重矩阵和by为单元输出偏置。
(4)模型训练
根据之前设计并编写的深度学习模型，导入训练集开始进行神经网络模型的训练与测试。使用t-n、t-n+1、…、t-2、t-1时刻的数据和t时刻浪高数据进行训练建立非线性关系，训练步骤如下：
4.1)将t-n时刻的特征数据输入输入层,经过激活函数输出结果；
4.2)输出结果输入该模型结构的节点中，通过Input Gate，Output Gate，ForgetGate和Cell单元的处理，输出数据到输出层；
4.3)计算输出层的输出结果与标签数据的误差；
4.4)将t-n+1时刻的特征数据输入输入层，经过激活函数输出结果
4.5)该输出结果与t-n时刻的隐藏层输出和t-n时刻cell单元存储的信息一起输入该模型结构的节点中，通过InputGate,OutputGate,ForgetGate和Cell单元的处理,输出数据到输出层；
4.6)计算输出层的输出结果与标签数据的误差；
4.7)重复4.4)-4.6)，直到输入t-1时刻的特征数据，并计算输出结果与标签数据的误差；
4.8)误差反向传播,更新各个权值，得到最终RMSE最低值；
4.9)调整该模型超参数，并重复以上步骤，对比得到最低RMSE值的模型，完成模型训练，生成适用于该近海区域单点海浪浪高预报模型。
(5)模型验证
基于归一化后的时间序列为y0'的测试集部分，将风速WS、实测风向WDIR、实测波高SWH和模式风速F_WS输入训练好的模型网络中，通过反归一化处理得到测试集预测浪高F_SWH预测结果yp；
对比得到的预测结果yp中的预测浪高F_SWH数据和y0测试集中的预测浪高F_SWH数据，以平均绝对误差MAE、作为检验标准,验证模型合理性。
采用平均绝对误差MAE指标验证模型精度，能更好地反映预测值误差的实际情况，公式为：
Figure BDA0003098714150000111
其中，n表示测试集浪高时间序列长度，yi表示预测结果中的预测浪高数据，
Figure BDA0003098714150000112
表示逐小时时间序列测试集中的观测浪高数据，MAE值越小,表示模型精度越高。
本发明与现有技术相比，利用自研深度学习模型对单点海浪浪高进行预测，提高了浪高预测精度，对近海海洋水文气象预报减灾具有重要意义；本发明的预测方法稳定可靠，训练好的模型可直接用于未来近海单点浪高预测应用中，应用简便。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于深度学习的近岸单点海浪浪高预报方法，其特征在于，包括如下步骤：
S1.收集区域台站和海洋水文气象数据组成数据集，并对数据集进行处理；
S2.对所述数据集进行数据清洗和特征处理，得到有效数据，对所述有效数据进行分类，划分出训练集和测试集；
S3.构建基于深度学习的海浪浪高预测模型，用所述训练集对所述基于深度学习的海浪浪高预测模型进行训练，得到训练完成后的海浪浪高预测模型；所述S3中的基于深度学习的海浪浪高预测模型包括：一个输入层、两个隐含层和一个输出层，所述两个隐含层分别为CC-LSTM层和全连接层；
S4.将所述测试集进行归一化处理，输入所述海浪浪高预测模型进行测试，再通过反归一化处理对所述海浪浪高预测模型进行模型精度验证，得到海浪浪高预测结果。
2.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S1中数据集具体包括实测风速、风向、实测波高、模式风速、预测波高和逐小时时间序列。
3.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S2中具体为：将所述数据集基于逐小时时间序列按照8:2的比列划分为训练集和测试集。
4.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S3中对所述基于深度学习的海浪浪高预测模型进行训练的方法具体为：
步骤1.将t-n时刻的数据输入输入层，获得的输出结果作为第一输出结果，将所述第一输出结果输入所述基于深度学习的海浪浪高模型的节点中，基于若干个单元进行处理，获得的输出结果作为第二输出结果，将所述第二输出结果输出到输出层；
步骤2.计算所述第二输出结果和标签数据的误差；
步骤3.基于所述步骤1和所述步骤2的方法，依次计算t-n+1、…、t-2、t-1的误差，获得若干个误差；
步骤4.将若干个所述误差反向传播，更新每个时刻的权值，将获得的RMSE值作为RMSE最低值；
步骤5.调整所述基于深度学习的海浪浪高模型的超参数，对比得到所述RMSE最低值，完成训练。
5.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S4中对海浪浪高预测模型进行模型精度验证中，若合格则得到海浪浪高预测结果；反之则返回S2。
6.根据权利要求5所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，对所述海浪浪高预测模型进行模型精度验证的具体方法为：所述测试集完成所述归一化处理，获得归一化后的时间序列，基于所述时间序列，将实测风速、实测风向、实测波高和模式风速输入到训练好的海浪浪高预测模型中，通过所述反归一化处理得到测试集预测浪高预测结果；将得到的预测结果中的预测浪高数据和逐小时时间序列测试集中的观测浪高数据进行对比，计算出平均绝对误差MAE作为指标验证模型精度，计算公式为：
Figure FDA0003510325150000021
其中，n表示测试集的预测浪高时间序列长度，yi表示预测结果中的预测浪高数据，
Figure FDA0003510325150000031
表示逐小时时间序列测试集中的观测浪高数据。
7.根据权利要求1所述的基于深度学习的近岸单点海浪浪高预报方法，其特征在于，所述S4中归一化处理计算公式为：
y＝(x-min)/(max-min)
其中，x表示原始变量，y表示归一化后的变量，min表示x中的最小值，man表示x中的最大值。
CN202110618439.0A 2021-06-03 2021-06-03 一种基于深度学习的近岸单点海浪浪高预报方法 Active CN113283588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618439.0A CN113283588B (zh) 2021-06-03 2021-06-03 一种基于深度学习的近岸单点海浪浪高预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618439.0A CN113283588B (zh) 2021-06-03 2021-06-03 一种基于深度学习的近岸单点海浪浪高预报方法

Publications (2)

Publication Number Publication Date
CN113283588A CN113283588A (zh) 2021-08-20
CN113283588B true CN113283588B (zh) 2022-04-19

Family

ID=77283257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618439.0A Active CN113283588B (zh) 2021-06-03 2021-06-03 一种基于深度学习的近岸单点海浪浪高预报方法

Country Status (1)

Country Link
CN (1) CN113283588B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581817B (zh) * 2022-02-21 2022-11-04 国家海洋环境预报中心 从近岸海浪监控视频智能检测浪高和风速的方法及系统
CN114580509B (zh) * 2022-02-21 2022-10-28 国家海洋环境预报中心 基于卷积长短记忆网络的海浪宏观特征量预测系统
CN114445634A (zh) * 2022-02-28 2022-05-06 南京信息工程大学 一种基于深度学习模型的海浪波高预测方法及系统
CN114519311B (zh) * 2022-04-21 2022-07-22 中国海洋大学 全港池波浪有效波高的预测方法、系统、存储介质、应用
CN114912077B (zh) * 2022-05-27 2023-06-30 中国海洋大学 一种融合随机搜索与混合分解误差订正的海浪预报方法
CN115392151A (zh) * 2022-08-11 2022-11-25 浙江大学 一种基于lstm模型的海洋结构物波浪载荷预报方法
CN116523125B (zh) * 2023-04-13 2023-10-20 宁波市气象台 一种基于海面风速预报的浪高预报方法
CN118011524B (zh) * 2024-01-18 2024-10-18 宁波市气象台 一种基于海面风向和风速预报的浪高预报方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562784A (zh) * 2017-07-25 2018-01-09 同济大学 基于ResLCNN模型的短文本分类方法
CN108288109A (zh) * 2018-01-11 2018-07-17 安徽优思天成智能科技有限公司 基于lstm深度时空残差网络的机动车尾气浓度预测方法
CN111199270A (zh) * 2019-12-30 2020-05-26 福建省海洋预报台 一种基于深度学习的区域波高预报方法及终端
CN112307676A (zh) * 2020-11-04 2021-02-02 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 波高数值预报模型结果修正方法
CN112684701A (zh) * 2020-12-01 2021-04-20 哈尔滨工程大学 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法
CN112766597A (zh) * 2021-01-29 2021-05-07 中国科学院自动化研究所 公交客流预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10573295B2 (en) * 2017-10-27 2020-02-25 Salesforce.Com, Inc. End-to-end speech recognition with policy learning
US10909446B2 (en) * 2019-05-09 2021-02-02 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
US11537889B2 (en) * 2019-05-20 2022-12-27 ClimateAI, Inc. Systems and methods of data preprocessing and augmentation for neural network climate forecasting models
CN111063194A (zh) * 2020-01-13 2020-04-24 兰州理工大学 一种交通流预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562784A (zh) * 2017-07-25 2018-01-09 同济大学 基于ResLCNN模型的短文本分类方法
CN108288109A (zh) * 2018-01-11 2018-07-17 安徽优思天成智能科技有限公司 基于lstm深度时空残差网络的机动车尾气浓度预测方法
CN111199270A (zh) * 2019-12-30 2020-05-26 福建省海洋预报台 一种基于深度学习的区域波高预报方法及终端
CN112307676A (zh) * 2020-11-04 2021-02-02 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 波高数值预报模型结果修正方法
CN112684701A (zh) * 2020-12-01 2021-04-20 哈尔滨工程大学 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法
CN112766597A (zh) * 2021-01-29 2021-05-07 中国科学院自动化研究所 公交客流预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Compressed Convolutional LSTM: An Efficient Deep Learning Framework to Model High Fidelity 3D Turbulence;Arvind T. Mohan et al.;《arXiv.org》;20190305;第1-27页 *
ResNet-LSTM for Real-Time PM2.5 and PM10 Estimation Using Sequential Smartphone Images;SHIGUANG SONG et al.;《IEEE Access》;20201203;第8卷;第220069-220082页 *
基于出租车时空轨迹深度学习的城市道路行程时间预测方法;喻钢;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20180915(第09期);第C034-303页 *

Also Published As

Publication number Publication date
CN113283588A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113283588B (zh) 一种基于深度学习的近岸单点海浪浪高预报方法
Zheng et al. Time series prediction for output of multi-region solar power plants
Liu et al. A flood forecasting model based on deep learning algorithm via integrating stacked autoencoders with BP neural network
Xu et al. Deep belief network-based AR model for nonlinear time series forecasting
Ghorbani et al. Relative importance of parameters affecting wind speed prediction using artificial neural networks
Phyo et al. Electricity load forecasting in Thailand using deep learning models
Al-Matarneh et al. Development of temperature-based weather forecasting models using neural networks and fuzzy logic
Bajirao et al. Potential of hybrid wavelet-coupled data-driven-based algorithms for daily runoff prediction in complex river basins
CN114492922A (zh) 一种中长期发电量预测方法
Li et al. A novel multichannel long short-term memory method with time series for soil temperature modeling
Calp A hybrid ANFIS-GA approach for estimation of regional rainfall amount
Le et al. Application of gated recurrent unit (GRU) network for forecasting river water levels affected by tides
Hosseini et al. Evaluation of data-driven models to downscale rainfall parameters from global climate models outputs: the case study of Latyan watershed
Kosana et al. Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network
CN110738363B (zh) 一种光伏发电功率预测方法
Du et al. An innovative interpretable combined learning model for wind speed forecasting
Noel Stock Price Prediction using Dynamic Neural Networks
Santos de Jesus et al. Machine learning models for forecasting water demand for the Metropolitan Region of Salvador, Bahia
Giang et al. Monthly precipitation prediction using neural network algorithms in the Thua Thien Hue Province
Wang et al. Ultra-short-term wind speed prediction based on empirical wavelet transform and combined model
Nikoo et al. Wave height prediction using artificial immune recognition systems (AIRS) and some other data mining techniques
Yalçın Weather parameters forecasting with time series using deep hybrid neural networks
Duong et al. A comparative study of three different models to predict monthly rainfall in Ca Mau, Vietnam
Emamverdi et al. FORECASTING THE TOTAL INDEX OF TEHRAN STOCK EXCHANGE.
Goyal Financial Time Series Stock Price Prediction using Deep 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