CN114398819A - 一种基于深度学习的非结构网格有效波高预测方法与系统 - Google Patents

一种基于深度学习的非结构网格有效波高预测方法与系统 Download PDF

Info

Publication number
CN114398819A
CN114398819A CN202111419285.9A CN202111419285A CN114398819A CN 114398819 A CN114398819 A CN 114398819A CN 202111419285 A CN202111419285 A CN 202111419285A CN 114398819 A CN114398819 A CN 114398819A
Authority
CN
China
Prior art keywords
wave height
model
input
hours
effective wave
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
Application number
CN202111419285.9A
Other languages
English (en)
Inventor
宋弢
王家荣
徐丹亚
魏伟
韩润生
孟凡
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202111419285.9A priority Critical patent/CN114398819A/zh
Publication of CN114398819A publication Critical patent/CN114398819A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (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非结构网格有效波高预测系统，包括长短期记忆模型(LSTM)，所述的非结构网格有效波高预测系统包括两个LSTM组成的时间序列处理模型，是一个具有输入门、忘记门和输出门的循环神经网络。模型的输入为FVCOM模式提供的非结构网格10000小时的有效波高数据，最终输出为未来1小时、6小时、12小时以及24小时的预测波高。

Description

一种基于深度学习的非结构网格有效波高预测方法与系统
技术领域
本发明涉及时空序列预测技术领域，特别涉及一种基于深度学习的非结构网格有效波高预测方法与系统。
背景技术
海浪是物理海洋学的一个重要研究领域，海浪高度受到环境变化和地球系统的影响，特别是由于气候变化而产生的波浪。海浪周期、波向、有效波高等海况特征是海洋工程建设、海上运输、环境保护和军事行动等活动必须考虑的重要安全因素。其中，海浪有效波高最为重要，准确可靠的有效波高预测是海洋和工程应用的一项重要任务。所以，结合观测资料对有效波高进行准确的业务化预报,具有非常重要的意义。随着海洋观测技术的不断进步，海洋数据量和数据维度急剧上升。使用传统的数据分析方法来分析海量数据，暴露出许多不足。
近年来，深度学习已成为各个领域的热门研究方法，并已应用到我们生活的方方面面，为以前无法解决或难以解决的问题提供了智能解决方案。比如，利用深度学习方法对厄尔尼诺现象的预测效果已经超越了所有的海洋数值模式。深度学习是由数据驱动的，它从一部分输入数据中学习并构建模型。该模型用于预测和分析另一部分数据以获得人们想要的结果。深度学习的发展解决了数值模式方法消耗大量计算资源且运算时间长等缺点。如今，利用深度学习技术分析和应用海洋数据成为科学研究的重点。该方法对于保护海洋环境、预测海洋要素、探索未知、应对极端天气具有重要的现实意义和长远意义。
发明内容
本发明实施例提供了一种基于深度学习的非结构网格有效波高预测方法与系统。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
在一些可选实施例中，所述系统包括长短期记忆模型(LSTM)，所述的非结构网格有效波高预测系统包括两个LSTM组成的时间序列处理模型，是一个具有输入门、忘记门和输出门的循环神经网络。模型的输入为FVCOM模式提供的非结构网格10000小时的有效波高数据，最终输出为未来1小时、6小时、12小时以及24小时的预测波高。
可选的，所述的长短期记忆网络(LSTM)对时间序列进行充分的特征提取，不断学习时间序列的长期依赖关系，其具体包括：首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态:z,zi,zf,zo。其中，zi,zf,zo是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态。而z则是将结果通过一个tanh激活函数将转换成-1到1之间的值，将其作为输入数据。
首先对上一个节点传入的输入进行选择性忘记，通过计算得到的zf来作为忘记门控，来控制上一个状态的ct-1哪些需要保留，哪些需要遗忘。遗忘门会读取ht-1和xt，输出一个在0到1之间的数值zf给每个在细胞状态ct-1中的数字。1表示“完全保留”，0表示“完全舍弃”。
然后是选择记忆阶段，将对输入xt有选择性地进行记忆，对于重要的信息着重记录，对于不重要的信息少量记录。当前的输入内容由z表示，选择的门控信号由zi来进行控制。将二者相乘，将得到的结果与上一步的结果相加，即可得到传输给下一个状态的ct。
输出阶段将决定哪些将会被当作当前状态的输出。对上一阶段得到的co通过一个tanh激活函数进行放缩，得到一个在-1到1之间的值，与zo相乘，得到ht。通过ht变化得到yt作为输出。
可选的，FVCOM是非结构三角形网格架构、有限体积、自由表面、三维原始方程海洋数值模型。数值模式采用有限体积法(FVM)，可应用于各种河口，海湾，陆架和海洋问题。FVCOM模式采用α垂向坐标和水平三角形非结构网格坐标的结合，可以使模式应用对重点研究区域处的网格进行加密处理，较好地模拟复杂岸形和海底地形，既可控制计算量，又不牺牲笛卡尔坐标的特性。
可选的，对所述的长短期记忆模型利用已有的大量非结构网格有效波高数据进行训练，并获得了完善的模型参数。
本发明实施例提供的技术方案可以包括以下有益效果：
利用工智能技术对海洋大气领域时间序列数据进行智能处理，能够避免地球数值模式消耗大量计算资源且无法实时预测的问题，快速且有效地确定研究范围的有效波高，处理速度快，消耗计算资源小，有利于集成和大规模的应用。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性示出的一种基于深度学习的非结构网格有效波高预测方法与系统的流程图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
图1出示了一种基于深度学习的非结构网格有效波高预测方法与系统的一个可选实施架构。
该可选实例中，所述系统包括长短期记忆模型(LSTM)，所述的非结构网格有效波高预测系统包括两个LSTM组成的时间序列处理模型，是一个具有输入门、忘记门和输出门的循环神经网络。模型的输入为FVCOM模式提供的非结构网格10000小时的有效波高数据，最终输出为未来1小时、6小时、12小时以及24小时的预测波高。
可选的，所述的长短期记忆网络(LSTM)对时间序列进行充分的特征提取，不断学习时间序列的长期依赖关系，其具体包括：首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态:z,zi,zf,zo。其中，zi,zf,zo是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态。而z则是将结果通过一个tanh激活函数将转换成-1到1之间的值，将其作为输入数据。
首先对上一个节点传入的输入进行选择性忘记，通过计算得到的zf来作为忘记门控，来控制上一个状态的ct-1哪些需要保留，哪些需要遗忘。遗忘门会读取ht-1和xt，输出一个在0到1之间的数值zf给每个在细胞状态ct-1中的数字。1表示“完全保留”，0表示“完全舍弃”。
然后是选择记忆阶段，将对输入xt有选择性地进行记忆，对于重要的信息着重记录，对于不重要的信息少量记录。当前的输入内容由z表示，选择的门控信号由zi来进行控制。将二者相乘，将得到的结果与上一步的结果相加，即可得到传输给下一个状态的ct。
输出阶段将决定哪些将会被当作当前状态的输出。对上一阶段得到的co通过一个tanh激活函数进行放缩，得到一个在-1到1之间的值，与zo相乘，得到ht。通过ht变化得到yt作为输出。
可选的，FVCOM是非结构三角形网格架构、有限体积、自由表面、三维原始方程海洋数值模型。数值模式采用有限体积法(FVM)，可应用于各种河口，海湾，陆架和海洋问题。FVCOM模式采用α垂向坐标和水平三角形非结构网格坐标的结合，可以使模式应用对重点研究区域处的网格进行加密处理，较好地模拟复杂岸形和海底地形，既可控制计算量，又不牺牲笛卡尔坐标的特性。
可选的，对所述的长短期记忆模型利用已有的大量非结构网格有效波高数据进行训练，并获得了完善的模型参数。
可选的，所述模型还包括长短期记忆模型训练过程，下边给出长短期记忆模型的训练过程的一个具体实施例。
该实施例中,首先,将FVCOM非结构网格海浪数据进行处理，提取出非结构网格每一个节点每一时刻的有效波高数据，构建成形如(samples,timestamp,features)的张量形式。其中，samples指的是历史数据的样本量，timestamp指预测步长，features指特征因素。将其中的80％的数据用于训练模型，其中20％的数据用于测试模型。训练过程中使用批处理归一化(Batch normalization)对输入层重新定心和重新缩放进行归一化，从而使人工神经网络更快、更稳定。然后进行训练，初始学习率为0.01，并设置损失函数(lossfuction)为平均绝对误差损失(MAE loss)，在训练过程中通过计算预测值与真实值之间的误差，利用RMSprop优化器调节网络参数,调整模型参数的权重，然后通过不断迭代，不断降低损失函数值，使网络最终收敛。
本发明利用工智能技术对海洋大气领域时间序列数据进行智能处理，能够避免地球数值模式消耗大量计算资源且无法实时预测的问题，快速且有效地确定研究区域的有效波高，处理速度快，计算资源小，有利于集成和大规模的应用。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个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。
应当理解的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (5)

1.一种基于深度学习的非结构网格有效波高预测方法与系统，其特征在于，包括长短期记忆模型(LSTM)，所述的非结构网格有效波高预测系统包括两个LSTM组成的时间序列处理模型，是一个具有输入门、忘记门和输出门的循环神经网络。模型的输入为FVCOM模式提供的非结构网格10000小时的有效波高数据，最终输出为未来1小时、6小时、12小时以及24小时的预测波高。
2.如权利要求1所述的系统，其特征在于，所述的长短期记忆网络(LSTM)对时间序列进行充分的特征提取，不断学习时间序列的长期依赖关系，其具体包括：首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态:z,zi,zf,zo。其中，zi,zf,zo是由拼接向量乘以权重矩阵之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态。而z则是将结果通过一个tanh激活函数将转换成-1到1之间的值，将其作为输入数据。
首先对上一个节点传入的输入进行选择性忘记，通过计算得到的zf来作为忘记门控，来控制上一个状态的ct-1哪些需要保留，哪些需要遗忘。遗忘门会读取ht-1和xt，输出一个在0到1之间的数值zf给每个在细胞状态ct-1中的数字。1表示“完全保留”，0表示“完全舍弃”。
然后是选择记忆阶段，将对输入xt有选择性地进行记忆，对于重要的信息着重记录，对于不重要的信息少量记录。当前的输入内容由z表示，选择的门控信号由zi来进行控制。将二者相乘，将得到的结果与上一步的结果相加，即可得到传输给下一个状态的ct。
输出阶段将决定哪些将会被当作当前状态的输出。对上一阶段得到的co通过一个tanh激活函数进行放缩，得到一个在-1到1之间的值，与zo相乘，得到ht。通过ht变化得到yt作为输出。
3.如权利要求1所述的系统，其特征在于，FVCOM是非结构三角形网格架构、有限体积、自由表面、三维原始方程海洋数值模型。数值模式采用有限体积法(FVM)，可应用于各种河口，海湾，陆架和海洋问题。FVCOM模式采用α垂向坐标和水平三角形非结构网格坐标的结合，可以使模式应用对重点研究区域处的网格进行加密处理，较好地模拟复杂岸形和海底地形，既可控制计算量，又不牺牲笛卡尔坐标的特性。
4.如权利要求1所述的系统，其特征在于，所述的长短期记忆(LSTM)模型能够使每一时刻的信息都包含了前时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。
5.如权利1所述的系统，其特征在于，对所述的长短期记忆模型利用已有的大量非结构网格有效波高数据进行训练，并获得了完善的模型参数。
CN202111419285.9A 2021-11-26 2021-11-26 一种基于深度学习的非结构网格有效波高预测方法与系统 Pending CN114398819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111419285.9A CN114398819A (zh) 2021-11-26 2021-11-26 一种基于深度学习的非结构网格有效波高预测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111419285.9A CN114398819A (zh) 2021-11-26 2021-11-26 一种基于深度学习的非结构网格有效波高预测方法与系统

Publications (1)

Publication Number Publication Date
CN114398819A true CN114398819A (zh) 2022-04-26

Family

ID=81225159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111419285.9A Pending CN114398819A (zh) 2021-11-26 2021-11-26 一种基于深度学习的非结构网格有效波高预测方法与系统

Country Status (1)

Country Link
CN (1) CN114398819A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169439A (zh) * 2022-06-16 2022-10-11 中国人民解放军国防科技大学 一种基于序列到序列网络的有效波高预测方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169439A (zh) * 2022-06-16 2022-10-11 中国人民解放军国防科技大学 一种基于序列到序列网络的有效波高预测方法和系统
CN115169439B (zh) * 2022-06-16 2023-07-07 中国人民解放军国防科技大学 一种基于序列到序列网络的有效波高预测方法和系统

Similar Documents

Publication Publication Date Title
WO2022262500A1 (zh) 一种基于steof-lstm的海洋环境要素预测方法
CN111199270B (zh) 一种基于深度学习的区域波高预报方法及终端
CN109711617B (zh) 一种基于blstm深度学习的中长期径流预测方法
CN111652425A (zh) 一种基于粗糙集和长短期记忆网络的河流水质预测方法
CN104200282A (zh) 一种设施农业环境因子快速预测方法
Samad et al. An approach for rainfall prediction using long short term memory neural network
VS Forecasting significant wave height using RNN-LSTM models
Prasetya et al. Rainfall forecasting for the natural disasters preparation using recurrent neural networks
Yao et al. Wave height forecast method with multi-step training set extension LSTM neural network
CN107704426A (zh) 基于扩展小波神经网络模型的水位预测方法
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
Le et al. Application of gated recurrent unit (GRU) network for forecasting river water levels affected by tides
Maddu et al. Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks
CN114398819A (zh) 一种基于深度学习的非结构网格有效波高预测方法与系统
CN117076893A (zh) 一种基于长短期记忆神经网络的声速分布预报方法
Ju et al. Hydrologic simulations with artificial neural networks
CN117114168A (zh) 一种长时间尺度的海面温度智能预报方法
CN116628442A (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法
CN109975816A (zh) 一种微型水下机器人的传感器信息融合方法
Li et al. Rainfall runoff prediction via a hybrid model of neighbourhood rough set with LSTM
CN115114842A (zh) 一种基于小样本迁移学习算法的暴雨内涝事件预测方法
García Benítez et al. Neural networks for defining spatial variation of rock properties in sparsely instrumented media
Dutta et al. Van der pol-informed neural networks for multi-step-ahead forecasting of extreme climatic events
Su et al. Graph ode recurrent neural networks for traffic flow forecasting
Rajesh et al. Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks

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