CN114580309B - 漂移速度预测方法、装置、计算设备及存储介质 - Google Patents

漂移速度预测方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN114580309B
CN114580309B CN202210495718.7A CN202210495718A CN114580309B CN 114580309 B CN114580309 B CN 114580309B CN 202210495718 A CN202210495718 A CN 202210495718A CN 114580309 B CN114580309 B CN 114580309B
Authority
CN
China
Prior art keywords
drift
sample
wind
induced
induced drift
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
CN202210495718.7A
Other languages
English (en)
Other versions
CN114580309A (zh
Inventor
牟林
王道胜
李琰
秦浩
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.)
Shenzhen Lightsun Technology Co ltd
Shenzhen University
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Shenzhen Lightsun Technology Co ltd
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Shenzhen Lightsun Technology Co ltd, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Shenzhen Lightsun Technology Co ltd
Priority to CN202210495718.7A priority Critical patent/CN114580309B/zh
Publication of CN114580309A publication Critical patent/CN114580309A/zh
Application granted granted Critical
Publication of CN114580309B publication Critical patent/CN114580309B/zh
Priority to PCT/CN2023/091849 priority patent/WO2023216946A1/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例涉及一种漂移速度预测方法、装置、计算设备及存储介质。本公开实施例提供一种漂移速度预测方法，包括：获取待预测漂浮物所在位置处的环境特征参数，所述环境特征参数包括波浪特征参数；将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度；其中，所述浪致漂移深度学习模型基于第一样本漂移数据训练得到，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。通过预测浪致漂移速度，可以更为精准地预测待预测漂浮物的漂移速度，进而可以更为精准地预测待预测漂浮物的漂移路径。

Description

漂移速度预测方法、装置、计算设备及存储介质
技术领域
本公开实施例涉及海事技术领域，尤其涉及一种漂移速度预测方法、装置、计算设备及存储介质。
背景技术
海事事故可能产生各种海上漂浮物。例如，在出现海上溢油事故时，可能产生油膜漂浮物。再例如，在出现海上船舶碰撞事故时，可能产生碰撞残片、救生浮筏、落水人员、失事船舶等漂浮物。
为在海事事故发生后快速地打捞清理海上漂浮物或搜救相关漂浮物，需要确定海上漂浮物所在的大致海域。确定海上漂浮物大致海域，需要对海上漂浮物的漂移路径进行预测。因为海上漂浮物受到海面风、流和波浪的影响，较为准确地实现海上漂浮物漂移路径的预测的前提是较为准确地确定各个时刻的风致漂移速度、流致漂移速度和浪致漂移速度。
因为没有合理地理论解释浪致漂移，并且浪致漂移相对于流致漂移和风致漂移的影响较小，所以在当前海上漂浮物漂移路径预测时，一般不考虑海浪的影响，也就是并不会考虑海上漂浮物的浪致漂移速度。
但是在不考虑浪致漂移速度的情况下，对海上漂浮物的漂移路径和实际所在海域的预测精度下降，在进行打捞清理或搜救时需要在更大的范围内搜索海上漂浮物。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种漂移速度预测方法、装置、计算设备及存储介质。
第一方面，本公开实施例提供一种漂移速度预测方法，包括：
获取待预测漂浮物所在位置处的环境特征参数，所述环境特征参数包括波浪特征参数；
将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度；
其中，所述浪致漂移深度学习模型基于第一样本漂移数据训练得到，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
第二方面，本公开实施例提供一种浪致漂移深度学习模型的训练方法，包括：
获取多组第一样本漂移数据，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值，以及对应的样本环境特征参数；
基于所述第一样本漂移数据，训练浪致漂移深度学习模型。
第三方面，本公开实施例提供一种漂浮物的漂移速度预测装置，包括：
特征参数获取单元，用于获取待预测漂浮物所在位置处的环境特征参数，所述环境特征参数包括波浪特征参数；
漂移速度计算单元，用于将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度；
其中，所述浪致漂移深度学习模型基于第一样本漂移数据训练得到，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
第四方面，本公开实施例提供一种浪致漂移深度学习模型的训练装置，包括：
样本漂移数据获取单元，用于获取多个第一样本漂移数据，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值，以及对应的样本环境特征参数；
训练单元，基于所述第一样本漂移数据训练浪致漂移深度学习模型。
第五方面，本公开实施例提供一种计算设备，包括：
存储器和处理器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如前所述的方法。
第六方面，本公开实施例提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如前所述的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本申请实施例提供的漂浮物的漂移预测方法，除了基于表层水流特征参数计算得到表层水流驱动形成的流致漂移速度，以及基于风特征参数计算风驱动形成的风致漂移速度外，还可以基于预先训练的浪致深度学习模型处理波浪特征参数，得到由波浪驱动形成的浪致漂移速度。因为待预测漂浮物的漂移速度是由水流、风和波浪综合造成，所以采用本公开实施例提供的漂浮物的漂移预测方法，通过预测浪致漂移速度，可以更为精准地预测待预测漂浮物的预测漂移速度，进而可以更为精准地预测待预测漂浮物的漂移路径。在更为精准地预测待预测漂浮物漂移路径的基础上，可以更为精准地预测待预测漂浮物所在水域，继而减小对待预测漂浮物的搜索水域范围。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以基于这些附图获得其他的附图。
图1是本公开实施例提供的漂移速度预测方法流程图；
图2是本公开实施例提供浪致漂移深度学习模型的训练方法流程图；
图3是本公开一些实施例提供的浪致漂移深度学习模型的训练方法流程图；
图4是本公开另外一些实施例提供的浪致漂移深度学习模型的训练方法流程图；
图5是本公开实施例提供的漂浮物的漂移预测装置的结构示意图；
图6是本公开实施例提供的浪致漂移深度学习模型的训练装置结构示意图；
图7是本公开实施例中的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施例提供一种漂浮物的漂移预测方法，用于对水上漂浮物的漂移速度进行预测。实际应用中，本公开实施例提供的漂浮物的漂移预测方法可以应用在海事领域，实现海上漂浮物的漂移速度和漂移路径的预测。当然，本公开实施例提供的漂浮物预测方法还可以应用在内陆河湖漂浮物的漂移速度和漂移路径的预测。
图1是本公开实施例提供的漂移速度预测方法流程图。如图1所示，本公开实施例提供的漂浮物漂移预测方法可以包括步骤S110-S120。
应当注意的是，本公开实施例提供的漂浮物漂移速度预测方法由计算设备执行。计算设备可以是专用于数据处理的服务器，也可以是诸如笔记本电脑、船载终端、个人数字助理（PDA）、救援人员可穿戴设备等计算设备。
步骤S110：获取待预测漂浮物所在位置处的环境特征参数，环境特征参数包括波浪特征参数。
本公开实施例中，待预测漂浮物是可能在水上漂浮，并随水流、风和浪漂移的漂浮物。例如，待预测漂浮物可以为海上溢油事故的油膜，海上遇险事故的救生浮筏、待救援的遇险人员、待打捞漂浮装备、待营救的失事船舶等。
应当注意的是，在一个具体应用中，在对一种特定的待预测漂浮物进行漂移预测时，应当是基于此种特定类型的漂浮物的历史数据进行预测，或者基于与此种类型漂浮物漂移特性类似的漂浮物的历史数据进行预测。
本公开实施例中，待预测漂浮物所在位置可以是待预测漂浮物实际所在位置，也可以是根据历史数据预测得到的待预测漂浮物的可能所在位置。例如，在出现海上钻井平台溢油事故时，待预测漂浮物的所在位置可以是海上钻井平台所在的位置。再例如，在待预测漂浮物已经漂离事故区域，无法准确确定待预测漂浮物的实际位置时，待预测漂浮物所在位置可以是基于历史数据预测得到的位置。
待预测漂浮物所在位置处的环境特征参数，可以是其所在位置处的实际环境特征参数，也可以是基于历史数据和实际气象海洋数据预报得到的环境特征参数。例如，待预测漂浮物为近海区域漂浮物，并且近海区域具有大量海上浮漂观测站和其他观测设备的情况下，环境特征参数可以为观测到的实际数据。再例如，环境特征参数也可以是基于气象海洋环境特征模拟得到的较为准确的预测数据。
本公开实施例中，环境特征参数包括波浪特征参数。
波浪特征参数是用于表征水体表面波浪特征的参数。波浪特征参数可以包括波浪的波高、波周期和波向中的至少之一。
步骤S120：将波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度。
浪致漂移深度学习模型是用于根据波浪特征参数预测浪致漂移速度的深度学习模型。本公开实施例中，浪致漂移深度学习模型基于第一样本漂移数据训练得到。第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。为使得本申请表述较为简洁，后文再对浪致漂移深度学习模型的训练方法做介绍。
本申请实施例提供的漂浮物的漂移预测方法，除了基于表层水流特征参数计算得到表层水流驱动形成的流致漂移速度，以及基于风特征参数计算风驱动形成的风致漂移速度外，还可以基于预先训练的浪致深度学习模型处理波浪特征参数，得到由于波浪驱动形成的浪致漂移速度。
因为待预测漂浮物的漂移速度是由水流、风和波浪综合造成，所以采用本公开实施例提供的漂浮物的漂移预测方法，通过预测 浪致漂移速度可以更为精准地预测待预测漂浮物的预测漂移速度，进而可以更为精准地预测待预测漂浮物的漂移路径。在更为精准地预测待预测漂浮物漂移路径的基础上，可以更为精准地预测待预测漂浮物所在水域，继而减小对待预测漂浮物的搜索水域范围。
可选的，在本公开的一些实施例中，环境特征参数除了包括波浪特征参数外，还可以包括表层水流特征参数和风特征参数。对应的漂移速度预测方法除了包括前述的步骤S110-S120外，还可以包括步骤S130-S140。
步骤S130：基于表层水流特征参数计算流致漂移速度，以及基于风特征参数计算风致漂移速度。
表层水流特征参数是表征水体表层水流流动性特征的参数。表层水流特征参数可以包括表层水流的流速和流向。
流致漂移速度是由于表层水流作用在待预测漂浮物上，使得待预测漂浮物获得的漂移速度。流致漂移速度的方向与表层水流的方向相同，流致漂移速度的大小与表层水流的流速成正比关系。
在本公开的一些实施例中，计算设备可以采用预先设定的流致漂移系数和表层水流的流速计算得到流致漂移速度。具体的，可以采用
Figure 752743DEST_PATH_IMAGE001
计算得到流致漂移速度
Figure 306084DEST_PATH_IMAGE002
，其中
Figure 754383DEST_PATH_IMAGE003
为第一流致漂移系数，
Figure 2961DEST_PATH_IMAGE004
表示表层水流。第一流致漂移系数
Figure 755760DEST_PATH_IMAGE003
根据漂浮物的特性和所在水域的水流特征确定，其中一种确定方法可以参见后文表述，即第一流致漂移系数
Figure 38974DEST_PATH_IMAGE005
是在后文中训练浪致漂移深度学习模型过程中确定的。
风特征参数是用于表征水体表面上侧风特征的参数。风特征参数可以包括风的风速和风向。在具体应用中，风特征参数可以采用水平面以上10m高处的风速和风向。
风致漂移速度是由于风作用在待预测漂浮物，使得待预测漂浮物获得的漂移速度。风致漂移速度可以根据第一风致漂移系数和风特征参数计算得到。风致漂移速度包括沿风向的风致漂移速度和垂直于风向的风致漂移速度。基于风特征参数计算风致漂移速度包括根据计算沿风向和垂直于风向的风致漂移速度，对应的第一风致漂移系数包括沿风向的风致漂移系数和垂直于风向的风致漂移系数。第一风致漂移系数根据漂浮物的特性和所在水域的风特征确定，其中一种确定方法可以参见后文表述，即第一风致漂移系数是在后文训练浪致漂移深度学习模型过程中确定的。
为了能够较为准确地计算风致漂移速度，本公开的一些实施例中，在执行前述的步骤S130之前，计算设备还可以确定待预测漂浮物的预测风致漂移偏向性，根据预测风致漂移偏向性选择对应的第一风致漂移系数。预测风致漂移偏向性为待预测漂浮物的风致漂移方向相对于风向的偏向性。
可选的，在本公开的一些实施例中，可以采用如下的步骤预测漂浮物的预测风致漂移偏向性：基于环境特征参数，确定待预测漂浮物的预测风致漂移偏向性。
也就是说，计算设备可以根据待预测漂浮物所在位置处的表层水流特征参数、风特征参数和波浪特征参数，确定待预测漂浮的预测风致漂移偏向性。
在一些具体实施例中，根据待预测漂浮物所在位置处的环境特征参数预测风致漂移偏向性可以是：将环境特征参数输入到预先训练的风致漂移偏向性深度学习模型，确定漂浮物的预测风致漂移偏向性。
前述的风致漂移偏向性深度学习模型是基于第二样本漂移数据训练得到。第二样本漂移数据包括样本漂浮物的风致漂移偏向性观测值，对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
例如，在具体应用中，可以采样各种类型的样本漂浮物在特定的水域环境下进行漂浮物漂移实验，利用跟踪观测船、定位浮标等对漂浮物的漂移轨迹进行跟踪，并利用跟踪观测船中搭载的声学多普勒流速剖面仪、气象传感器、波浪传感器等设备获取对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
在获得大量的样本漂浮物漂移实验数据后，可以对漂浮物的漂移实验数据进行分析，确定样本漂浮物的漂移偏向性观测值。实际应用中，确定样本漂浮物的漂移偏向性观测值，可以采用样本漂浮物的样本漂移速度观测值减去样本表层水流的流速，大致得到风致漂移速度。随后采用风致漂移速度方向和风向，确定样本漂浮物的漂移偏向性观测值。随后，可以采用样本漂浮物的漂移偏向性观测值，以及对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数构建第二样本漂移数据。
在获得第二样本漂移数据后，可以采用第二样本漂移数据对预先构建的偏向性深度学习模型进行训练，得到训练好的偏向性深度学习模型。在本公开实施例应用中，偏向性深度学习模型可以是各种可能的模型，例如可以是BP神经网络模型等已经广泛使用的神经网络模型。
在采用偏向性深度学习模型确定待预测漂浮物的预测漂移偏向性后，步骤S130基于所述风特征参数计算风致漂移速度具体可以为：基于风特征参数和第一风致漂移系数，计算待预测漂浮物的风致漂移速度。
在本公开一些实施例中，基于风特征参数和第一风致漂移系数计算待预测漂浮物的风致漂移速度具体包括计算沿风向的风致漂移速度。
根据实验数据分析确定沿风向的风致漂移速度与风速成正比例关系。因此，可以基于预设的拟合系数和风速计算得到沿风向的风致漂移速度。
在一些实施例中，计算设备可以采用
Figure 454912DEST_PATH_IMAGE006
计算得到沿风向的风致漂移速度
Figure 190787DEST_PATH_IMAGE007
，其中
Figure 983162DEST_PATH_IMAGE008
和
Figure 448779DEST_PATH_IMAGE009
为沿风向的风致漂移系数，
Figure 910984DEST_PATH_IMAGE010
为水面10m高度风速。
在另外一些实施例中，计算设备可以采用
Figure 760254DEST_PATH_IMAGE011
计算得到沿风向的风致漂移速度
Figure 231686DEST_PATH_IMAGE012
。其中，
Figure 348547DEST_PATH_IMAGE013
为沿风向的风致随机波动系数。通过引入沿风向的风致随机波动系数可以更为准确地模拟实际沿风向风致漂移速度的随机性。
根据实验数据分析确定垂直于风向的风致漂移速度也与风速成正比关系，因此也可以采用预设的拟合系数和风速计算得到垂直风向的风致漂移速度。
在一些实施例中，计算设备可以采用公式
Figure 981654DEST_PATH_IMAGE014
计算得到垂直于风向的风致漂移速度
Figure 816754DEST_PATH_IMAGE015
，其中，
Figure 826299DEST_PATH_IMAGE016
、
Figure 797666DEST_PATH_IMAGE017
、
Figure 867253DEST_PATH_IMAGE018
和
Figure 596175DEST_PATH_IMAGE019
分别为拟合系数，
Figure 235841DEST_PATH_IMAGE010
为水面10m高度风速。
Figure 61715DEST_PATH_IMAGE020
取值为预测漂移偏向性，其取值为0或1。
Figure 302203DEST_PATH_IMAGE020
取值为1时表示预测漂移偏向性为垂直于风向左偏，
Figure 518421DEST_PATH_IMAGE020
取值为0时表示预测漂移偏向性为垂直风向右偏。
在另外一些实施例中，计算设备可以采用公式
Figure 994401DEST_PATH_IMAGE021
计算得到垂直于风向的风致漂移速度
Figure 815727DEST_PATH_IMAGE022
。其中，
Figure 351750DEST_PATH_IMAGE023
和
Figure 258527DEST_PATH_IMAGE024
分别为垂直于风向左偏和右偏时的随机波动系数，通过引入垂直于风向的风致随机波动系数可以更为准确地模拟实际垂直于风向的风致漂移速度的随机性。
步骤S140：基于流致漂移速度、风致漂移速度和浪致漂移速度，计算待预测漂浮物的预测漂移速度。
本公开实施例中，计算设备可以将流致漂移速度、风致漂移速度和浪致漂移速度相加，计算得到待预测漂浮物的预测漂移速度。
在一些实施例中，对待预测漂浮物的漂移速度的预测是在未知待预测漂浮物所处的环境特征参数的情况下。在此种情况下，漂移速度预测方法除了包括前述的步骤S110-S140之外，还可以包括步骤S150和S160。
步骤S150：基于观测海况数据确定海况模拟模型。
海况模拟模型是用于对预测海域的海况进行模拟的模型。海况模拟模型包括水动力子模型、大气动力子模型和波浪子模型，并且水动力子模型、大气动力子模型和波浪子模型均为基于风浪流耦合构建的模型。
其中，大气动力子模型可以是采用WRF（Weather Research and Forecasting）构建的模型，水动力子模型可以是基于FVCOM（Finite-Volume Coastal Ocean Model）或者ROMS（Regional Ocean modeling system）构建的模型，波浪子模型可以是基于SWAN（Simulating Waves Nearshore）或者WaveWatch（WAVE-height, Water Depth andCurrent Hindcasting）构建的模型。
为了能够构建海况模拟模型，前述的观测海况数据包括大气观测参数、波浪观测参数和水流特征观测参数。
本公开实施例中，可以采用各种数据同化方法，基于海况观测数据确定海况模拟模型。
在本公开的一些实施例中，可以采用循环三维变分方法优化海况模拟模型。具体的，采用三维变分同化方法优化海况模拟模型的方法可以包括步骤S210-S250。
步骤S210：将同化窗口进行分割，得到N个子同化窗口，每个子同化窗口均包括观测海况参数。
本公开实施例中，同化窗口是包括观测海况数据的时间窗口。
在本公开的一些实施例中，计算设备可以基于预先确定的子同化窗口对同化窗口进行滑窗分割，得到N个子同化窗口。N个子同化窗口中，相邻的两个子同化窗口可以有时间重叠，也可以没有时间重叠，本公开实施例并不做特别地限定。
在本公开的另外一些实施例中，计算设备还可以采用随机划分的方法，将同化窗口进行分割，得到N个子同化窗口。
应当注意的是，各个子同化窗口应当均包括观测海况数据。实际应用中，如果划分得到某一子同化窗口没有海况观测参数，则可以将子同化窗口与相邻的子同化窗口合并。
步骤S220：采用三维变分同化方法对第i个子同化窗口的观测海况参数进行数据同化，得到第i个子同化窗口初始时刻的海况模拟状态。
本公开实施例中， i=0，1,2，……，N-1。具体实施中，计算设备首先将i设置为0，也就是从第0个子同化窗口开始采用三维变分同化方法对其包括的观测海况参数进行数据同化，以得到第0个子同化窗口初始时刻的海况模拟状态。同理的，针对后续的各个子同化窗口，采用同样三维变分同化方法对此子同化窗口包括的观测海况数据进行同化，得到初始时刻的海况模拟状态。
在针对某一子同化窗口进行三维变分同化时，计算设备通过求取此子同化窗口对应的目标函数进行极小化处理，进而对海况模拟模型进行修正，得到修正后的模型。其中目标函数为
Figure 39663DEST_PATH_IMAGE025
，
Figure 715495DEST_PATH_IMAGE026
Figure 422420DEST_PATH_IMAGE027
。其中
Figure 816492DEST_PATH_IMAGE028
为根据修正前的海况模拟模型确定的预测海况参数构建的预测参数矩阵，
Figure 634275DEST_PATH_IMAGE029
为根据预测海况参数构建的背景参数矩阵，B为背景误差协方差矩阵，O为观测误差协方差矩阵，
Figure 430193DEST_PATH_IMAGE030
为根据观测海况参数构建的观测参数矩阵，H为观测算子。
步骤S230：根据第i个子同化窗口初始时刻的海况模拟状态进行数值模拟，得到第i+1个子同化窗口开始时刻的海况模拟状态。
在得到第i个子同化窗口初始时刻的海况模拟状态后，根据海况模拟模型进行数值模拟，以得到第i+1个子同化窗口开始时刻的海况模拟状态。具体应用中，如果第i个子同化窗口和第i+1个子同化窗口有重叠，则数值模拟至重叠开始时刻，即可以得到第i+1个子同化窗口开始时刻的海况模拟状态。而如果第i个子同化窗口与第i+1个子同化窗口没有重叠，则需要在第i个子同化窗口完成数值模拟后，继续数值模拟至第i+1个子同化窗口的开始时刻，才能得到第i+1个子同化窗口开始时刻的海况模拟状态。
步骤S240：判断i是否小于N-1；若否，执行步骤S250；若是，使得i=i+1，重新执行步骤S220-S230。
步骤S250：计算第N-1个子同化窗口结束时刻的海况模拟状态并作为修正的海况模拟状态。
通过采用前述的步骤210-S250，通过对同化窗口进行划分得到N个子同化窗口，并根据N个子同化窗口中的观测海况参数分别对海况模拟状态进行修正，使得海况模拟模型逐步地被修正。因为采用N个子同化窗口对海况模拟模型逐步地修正可以使得各个子同化窗口内修正的模拟状态更符合观测海况数据特征，进而使得最终获取的修正的海况模拟状态更准确。此外，采用本公开实施例提供的同化方法可以有效地消除spin-up现象。
在本公开的一些实施例中，可以采用高效集合卡尔曼滤波方法优化海况模拟模型。高效卡尔曼滤波方法考虑从单次模式运行结果和气候态数据中估计背景误差协方差的集合状态矢量，开展数据同化。
具体的，首先在当前同化窗口（
Figure 42440DEST_PATH_IMAGE031
,
Figure 923808DEST_PATH_IMAGE032
）内随机选择N个时刻t 1 、t 2 、t 3 、…、t N 获得模型状态场集合M 1 （t 1时刻）、M 2 、M 3 、…、M N (t N时刻)，并提取与之对应时刻的气候态数据C 1(t 1时刻)、C 2、C 3、…、CN（t N时刻），依次计算距离
Figure 247080DEST_PATH_IMAGE033
时刻的时间间隔∆tn=tn-
Figure 22138DEST_PATH_IMAGE034
，n=1，2， 3，…N和状态差异∆M n =M n -C n， n=1,2,3,…N；N个状态差异的加权平均为
Figure 946232DEST_PATH_IMAGE035
，N个扰动矩阵为
Figure 173951DEST_PATH_IMAGE036
，其中，K为权重系数；则同化时刻
Figure 208903DEST_PATH_IMAGE037
的集合矩阵为A j+1 +P n , n=1,2,3,…N，其中A j+1 为
Figure 104047DEST_PATH_IMAGE038
时刻模型状态场。
随后采用集合卡尔曼滤波同化方法进行同化，具体为采用
Figure 199041DEST_PATH_IMAGE039
，n=1,2,3,…,N，其中
Figure 415521DEST_PATH_IMAGE040
为集合分析（状态）矩阵，O j+1和R j+1分别为
Figure 254164DEST_PATH_IMAGE041
时刻的观测矩阵和观测误差协方差矩阵，H为观测转换矩阵，即将模拟海况参数插值到观测海况参数处的矩阵。
在本公开的一些实施例中，可以采用自适应最优插值同化方法优化海况模拟模型。具体的，采用自适应最优插值同化方法可以包括步骤S310-S360。
步骤S310：基于修正前的海况模拟模型计算同化窗口内第j个观测时刻各个待预测点的预测海况参数，j=1,2，……，M， M为同化窗口内包括的观测时刻点的数量。
步骤S320：获取同化窗口内第j个观测时刻各个观测点的观测海况参数，并确定距离待预测点最近的预设数量的观测点的观测海况参数。
本公开实施例中，计算设备可以采用自适应查询的方法，确定预设数量的最近观测点，并获取预设数量的观测点在对应时刻的观测海况参数。具体的，计算设备可以通过设置一个虚拟圆，并逐步扩大虚拟圆的半径并进行检索的方式，确定最近的预设数量的观测点。
步骤S330：根据各个待预测点的预测海况参数和最近的预设数量的观测点的观测海况参数，计算预报误差协方差矩阵、观测误差协方差矩阵和分析误差协方差矩阵。
步骤S340：根据预报误差协方差矩阵和观测误差协方差矩阵计算权重矩阵。
步骤S350：采用预测海况参数、观测海况参数和权重矩阵，计算第j个观测时刻修正的海况模拟状态。
本公开实施例中，在得到预报误差协方差矩阵采用P b 、观测误差协方差矩阵R、观测算子H后，可以得到权重矩阵
Figure 3815DEST_PATH_IMAGE042
。随后可以得到
Figure 269711DEST_PATH_IMAGE043
，其中X b 为预测海况状态，X a 为修正后的海况预测状态。
步骤S360：判断j是否小于M，若是，使得j=j+1，并重新执行步骤S320-S350。若否，执行步骤S370。
步骤S370：得到最后一个观测时刻得到的海况模拟状态后，即得到了优化的海况模拟模型。
在确定优化的海况模拟模型后，即可以执行步骤S160。
步骤S160:基于所述优化的海况模拟模型进行数值模拟，确定所述待预测漂浮物所在位置和时间处的环境特征参数。
基于海况模拟模型进行数值模拟，确定待预测漂浮物所在位置和时间处的环境特征参数是通过数值模拟的方式确定预设时段特定海域非结构化网格中各个网格点的环境特征参数。
具体的，确定待预测漂浮物所在位置的环境特征参数是根据待预测漂浮物的当前位置，查询基于海况模拟模型模拟得到的当前时刻对应的海况非结构化网格，确定距离当前位置最近的设定数量的目标网格点，并根据目标网格点的位置坐标和环境特征参数，以及当前位置的位置坐标确定当前时刻的环境特征参数。其中当前位置可以是根据待预测漂浮物的初始漂移位置、在当前时刻前的漂浮物的预测漂移轨迹计算得到。
在具体实施例中，非结构化网格中的网格点可以采用四叉树存储的方式存储。确定待预测漂浮物的漂移位置处的环境特征参数，可以是采用待预测漂浮物的当前位置，沿着四叉树进行查找，进而查找到临近的网格点的环境特征参数。在确定临近网格点的环境特征参数后，可以采用临近网格点的环境特征参数进行加权平均，得到漂移位置处的环境特征参数。前述加权平均的权重与临近网格点到漂移位置处的距离呈反比。
本公开实施例中，在确定漂浮物当前位置处的环境特征参数，并基于当前位置的环境特征参数确定在当前时刻的漂移速度后，可以基于漂移速度和预设时段进行积分运算，进而确定下一时段的预测漂移位置，并根据下一时段的预测漂移位置再次预测下一时段的预测漂移位置。通过前述的循环运算，即可以预测待预测漂浮物的一条预测漂移轨迹。
在本公开的一些实施例中，在确定待预测漂浮物的当前位置的环境特征参数后，还可以对当前环境特征参数添加多个随机扰动，以计算多个漂移速度，并基于多个漂移速度计算多个下一时段的预测漂移位置，并根据多个下一段的预测漂移位置再次计算对应的预测漂移速度。通过前述的循环运算，可以确定待预测漂浮物的多条预测漂移轨迹。在确定多个待预测漂浮物的漂移轨迹后，可以利用多个待预测漂浮物的漂移轨迹预测待预测漂浮物的大体漂移位置。具体实施中，可以采用凸包算法基于多个漂移轨迹确定待预测漂浮物的大体漂移位置。
在本公开的一些实施例中，除了可以通过对环境特征参数添加扰动的方式确定多条漂移轨迹外，还可以通过对前述的第一风致漂移系数、第一流致漂移系数添加随机扰动的方式确定多个风致漂移系数和流致漂移系数，并基于多个风致漂移系数和流致漂移系数计算多个预测漂移速度，并利用预测漂移速度进行循环地积分运算而得到多条预测漂移轨迹。
除了提供前述的漂浮物的漂移速度预测方法外，本公开实施例还提供一种应用前述漂移预测方法中的浪致漂移深度学习模型的训练方法。
图2是本公开实施例提供浪致漂移深度学习模型的训练方法流程图。如图2所示浪致漂移深度学习模型进行训练的方法包括步骤S410-S420。
步骤S410：获取多个第一样本漂移数据。
第一样本漂移数据是用于训练浪致漂移深度学习模型的训练数据。每个第一样本漂移数据均包括样本漂浮物的样本漂移速度观测值，对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
样本漂浮物可以是各种类型的漂浮物。例如可以是油膜、救生浮筏、待救援人员、待打捞漂浮装备、待营救失事船舶等。
在具体应用中，可以采用样本漂浮物在特定的水域环境下进行漂浮物漂移实验，利用跟踪观测船、定位浮标等对漂浮物的漂移轨迹进行跟踪。同时，同时利用跟踪观测船中搭载的声学多普勒流速剖面仪、气象传感器、波浪传感器等设备获取对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
步骤S420：基于第一样本漂移数据，训练浪致漂移深度学习模型。
在获得第一样本漂移数据后，计算设备可以采用第一样本漂移数据对预先设计的浪致漂移深度学习模型进行训练，得到训练好的浪致漂移深度学习模型。
本公开实施例中，浪致漂移深度学习可以是各种可能的模型，例如可以是BP神经网络模型等已经广泛使用的神经网络模型。
图3是本公开一些实施例提供的浪致漂移深度学习模型的训练方法流程图。如图3所示，在本公开的一些实施例中，步骤S420基于第一样本漂移数据训练浪致漂移深度学习模型可以包括步骤S421-S425。
步骤S421：确定第一流致漂移系数和第一风致漂移系数。
第一流致漂移系数是表征表层水流对漂浮物漂移速度影响的系数，第一风致漂移系数是表征风对漂浮物漂移速度影响的系数。
在本公开的一些实施例中，计算设备可以直接采用其他各种技术文献或者相关软件产品提供的流致漂移系数和风致漂移系数作为第一流致漂移系数和第一风致漂移系数。
在本公开另外一些实施例中，计算设备在执行步骤S421确定第一流致漂移系数和第一风致漂移系数时，具体可以为基于第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，确定第一流致漂移系数和第一风致漂移系数。
本申请实施例中，基于第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数确定第一流致漂移系数和第一风致漂移系数，是将样本漂移速度观测值作为流致漂移速度和风致漂移速度之和的近似值，对第一流致漂移系数和第一风致漂移系数进行拟合。
根据前段的表述，根据前文的表述具体应用中可以构建公式
Figure 472022DEST_PATH_IMAGE044
建立样本漂移速度观测值、流致漂移速度和风致漂移速度之和的近似关系。其中，
Figure 848777DEST_PATH_IMAGE045
和
Figure 452933DEST_PATH_IMAGE046
分别是样本漂移速度观测值在
Figure 889731DEST_PATH_IMAGE047
和
Figure 77874DEST_PATH_IMAGE048
轴方向上的分量（
Figure 258319DEST_PATH_IMAGE047
轴可以是纬度方向，
Figure 716982DEST_PATH_IMAGE048
轴可以是经度方向），
Figure 324681DEST_PATH_IMAGE049
和
Figure 501585DEST_PATH_IMAGE050
为样本漂浮物的流致漂移速度在
Figure 485721DEST_PATH_IMAGE047
轴和
Figure 798891DEST_PATH_IMAGE048
轴上的分量，
Figure 577491DEST_PATH_IMAGE051
和
Figure 743155DEST_PATH_IMAGE052
为样本漂浮物的风致漂移速度在
Figure 265404DEST_PATH_IMAGE047
轴和
Figure 698659DEST_PATH_IMAGE048
轴上的分量。
结合前文描述中流致漂移速度和表层水流特征参数的关系，可以采用公式
Figure 648160DEST_PATH_IMAGE053
确定
Figure 799656DEST_PATH_IMAGE049
和
Figure 860016DEST_PATH_IMAGE050
。结合前文表述中风致漂流速度和风特征参数的关系，可以采用公式
Figure 147778DEST_PATH_IMAGE054
计算确定
Figure 533760DEST_PATH_IMAGE055
和
Figure 428945DEST_PATH_IMAGE056
，其中
Figure 292996DEST_PATH_IMAGE057
，
Figure 700843DEST_PATH_IMAGE058
，其中
Figure 992147DEST_PATH_IMAGE059
为样本风速，具体为水面10m高度风速。
采用第一样本漂移数据中对前述公式进行拟合，则可以确定第一流致漂移系数
Figure 852656DEST_PATH_IMAGE060
和第一风致漂移系数
Figure 520398DEST_PATH_IMAGE061
、
Figure 782752DEST_PATH_IMAGE062
、
Figure 244957DEST_PATH_IMAGE063
、
Figure 94227DEST_PATH_IMAGE064
、
Figure 300080DEST_PATH_IMAGE065
、
Figure 416941DEST_PATH_IMAGE066
、
Figure 581206DEST_PATH_IMAGE067
、
Figure 150727DEST_PATH_IMAGE068
、
Figure 894692DEST_PATH_IMAGE069
。具体的，可以采用最小二乘法进行参数拟合，可以得到前述的第一流致漂移系数和第一风致漂移系数。
即，步骤S421确定第一流致漂移系数和第一风致漂移系数可以包括步骤S4211-S4214。
步骤S4211：基于第一样本漂移数据中的样本风特征参数和对应的预测漂移偏向性，构建风致漂移速度表达式，风致漂移速度表达式包括待确定的第一风致漂移系数。
步骤S4212：基于第一样本漂移数据中的样本表层水流特征参数，构建流致漂移速度表达式，流致漂移速度表达式包括待确定的第一流致漂移系数。
步骤S4213：基于风致漂移速度表达式、流致漂移速度表达式和对应的样本漂移速度观测值，构建近似等式。
步骤S4214：基于第一样本漂移数据对应的近似等式进行参数拟合，计算得到第一流致漂移系数和第一风致漂移系数。
应当注意的是，为了能够较为准确地确定第一流致漂移系数和第一风致漂移系数，需要确定样本漂浮物风致漂移方向相对于样本风向的偏向,即确定前述
Figure 131639DEST_PATH_IMAGE070
的取值。为此，在本公开的一些具体实施例中，在执行前述的步骤S421之前，还可以执行步骤：确定各个第一样本漂移数据对应的漂移偏向性，漂移偏向性为样本漂浮物风致漂移方向相对于风向的偏向性。
在本公开的一些实施例中，可以将第一样本漂移数据中的样本表层水流特征参数、样本风特征参数和样本波浪特征参数输入到预先训练的偏向性深度学习模型，确定对应的漂移偏向性。其中，偏向性深度学习模型基于第二样本漂移数据训练得到，第二样本漂移数据包括样本漂浮物的漂移偏向性观测值，对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
在本公开的另外一些实施例中，还可以采用第一样本漂移数据中的风致漂移速度和风向确定预测漂移偏向性。具体应用中，风致漂移速度可以采用第一样本漂移数据中样本漂移速度观测值减去表层水流的流速，得到风致漂移速度。随后，根据风致漂移速度方向和风向确定漂移偏向性是左偏还是右偏。
还应当注意的是，本公开实施例中，采用前述的方法时，浪致漂移暂未考虑。
步骤S422：基于样本表层水流特征参数和第一流致漂移系数，计算对应的样本流致漂移速度估计值。
步骤S422计算样本流致漂移速度估计值是按照步骤S421中提及的计算公式，将第一流致漂移系数和样本表层速度相乘，得到样本流致漂移速度估计值。
步骤S423：基于样本风特征参数和第一风致漂移系数计算对应的样本风致漂移速度估计值。
步骤S423计算样本风致漂移速度估计值是按照步骤S421中提及的计算公式，将第一风致漂移系数和样本风参数进行计算，得到样本风致漂移速度估计值。
步骤S424：基于样本漂移速度观测值，对应的样本流致漂移速度估计值和样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值。
在获得样本流致漂移速度估计值和样本风致漂移速度估计值后，步骤S424将样本漂移速度观测值减去样本流致漂移速度估计值和样本风致漂移速度估计值，得到样本浪致漂移速度估计值。
步骤S425：采用样本波浪特征参数和对应的样本浪致漂移速度估计值，训练浪致漂移深度学习模型。
在获得样本浪致漂移速度估计值后，随后采用样本波浪参数和对应的样本浪致漂移速度估计值作为训练样本，对浪致漂移速度进行训练即可以得到浪致漂移深度学习模型。
浪致漂移深度学习模型可以是各种本领域已知的各种可能的模型，例如可以是BP神经网络模型、循环神经网络模型等，本公开实施例并不做特别地限定。
具体的，为了训练得到最终最优使用的浪致漂移深度学习模型，本公开实施例中可以建立多个预先构建的深度学习模型，并分别对各个神经网络模型进行训练，通过训练结果的质量确定采样哪一个模型作为最终使用的浪致漂移深度学习模型。
例如，预先构建的深度学习模型可以是采用样本波浪特征参数中的波高作为模型输入的模型，采用样本波浪特征参数中的波高和波周期作为模型输入的模型，以及采用样本波浪参数中的波高、波周期和波向作为模型输入的模型。
采用本公开实施例提供的浪致漂移深度学习模型，通过确定第一流致漂移系数和第一风致漂移系数，利用第一流致漂移系数和第一风致漂移系数计算样本流致漂移速度估计值和样本风致漂移速度估计值。随后，根据样本漂移速度观测值、样本流致漂移速度估计值和样本风致漂移速度估计值计算得到样本浪致漂移速度估计值。在得到样本浪致漂移速度估计值后，利用样本浪致漂移速度估计值和样本波浪特征参数训练浪致漂移速度深度学习模型，通过模型训练挖掘浪致漂移速度和波浪特征之间的隐含因果关系，无需考虑构建浪致漂移模型的物理模型。
使用本公开实施例提供的浪致漂深度学习模型的训练方法训练得到浪致漂移深度学习模型可以用于预测浪致漂移速度，进而使得对漂浮物的漂移速度预测更为准确。
图4是本公开另外一些实施例提供的浪致漂移深度学习模型的训练方法流程图。如图4所示，在本公开的另外一些实施例中，用于训练浪致漂移深度学习模型的第一样本漂移数据的数量为多组，并且每组第一样本漂移数据的数量均为多个。对应的模型训练方法包括步骤S426-S431。
步骤S426：基于各组第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数。
本公开实施例中，各组第一样本漂移数据均可以是连续时段内采集得到的漂移数据。在本公开的一些实施例中，可以在一个较长的时间内进行采样，得到大量的第一样本漂移数据。随后，采用样本滑窗对前述较长时间的采样数据进行滑窗取样，得到每组第一样本漂移数据。
本公开实施例中，基于各组第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，计算对应的第二流致漂移系数和第二风致漂移系数，可以包括步骤S4261-S4264。
步骤S4261：基于各组第一样本漂移数据中的样本风特征参数和对应的预测漂移偏向性，构建风致漂移速度表达式，风致漂移速度表达式包括待确定的第二风致漂移系数。
步骤S4262：基于各组第一样本漂移数据中的样本表层水流特征参数，构建流致漂移速度表达式，流致漂移速度表达式包括待确定的第二流致漂移系数。
步骤S4263：基于风致漂移速度表达式、流致漂移速度表达式和对应的样本漂移速度观测值，构建近似等式。
步骤S4264：分别基于各组第一样本漂移数据对应的近似等式进行参数拟合，计算得到各组第一样本漂移数据对应的第二流致漂移系数和第二风致漂移系数。
步骤S427：基于第二流致漂移系数计算第一流致漂移系数，以及基于第二风致漂移系数计算第一风致漂移系数。
本公开实施例中，在获得多个第二流致漂移系数后，可以将各个第二流致漂移系数计算得到第一流致漂移系数。
在本公开的一些实施例中，可以求取多个第二流致漂移系数的均值作为第一流致漂移系数。
在本公开的另外一些实施例中，可以采用如下的步骤S4271-S4274基于第二流致漂移系数计算第一流致漂移系数。
步骤S4271：计算第二流致漂移系数的均值和标准差。
例如，如果第二流致漂移系数分别为
Figure 935647DEST_PATH_IMAGE071
，则对应的均值为
Figure 756579DEST_PATH_IMAGE072
，标准差为
Figure 304235DEST_PATH_IMAGE073
。
步骤S4272：基于第二流致漂移系数的均值和标准差，判断多个第二流致漂移系数的分布特性是否符合第一预设条件。若符合，执行步骤S4273；若不符合，执行步骤S4274。
第一预设条件是以第二流致漂移系数的均值和标准差确定的条件。第一预设条件是以第二流致漂移系数的均值为中心值，以
Figure 395688DEST_PATH_IMAGE074
倍标准差确定的区间范围。在一个具体应用中，
Figure 636176DEST_PATH_IMAGE075
可以设置为3。
步骤S4273：将多个第二流致漂移系数的均值作为第一流致漂移系数。
步骤S4274：按照第一预设条件对多个第二流致漂移系数进行筛选，得到筛选后的第二流致漂移系数，并重新执行步骤S4271-步骤S4274，直至筛选后的第二流致漂移速度的分布特性符合第一预设条件。
如果第二流致漂移系数的分布特性不符合第一预设条件，按照第一预设条件对第二流致漂流系数进行筛选，即去除不在第一预设条件范围内的第二流致漂流系数。随后，将筛选后的第二流致漂移系数重新按照前述的方法进行筛选，直至均符合第一预设条件。
采用前述的步骤S4271-S4274，可以使得获得的第一流致漂移系数的数值更能代表实际环境中水流对流致漂移速度的影响。
类似前述计算第一流致漂移系数的方法，在本公开一些实施例中，基于第二风致漂移系数计算第一风致漂移系数可以包括步骤S4275-S4278。
步骤S4275：计算第二风致漂移系数的均值和标准差。
步骤S4276：基于第二风致漂移系数的均值和标准差，判断多个第二风致漂移系数的分布特性是否符合第二预设条件；若符合，执行步骤S4277；若不符合，执行步骤S4278。
步骤S4277：在多个第二风致漂移速度的分布特性符合第二预设条件的情况下，将多个第二风致漂移系数的均值作为第一风致漂移系数；
步骤S4278:按照第二预设条件对多个第二风致漂移系数进行筛选，得到筛选后的第二风致漂移系数，并重新执行步骤S4275-S4278，直至筛选后的第二风致漂移速度的分布特性符合第二预设条件。
应当注意的是，在本公开一些具体应用中，可以对第二风致漂移系数中的每个参数执行前述步骤S4275-S4278，直至每个参数均符合前述条件。在本公开的另外一些实施例中，可以对第二风致漂移系数中影响权重较大的参数执行前述的步骤S4275-S4278，例如仅采用前述步骤S4275-S4278计算
Figure 180290DEST_PATH_IMAGE076
、
Figure 531637DEST_PATH_IMAGE077
和
Figure 477596DEST_PATH_IMAGE078
。
步骤S428：基于样本表层水流特征参数和第一流致漂移系数，计算对应的样本流致漂移速度估计值。
步骤S429：基于样本风特征参数和第一风致漂移系数计算对应的样本风致漂移速度估计值。
步骤S430：基于样本漂移速度观测值，对应的样本流致漂移速度估计值和样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值。
步骤S431：采用样本波浪特征参数和对应的样本浪致漂移速度估计值，训练浪致漂移深度学习模型。
前述的步骤S428-S431的执行过程与步骤S422-S425相同，此处不再复述，具体可以参见前文表述。
采用前述的步骤S426和S427，通过使用多组第一样本漂移数据计算多组第二流致漂移系数和第二风致漂移系数，并利用多组第二流致漂移系数和第二风致漂移系数计算得到第一流致漂移系数和第一风致漂移系数，继而使得第一流致漂移系数和第一风致漂移系数更符合实际环境状况，进而使得后续计算的样本风致漂移速度估计值、样本流致漂移速度估计值和样本浪致漂移速度估计值更为准确，使得后续训练得到的浪致漂移深度学习模型的数据更准确的体现实际情况，进而使得浪致漂移深度学习模型对浪致漂移速度更精准。
除了提供前述的漂浮物的漂移预测方法外，本公开实施例还提供一种漂浮物的漂移预测装置500。图5是本公开实施例提供的漂浮物的漂移预测装置500的结构示意图。如图5所示，漂浮物的漂移预测装置500包括特征参数获取单元501和漂移速度计算单元502。
特征参数获取单元501用于获取待预测漂浮物所在位置处的环境特征参数，环境特征参数包括波浪特征参数。
漂移速度计算单元502用于将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度。
其中，浪致漂移深度学习模型基于第一样本漂移数据训练得到，第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
在本公开的一些实施例中，所述环境特征参数还包括表层水流特征参数和风特征参数。漂移速度计算单元502还用于基于所述表层水流特征参数计算流致漂移速度，以及基于所述风特征参数计算风致漂移速度，以及根据所述流致漂移速度、所述风致漂移速度和所述浪致漂移速度计算所述待预测漂浮物的预测漂移速度。
在本公开的一些实施例中，漂移速度计算单元502基于所述表层水流特征参数和第一流致漂移系数计算所述流致漂移速度，以及基于所述风特征参数和第一风致漂移系数计算所述风致漂移速度。其中，所述第一流致漂移系数和所述第一风致漂移系数在基于所述第一样本漂移数据训练所述浪致漂移深度学习模型的过程中确定的。
在本公开的一些实施例中，漂移预测装置还可以包括偏向性确定单元。偏向性确定单元用于基于环境特征参数，确定待预测漂浮物的预测漂移偏向性，预测漂移偏向性为待预测漂浮物漂移方向垂直于风风向的偏向性。
对应的，漂移速度计算单元502用于根据所述预测风致漂移偏向性选择对应的所述第一风致漂移系数。
在本公开多一些实施例中，偏向性确定单元将将环境特征参数输入到预先训练的偏向性深度学习模型，确定待预测漂浮物的预测漂移偏向性，其中，偏向性深度学习模型基于第二样本漂移数据训练得到，第二样本漂移数据包括样本漂浮物的风致漂移偏向性观测值和对应的环境特征参数。
在本公开的一些实施例中，所述波浪特征参数包括波高、波周期和波向中的至少之一，所述表层水流特征参数包括表层水流的流速和流向，所述风特征参数包括风速和风向。
在本公开的一些实施例中，漂移预测装置500还包括模型模拟单元和环境特征参数确定单元。模型模拟单元用于基于观测海况数据确定海况模拟模型；环境特征参数确定单元用于基于所述海况模拟模型进行数值模拟，确定所述待预测漂浮物所在位置和时间处的环境特征参数。
本公开实施例还提供一种浪致漂移深度学习模型的训练装置600。图6是本公开实施例提供的浪致漂移深度学习模型的训练装置结构示意图。如图6所示，浪致漂移深度学习模型的训练装置600包括样本漂移数据获取单元601和训练单元602。
样本漂移数据获取单元601用于获取多个第一样本漂移数据，第一样本漂移数据包括样本漂浮物的样本漂移速度观测值，对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
训练单元602用于基于第一样本漂移数据，训练浪致漂移深度学习模型。
在本公开的一些实例中，训练单元602包括漂移系数确定子单元、估计样本漂移速度确定子单元和模型训练子单元。
第一漂移系数确定子单元用于确定第一流致漂移系数和第一风致漂移系数。
估计样本漂移速度确定子单元用于基于样本表层水流特征参数和第一流致漂移系数，计算对应的样本流致漂移速度估计值；基于样本风特征参数和第一风致漂移系数计算对应的样本风致漂移速度估计值；以及，基于样本漂移速度观测值，对应的样本流致漂移速度估计值和样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值。
模型训练子单元，用于采用样本波浪特征参数和对应的样本浪致漂移速度估计值，训练浪致漂移深度学习模型。
在本公开的一些实例中，包括多组第一样本漂移数据，每组第一样本漂移数据的数量均为多个。第一漂移系数确定子单元包括第二漂移系数计算模块和第一漂移系数计算模块。
第二漂移系数计算模块用于基于各组第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数。
第一漂移系数计算模块用于基于第二流致漂移系数计算第一流致漂移系数，以及基于第二风致漂移系数计算第一风致漂移系数。
在本公开一些实施例中，第一漂移系数计算模块包括基于第二流致漂移系数计算第一流致漂移系数，包括步骤A-D。
A：计算第二流致漂移系数的均值和标准差；
B：基于第二流致漂移系数的均值和标准差，判断多个第二流致漂移系数的分布特性是否符合第一预设条件；
C：在多个第二流致漂移速度的分布特性符合第一预设条件的情况下，将多个第二流致漂移系数的均值作为第一流致漂移系数；
D：在多个第二流致漂移速度的分布特性不符合第一预设条件的情况下，按照第一预设条件对多个第二流致漂移系数进行筛选，得到筛选后的第二流致漂移系数，并重新执行步骤A-D，直至筛选后的第二流致漂移系数的分布特性符合第一预设条件。
在本公开一些实施例中，第一漂移系数计算模块包括基于第二风致漂移系数计算第一风致漂移系数，包括步骤E-H。
E：计算第二风致漂移系数的均值和标准差；
F：基于第二风致漂移系数的均值和标准差，判断多个第二风致漂移系数的分布特性是否符合第二预设条件；
G：在多个第二风致漂移速度的分布特性符合第二预设条件的情况下，将多个第二风致漂移系数的均值作为第一风致漂移系数；
H：在多个第二风致漂移速度的分布特性不符合第二预设条件的情况下，按照第二预设条件对多个第二风致漂移系数进行筛选，得到筛选后的第二风致漂移系数，并重新执行步骤E-H，直至筛选后的第二风致漂移系数的分布特性符合第二预设条件。
在本公开的一些实施例中，浪致漂移深度学习模型的训练装置600还包括偏向性计算单元。偏向性计算单元用于确定各个第一样本漂移数据对应的漂移偏向性，漂移偏向性为样本漂浮物风致漂移方向相对于样本风向的偏向性。
对应的，第二漂移系数计算模块基于各组第一样本漂移数据中样本漂移速度观测值，对应的样本表层水流特征参数、样本风特征参数和漂移偏向性，计算第二流致漂移系数和第二风致漂移系数。
在本公开的一些实施例中，偏向性计算单元将第一样本漂移数据中的样本表层水流特征参数、样本风特征参数和样本波浪特征参数输入到预先训练的偏向性深度学习模型，确定对应的漂移偏向性；
其中，偏向性深度学习模型基于第二样本漂移数据训练得到，第二样本漂移数据包括样本漂浮物的漂移偏向性观测值，对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数。
在本公开的一些实施例中，第二漂移系数计算模块计算第二流致漂移系数和第二风致漂移系数，包括：基于各组第一样本漂移数据中的样本表层水流特征参数，构建流致漂移速度表达式，流致漂移速度表达式包括待确定的第二流致漂移系数；基于各组第一样本漂移数据中的样本表层风特征参数，构建风致漂移速度表达式，风致漂移速度表达式包括待确定的第二风致漂移系数；基于风致漂移速度表达式、流致漂移速度表达和对应的样本漂移速度观测值，构建近似等式；分别基于各组第一样本漂移数据对应的近似等式进行参数拟合，计算得到各组第一样本漂移数据对应的第二流致漂移系数和第二风致漂移系数。
本实施例提供的装置能够执行上述漂浮物的漂移预测方法或者浪致漂移深度学习模型的训练方法，其执行方式和有益效果类似，在这里不再赘述。
本公开实施例还提供一种计算设备，该计算设备包括处理器和存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时可以实现上述图1-图4中任一实施例的方法。
示例的，图7是本公开实施例中的一种计算设备的结构示意图。本公开实施例中的计算设备700可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的计算设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，计算设备700可以包括处理装置（例如中央处理器、图形处理器等）701，其可以基于存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有计算设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许计算设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的计算设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，基于本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述计算设备中所包含的；也可以是单独存在，而未装配入该计算设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算设备执行时，使得该计算设备：获取待预测漂浮物所在位置处的环境特征参数，环境特征参数包括表层水流特征参数、风特征参数和波浪特征参数；基于表层水流特征参数计算流致漂移速度，以及基于风特征参数计算风致漂移速度；采用预先训练的浪致漂移深度学习模型处理波浪特征参数，得到浪致漂移速度，其中，浪致漂移深度学习模型基于第一样本漂移数据训练得到，第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本公开实施例还提供一种计算机可读存储介质，存储介质中存储有计算机程序，当计算机程序被处理器执行时可以实现上述图1-图4中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种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、物品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、物品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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (18)

1.一种漂移速度预测方法，其特征在于，包括：
获取待预测漂浮物所在位置处的环境特征参数，所述环境特征参数包括波浪特征参数；
将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度；
其中，所述浪致漂移深度学习模型基于第一样本漂移数据训练得到，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数；
基于所述第一样本漂移数据训练得到所述浪致漂移深度学习模型包括：
将样本漂移速度观测值作为流致漂移速度和风致漂移速度之和的近似值，对第一流致漂移系数和第一风致漂移系数进行拟合，同时确定第一流致漂移系数和第一风致漂移系数；
基于所述样本表层水流特征参数和所述第一流致漂移系数，计算样本流致漂移速度估计值；基于所述样本风特征参数和所述第一风致漂移系数计算样本风致漂移速度估计值；
基于所述样本漂移速度观测值，对应的所述样本流致漂移速度估计值和所述样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值；
采用所述样本波浪特征参数和对应的所述样本浪致漂移速度估计值，训练所述浪致漂移深度学习模型。
2.根据权利要求1所述的方法，其特征在于，所述环境特征参数还包括表层水流特征参数和风特征参数；所述方法还包括：
基于所述表层水流特征参数计算流致漂移速度，以及基于所述风特征参数计算风致漂移速度；
根据所述流致漂移速度、所述风致漂移速度和所述浪致漂移速度，计算所述待预测漂浮物的预测漂移速度。
3.根据权利要求2所述的方法，其特征在于，
所述基于所述表层水流特征参数计算流致漂移速度，包括：基于所述表层水流特征参数和第一流致漂移系数计算所述流致漂移速度；
所述基于所述风特征参数计算风致漂移速度，包括：基于所述风特征参数和第一风致漂移系数计算所述风致漂移速度；
其中，所述第一流致漂移系数和所述第一风致漂移系数在基于所述第一样本漂移数据训练所述浪致漂移深度学习模型的过程中确定的。
4.根据权利要求3所述的方法，其特征在于，在基于所述风特征参数和第一风致漂移系数计算所述风致漂移速度之前，所述方法还包括：
根据所述环境特征参数确定预测风致漂移偏向性；
根据所述预测风致漂移偏向性选择对应的所述第一风致漂移系数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述环境特征参数确定预测风致漂移偏向性，包括：
将所述环境特征参数输入到预先训练的风致漂移偏向性深度学习模型，确定所述预测风致漂移偏向性；
其中，所述偏向性深度学习模型基于第二样本漂移数据训练得到，所述第二样本漂移数据包括样本漂浮物的风致漂移偏向性观测值和对应的环境特征参数。
6.根据权利要求2所述的方法，其特征在于，
所述波浪特征参数包括波高、波周期和波向中的至少之一，所述表层水流特征参数包括表层水流的流速和流向，所述风特征参数包括风速和风向。
7.根据权利要求1所述的方法，其特征在于，所述获取待预测漂浮物所在位置处的环境特征参数，包括：
基于观测海况数据确定海况模拟模型；
基于所述海况模拟模型进行数值模拟，确定所述待预测漂浮物所在位置和时间处的环境特征参数。
8.一种浪致漂移深度学习模型的训练方法，其特征在于，包括：
获取多组第一样本漂移数据，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值，以及对应的样本环境特征参数，所述样本环境特征参数包括样本表层水流特征参数、样本风特征参数和样本波浪特征参数；
基于所述第一样本漂移数据，训练浪致漂移深度学习模型，包括：
将样本漂移速度观测值作为流致漂移速度和风致漂移速度之和的近似值，对第一流致漂移系数和第一风致漂移系数进行拟合，同时确定第一流致漂移系数和第一风致漂移系数；
基于所述样本表层水流特征参数和所述第一流致漂移系数，计算样本流致漂移速度估计值；基于所述样本风特征参数和所述第一风致漂移系数计算样本风致漂移速度估计值；
基于所述样本漂移速度观测值，对应的所述样本流致漂移速度估计值和所述样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值；
采用所述样本波浪特征参数和对应的所述样本浪致漂移速度估计值，训练所述浪致漂移深度学习模型。
9.根据权利要求8所述的方法，其特征在于，包括多组所述第一样本漂移数据，每组所述第一样本漂移数据的数量均为多个；
所述基于所述第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，同时确定第一流致漂移系数和第一风致漂移系数，包括：
基于各组所述第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数，每组所述第一样本漂移数据对应的第二流致漂移系数和第二风致漂移系数同时确定；
基于所述第二流致漂移系数计算所述第一流致漂移系数，以及基于所述第二风致漂移系数计算所述第一风致漂移系数。
10.根据权利要求9所述的方法，其特征在于，所述基于所述第二流致漂移系数计算所述第一流致漂移系数，包括：
A．计算第二流致漂移系数的均值和标准差；
B．基于第二流致漂移系数的均值和标准差，判断多个第二流致漂移系数的分布特性是否符合第一预设条件；
C．在多个第二流致漂移速度的分布特性符合所述第一预设条件的情况下，将多个第二流致漂移系数的均值作为所述第一流致漂移系数；
D．在多个第二流致漂移速度的分布特性不符合所述第一预设条件的情况下，按照所述第一预设条件对所述多个第二流致漂移系数进行筛选，得到筛选后的第二流致漂移系数，并重新执行步骤A-D，直至筛选后的第二流致漂移系数的分布特性符合所述第一预设条件。
11.根据权利要求9所述的方法，其特征在于，所述基于所述第二风致漂移系数计算所述第一风致漂移系数，包括：
E．计算第二风致漂移系数的均值和标准差；
F．基于第二风致漂移系数的均值和标准差，判断多个第二风致漂移系数的分布特性是否符合第二预设条件；
G．在多个第二风致漂移速度的分布特性符合所述第二预设条件的情况下，将多个第二风致漂移系数的均值作为所述第一风致漂移系数；
H．在所述多个第二风致漂移速度的分布特性不符合所述第二预设条件的情况下，按照所述第二预设条件对多个第二风致漂移系数进行筛选，得到筛选后的第二风致漂移系数，并重新执行步骤E-H，直至筛选后的第二风致漂移系数的分布特性符合所述第二预设条件。
12.根据权利要求9-11任一项所述的方法，其特征在于，在所述基于各组所述第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数之前，所述方法还包括：
确定各组所述第一样本漂移数据对应的漂移偏向性，所述漂移偏向性为所述样本漂浮物的风致漂移方向相对于风向的偏向性；
所述基于各组所述第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数，包括：
基于各组所述第一样本漂移数据中样本漂移速度观测值，对应的样本表层水流特征参数、样本风特征参数和所述漂移偏向性，计算所述第二流致漂移系数和所述第二风致漂移系数。
13.根据权利要求12所述的方法，其特征在于，所述确定各组所述第一样本漂移数据对应的漂移偏向性，包括：
将所述第一样本漂移数据中的环境特征参数输入到预先训练的偏向性深度学习模型，确定对应的所述漂移偏向性；
其中，所述偏向性深度学习模型基于第二样本漂移数据训练得到，所述第二样本漂移数据包括样本漂浮物的漂移速度观测值和对应的环境特征参数；或者，
根据所述样本表层水流特征参数和所述样本漂移速度观测值确定预估风致漂移速度；
根据所述预估风致漂移速度和所述风特征参数确定所述漂移偏向性。
14.根据权利要求13所述的方法，其特征在于，所述基于各组所述第一样本漂移数据中的样本漂移速度观测值、样本表层水流特征参数和样本风特征参数，分别计算对应的第二流致漂移系数和第二风致漂移系数，包括：
基于各组所述第一样本漂移数据中的样本风特征参数和对应的漂移偏向性，构建风致漂移速度表达式，所述风致漂移速度表达式包括待确定的所述第二风致漂移系数；
基于各组所述第一样本漂移数据中的样本表层水流特征参数，构建流致漂移速度表达式，所述流致漂移速度表达式包括待确定的所述第二流致漂移系数；
基于所述风致漂移速度表达式、流致漂移速度表达式和对应的样本漂移速度观测值，构建近似等式；
分别基于各组所述第一样本漂移数据对应的近似等式进行参数拟合，计算得到各组所述第一样本漂移数据对应的所述第二流致漂移系数和所述第二风致漂移系数。
15.一种漂浮物的漂移速度预测装置，其特征在于，包括：
特征参数获取单元，用于获取待预测漂浮物所在位置处的环境特征参数，所述环境特征参数包括波浪特征参数；
漂移速度计算单元，用于将所述波浪特征参数输入到预先训练的浪致漂移深度学习模型，得到浪致漂移速度；
其中，所述浪致漂移深度学习模型基于第一样本漂移数据训练得到，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值和对应的样本表层水流特征参数、样本风特征参数和样本波浪特征参数；
基于第一样本漂移数据训练得到所述浪致漂移深度学习模型包括：
将样本漂移速度观测值作为流致漂移速度和风致漂移速度之和的近似值，对第一流致漂移系数和第一风致漂移系数进行拟合，同时确定第一流致漂移系数和第一风致漂移系数；
基于所述样本表层水流特征参数和所述第一流致漂移系数，计算样本流致漂移速度估计值；基于所述样本风特征参数和所述第一风致漂移系数计算样本风致漂移速度估计值；
基于所述样本漂移速度观测值，对应的所述样本流致漂移速度估计值和所述样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值；
采用所述样本波浪特征参数和对应的所述样本浪致漂移速度估计值，训练所述浪致漂移深度学习模型。
16.一种浪致漂移深度学习模型的训练装置，其特征在于，包括：
样本漂移数据获取单元，用于获取多个第一样本漂移数据，所述第一样本漂移数据包括样本漂浮物的样本漂移速度观测值，以及对应的样本环境特征参数；
训练单元，基于所述第一样本漂移数据训练浪致漂移深度学习模型，所述训练单元包括：
第一漂移系数确定子单元，用于将样本漂移速度观测值作为流致漂移速度和风致漂移速度之和的近似值，对第一流致漂移系数和第一风致漂移系数进行拟合，同时确定第一流致漂移系数和第一风致漂移系数；
估计样本漂移速度确定子单元，用于基于所述样本表层水流特征参数和所述第一流致漂移系数，计算对应的样本流致漂移速度估计值，基于所述样本风特征参数和所述第一风致漂移系数计算对应的样本风致漂移速度估计值；以及，基于所述样本漂移速度观测值，对应的所述样本流致漂移速度估计值和所述样本风致漂移速度估计值，计算对应的样本浪致漂移速度估计值；
模型训练子单元，用于采用所述样本波浪特征参数和对应的所述样本浪致漂移速度估计值，训练所述浪致漂移深度学习模型。
17.一种计算设备，其特征在于，包括：
存储器和处理器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-14中任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-14中任一项所述的方法。
CN202210495718.7A 2022-05-09 2022-05-09 漂移速度预测方法、装置、计算设备及存储介质 Active CN114580309B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210495718.7A CN114580309B (zh) 2022-05-09 2022-05-09 漂移速度预测方法、装置、计算设备及存储介质
PCT/CN2023/091849 WO2023216946A1 (zh) 2022-05-09 2023-04-28 漂移速度预测方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495718.7A CN114580309B (zh) 2022-05-09 2022-05-09 漂移速度预测方法、装置、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN114580309A CN114580309A (zh) 2022-06-03
CN114580309B true CN114580309B (zh) 2022-08-05

Family

ID=81769071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495718.7A Active CN114580309B (zh) 2022-05-09 2022-05-09 漂移速度预测方法、装置、计算设备及存储介质

Country Status (2)

Country Link
CN (1) CN114580309B (zh)
WO (1) WO2023216946A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580309B (zh) * 2022-05-09 2022-08-05 深圳市朗诚科技股份有限公司 漂移速度预测方法、装置、计算设备及存储介质
CN117972315B (zh) * 2024-03-29 2024-06-25 山东省科学院海洋仪器仪表研究所 基于混合神经网络预测模型的漂流浮标轨迹预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110375720A (zh) * 2019-07-26 2019-10-25 深圳市朗诚科技股份有限公司 漂流浮标监测方法及其系统
CN113219466A (zh) * 2021-05-13 2021-08-06 国家卫星海洋应用中心 海面的风速确定方法、装置、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653826A (zh) * 2016-03-10 2016-06-08 厦门蓝海天信息技术有限公司 一种改进的海上搜救区域预测方法及系统
US20220155069A1 (en) * 2019-03-01 2022-05-19 Re Vision Consulting, Llc System and method for wave prediction
CN109902877B (zh) * 2019-03-04 2020-02-07 中国地质大学（武汉） 一种海上遇险目标漂移预测模型参数的逐步率定方法
CN111159924B (zh) * 2020-04-02 2020-07-28 上海彩虹鱼海洋科技股份有限公司 用于预测漂移轨迹的方法和装置
CN111914462B (zh) * 2020-07-22 2021-05-14 中国地质大学深圳研究院 一种海上搜救目标漂移预测方法及装置
CN112712214B (zh) * 2021-01-15 2022-02-18 中国人民解放军军事科学院国防科技创新研究院 海事搜救对象轨迹预测方法、系统、装置和存储介质
CN113393027B (zh) * 2021-06-10 2023-11-07 大连海事大学 一种基于深度学习的航标漂移智能预测方法
CN114580309B (zh) * 2022-05-09 2022-08-05 深圳市朗诚科技股份有限公司 漂移速度预测方法、装置、计算设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110375720A (zh) * 2019-07-26 2019-10-25 深圳市朗诚科技股份有限公司 漂流浮标监测方法及其系统
CN113219466A (zh) * 2021-05-13 2021-08-06 国家卫星海洋应用中心 海面的风速确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114580309A (zh) 2022-06-03
WO2023216946A1 (zh) 2023-11-16

Similar Documents

Publication Publication Date Title
CN114580309B (zh) 漂移速度预测方法、装置、计算设备及存储介质
CN114580223B (zh) 风致漂移预测方法、装置、设备及存储介质
CN109345875B (zh) 一种提高船舶自动识别系统测量精度的估计方法
CN111723632B (zh) 一种基于孪生网络的船舶跟踪方法及系统
Mittendorf et al. Sea state identification using machine learning—A comparative study based on in-service data from a container vessel
Kulkarni et al. Real-time sediment plume modeling in the Southern California Bight
CN112347218B (zh) 无人船艇的环境地图生成方法及无人船艇感知系统
Fossen et al. Exogenous kalman filter (xkf) for visualization and motion prediction of ships using live automatic identification systems (ais) data
Yang et al. An approach to ship behavior prediction based on AIS and RNN optimization model
CN107122897B (zh) 基于深度学习算法的无人船适航性评估方法
CN109902877B (zh) 一种海上遇险目标漂移预测模型参数的逐步率定方法
CN117113798A (zh) 漂浮物的漂移速度预测方法、装置、设备及存储介质
JP6340067B2 (ja) 表層流推定装置、表層流推定システム、海洋モデル推定装置、及び危険度判定装置
CN116523152B (zh) 漂浮物的漂移预测方法、装置、设备和介质
US20230314144A1 (en) System and method for estimating drift path of marine floating body
Wang et al. Analysis of roll center compensation method for underwater gliders based on deep learning
CN113501114B (zh) 一种基于深潜器无动力下潜实时信息的深海海流计算方法
Lei et al. Multi-feature fusion sonar image target detection evaluation based on particle swarm optimization algorithm
CN117131751A (zh) 漂移偏向性的预测方法、装置、设备及存储介质
CN117094237A (zh) 海况预测方法、装置、设备及存储介质
CN117195674A (zh) 基于海况预测的漂移速度预测方法、装置、计算设备及存储介质
CN117113797A (zh) 漂浮物的漂移轨迹预测方法、装置、设备及存储介质
CN116702940B (zh) 一种航速优化方法及系统
CN117367435B (zh) 疏散路径规划方法、装置、设备及存储介质
Yulmetov et al. Machine learning for tactical iceberg drift forecasting

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
TR01 Transfer of patent right

Effective date of registration: 20230522

Address after: 518061 no.3688 Nanhai Avenue, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: SHENZHEN University

Patentee after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Patentee after: SHENZHEN LIGHTSUN TECHNOLOGY Co.,Ltd.

Address before: Room 501, Rongsheng building, No. three, 88 Bagua Road, Futian District, Guangdong, Shenzhen 518029

Patentee before: SHENZHEN LIGHTSUN TECHNOLOGY Co.,Ltd.

Patentee before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

TR01 Transfer of patent right