CN116822336B - 一种多模型组合的潮汐预报方法 - Google Patents
一种多模型组合的潮汐预报方法 Download PDFInfo
- Publication number
- CN116822336B CN116822336B CN202310643506.3A CN202310643506A CN116822336B CN 116822336 B CN116822336 B CN 116822336B CN 202310643506 A CN202310643506 A CN 202310643506A CN 116822336 B CN116822336 B CN 116822336B
- Authority
- CN
- China
- Prior art keywords
- forecasting
- data
- tide
- model
- output
- 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
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000010238 partial least squares regression Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 claims 2
- 101100001671 Emericella variicolor andF gene Proteins 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供了一种多模型组合的潮汐预报方法,涉及潮汐预报技术领域,包括如下步骤:S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据;S2、利用调和分析法建立调和预报模型,获得第一预报结果;S3、建立带外部输入的潮汐预报自回归偏最小二乘模型,获得第一预报结果;S4、基于多尺度分解建立变结构神经网络预报模型,计算所述第一预报结果与实际潮汐的差值部分;将差值部分利用变结构神经网络预报模型进行辨识和预报,获得第二预报结果;S6、将第一预报结果与第二预报结果相加,得到最终潮汐预报结果。本发明充分利用线性预报方法鲁棒性强的优点和神经网络等非线性预报方法自适应、非线性的优点,能在保证稳定性的同时提高预报的精度。
Description
技术领域
本发明涉及潮汐预报技术领域,具体而言,尤其涉及一种多模型组合的潮汐预报方法。
背景技术
潮汐现象是指海水在天体引潮力作用下所产生的周期性涨落运动,海水在水平方向的流动称为潮流。地潮、海潮和气潮的原动力都是日、月对地球各处引力不同而引起的,三者之间互有影响。潮汐现象形成的主要原因是月球引力和离心力的合力是引起海水涨落的引潮力。
传统的潮汐预报的传统方法包括调和分析法。该方法通过对验潮站长期潮汐数据的统计和分析,计算得到模型中各分潮的参数,并基于建立潮的数学模型得到长期的潮汐预报。
然而,由于潮汐受到多种因素的影响,周期因素如引潮力、月球轨道的倾角等;非周期因素如风力、气压、降水等。传统的调和分析法的预报精度除了受收据数量和分潮数量的影响,还无法分析非周期因素的影响,导致预报精度较低。由于调和分析法所需要的分潮数目较多,该方法需要一个点位的长期实测潮汐数据来确定各分潮的参数,而现实问题是,目前的沿海海域存在着许多潮汐资料空白区域,而一些区域由于海洋工程和船舶航行而需要响应的潮汐数据。所以经常需要在进行有限观测的前提下进行潮汐预报。该模型无法反映非周期的时变因素,如水文气象因素对潮汐的影响,限制了该方法对潮汐的预报精度,尤其是在水文气象因素变化剧烈的情况下会导致预报误差较大,经常会导致严重影响航行安全和航运效率。
发明内容
有鉴于此,本发明的目的在于提出一种多模型组合的潮汐预报方法,其中调和常数模型和自回归时间序列预测模型处于可切换状态,在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和常数法模块进行潮汐预报;而在数据量不足以进行调和常数法的参数辨识的情况下,采用自回归时间序列模型进行潮汐预报。计算调和常数法或自回归时间序列预报模型潮汐与实际潮汐的差值部分,利用变结构神经网络进行辨识和预报。最后将调和常数模型或自回归时间序列预测模型潮汐预报得到的预报结果和变结构神经网络方法得到的预报结果相加,得到最终的潮汐预报结果。
本发明采用的技术手段如下:
一种多模型组合的潮汐预报方法,包括如下步骤:
S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据;
S2、利用调和分析法建立调和预报模型,利用所述调和预报模型进行潮汐预报,获得第一预报结果;
S3、建立带外部输入的潮汐预报自回归偏最小二乘模型,利用所述自回归偏最小二乘模型进行潮汐预报,获得第一预报结果;
S4、基于多尺度分解建立变结构神经网络预报模型,计算所述第一预报结果与实际潮汐的差值部分;将差值部分利用变结构神经网络预报模型进行辨识和预报,获得第二预报结果;
S6、将第一预报结果与第二预报结果相加,得到最终潮汐预报结果。
进一步地,在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和预报模型进行潮汐预报,获得第一预报结果;在数据量不足以进行调和预报模型的参数辨识的情况下,采用自回归偏最小二乘模型进行潮汐预报,获得第一预报结果。
进一步地,所述潮汐及水文气象要素数据包括潮汐数据、气象数据和水文数据;所述气象数据包括气压、风力、风向、气温的实测数据;所述水文数据包括水温、降水、盐度的实测数据。
进一步地,S2包括如下步骤:
采用最小二乘法求取目标点位分潮的调和常数,所述调和常数包括分潮平均振幅H和格林尼治迟角g;
不考虑非天文潮r(k)部分的影响,将平均海面H0视为σ=0°/h的一个特殊分潮,分潮的潮高表达式为:
令fH=R,(v0+μ)-g=-θ,
取A=Rcosθ,B=Rsinθ;
其中,B0=0,所述分潮的潮高表达式为:
通过分析实测潮位数据,求出每个分潮的A,B值,进一步求出分潮振幅R和初相角θ,最终求出调和常数,具体表达式如下所示:
其中,f是交点因子,μ是交点修正角,v0是格林尼治零时分潮的初相角,σ是分潮的角速度。
进一步地,S3包括如下步骤:
根据需要d步超前预报的变量,在潮汐数据中分别利用偏相关系数法选择相关的变量及阶次,作为d步超前预报模型的输入,H(k)为输出,建立偏最小二乘模型;
设X(∈Rn×m)为偏最小二乘模型的输入,Y(∈Rn×p)为偏最小二乘模型的输出,偏最小二乘方法完成如下映射:
其中,t1和u1是第一个偏最小二乘因子的得分向量,p1和q1是得分向量对应的载荷向量,E1和F1是残差;
四个向量t1、u1、p1和q1通过最小化E1和F1确定,得分向量t1和u1之间的内部关系通过线性模型获得:
u1=b1t1+ε1
当t1和u1提取信息不足时,通过从残差矩阵中提取信息来迭代计算进一步的分数和加载向量;
设X的秩为r,计算r后,Y为:
X=TPT,Y=TBQT+Fr
由于T的列与输出残差Fr正交且相互正交,因此:
XTX=PTTTPT
XTY=PTTTBQT+Fr=PBQT
将X和Y用P,B和Q的参数矩阵表示,当出现新的数据对时,PLS回归公式如下:
等价于包含新数据的全部数据的PLS回归公式如下:
所述偏最小二乘模型通过更新原始已得模型和新数据来实现。
进一步地,S4包括如下步骤:
对实测数据与第一预报结果的差值进行多尺度小波分解;
对每个分量进行时间序列预报的阶次确定,确定输入输出阶次后,利用变结构的径向基函数神经网络进行每个分量的时间序列预报;
建立变结构神经网络预报模型的步骤包括:
建立滑动数据窗口;潮汐的变化具有动态时变的特性,为了反映潮汐受到环境影响的动态时变特性,建立滑动数据窗口对潮汐进行状态观测,利用实时更新的输入输出数据动态调整基于径向基函数神经网络的拟合模型;
所述的滑动窗口是一个固定宽度的先进先出的数据样本序列,当接收到一组新的输入-输出数据后,将新数据组加入滑动窗口,最早的一组数据则移出滑动窗口;将t时刻的滑动窗口WSD表示为:
WSD=[(xt-L+1,xt-L+1),...,(yt,yt)]
其中L为滑动窗口的宽度;利用滑动窗口内的输入-输出数据组,即分别用输入矩阵P与对应的输出向量Q来表示映射关系的实时动态:
Y=[yt-L+1...yt]
式中,np为输入矩阵的维数;
分别用输入矩阵P与对应的输出Q作为径向基函数神经网络的输入和输出,对神经网络进行训练和网络隐节点的动态调整;
在增加策略上,最初出现在滑动窗口内的数据作为初始的隐节点中心;在每一步接收到新数据样本后,更新滑动数据窗口,将最新的样本加入窗口,而将最早的样本从窗口中删除;变结构神经网络的结构调整分为隐节点的增加策略和删除策略;
在隐层神经元的增加策略中,在新的样本数据进入滑动窗口时,满足下面的三个条件的输入样本数据(xt,yt)被选为隐节点中心:
其中第一个条件为输入新颖性判据,第二个条件为输出新颖性判据,第三个条件为连续新颖性判据;
其中,ur(t)是离输入xt距离最近的中心,et为理想值与网络输出之间的误差,ε和emin分别为输入和输出新颖性判定阈值,erms是选定理想值与网络输出之间的误差的均方根误差,L是滑动数据窗口的宽度,emax是迭代均方差erms的阈值,阈值emax的引入是为了检查过去L个连续输出的均方差能否满足要求值,使隐节点数目的变化更加平滑,其中f(xt)为相对于输入xt的神经网络输入,其值为:
其中||·||表示欧氏距离,σ为基函数宽度;M为隐节点的数目;
在隐节点的删除策略上,删除在连续的训练步数中对输出贡献小的那些隐节点。在每一步都计算每个隐节点标准化贡献rm(t):
其中om(t)=αmf(xt),omax(t)为不同隐节点中最大的|omax(t)|对应的值;
如果一个隐节点的rm(t)值在连续Nw步的计算中都小于设定的阈值δ,该隐节点将被从隐层删除;
在每一步隐节点确定后,更新隐层至输出层的连接权值;所得到的径向基函数神经网络的隐层矩阵Φ至输出层Q的连接权值通过求偏最小二乘的方法得到;
在响应矩阵Φ与输出矩阵Y之间进行偏最小二乘回归运算;提取主成分矩阵T后,将响应矩阵Φ与输出矩阵Y分别投射到主成分矩阵T上,得到基于偏最小二乘回归的径向基函数神经网络如下:
Q=TR+F=ΦWR+F
其中,T为Φ的主成分矩阵;W为Φ的转换矩阵;R为回归系数矩阵;F为残差矩阵。
本发明还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行上述任一项的多模型组合的潮汐预报方法。
本发明还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序运行执行上述任一项的多模型组合的潮汐预报方法。
较现有技术相比,本发明具有以下优点:
本发明针对有潮汐预报需求的站点潮汐观测数据量不确定的情况,提出多模型组合的方式,利用模型切换模式,适应了不同观测条件下站点潮汐预报的需求。
本发明相对于利用传统调和分析法的潮汐预报,该方法充分利用实测潮汐信息和水文气象信息,该类信息充分反映了水文气象因素对潮汐的影响,且径向基函数神经网络能够实现精确的非线性拟合,能够得到更精确的潮汐预报。而传统的基于调和分析的预报方法虽然可以反映天体引潮力的影响并给出稳定的潮汐预报,但无法反映时变的非周期性水文气象等因素的影响,从而出现预报精度不高的情况,在外界环境因素影响大的情况下容易出现较大的预报误差。
本发明所利用的偏最小二乘预报方法和变结构神经网络预报方法的预报模型阶次可以根据观测数据进行自动确定,减少了人工确定模型结构带来的任意性强和无法反映系统动态的缺点,提高了所得模型的预测精度。
对于数据存在的多重共线性,以及数据量少带来的模型不稳定的情况,利用偏最小二乘法进行回归计算,提高了模型的稳定性。
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,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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为本发明方法步骤图。
图2为本发明方法流程图。
图3为本发明变结构模型训练流程图。
图4为本发明变结构模型预测流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当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及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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,例如,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。
如图1-4所示,本发明提供了一种多模型组合的潮汐预报方法,该多模型包括调和常数(Harmonic Analysis,HA)模型、偏最小二乘(Partial Least Squares,PLS)时间序列预测模型和变结构神经网络预测模型。其中调和常数模型和自回归时间序列预测模型处于可切换状态,在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和常数法模块进行潮汐预报;而在数据量不足以进行调和常数法的参数辨识的情况下,采用自回归时间序列模型进行潮汐预报。计算调和常数法或自回归时间序列预报模型潮汐与实际潮汐的差值部分,利用变结构神经网络进行辨识和预报。最后将调和常数模型或自回归时间序列预测模型潮汐预报得到的预报结果和变结构神经网络方法得到的预报结果相加,得到最终的潮汐预报结果。
具体的步骤为:
1.数据采集
采集目标点位及附近点位的实测潮汐及水文气象要素数据作为备用信息,包括:潮汐数据,包括目标点位和附近点位的实测潮汐数据;气象数据,包括气压、风力、风向、气温的实测数据;水文数据,包括水温、降水、盐度的实测数据;
2.建立带外部输入的潮汐预报自回归偏最小二乘模型
在数据量较少的情况下,通过计算偏相关系数等相关系分析方法对该高维数据进行相关性排序和信息筛选,选择与目标潮汐数据相关性强的部分信息作为拟合模型的输入,以目标潮汐数据作为拟合模型的输出。
根据需要d步超前预报的变量,在潮汐数据中分别利用偏相关系数法选择相关的变量及阶次,如对于k时刻的潮高可以选择之前时刻的潮高H、气压q和水温s表示:
作为d步超前预报模型的输入,H(k)为输出,建立基于偏最小二乘法的潮汐d步超前预报模型。
基于递归偏最小二乘回归的预报模型建立方法如下:
设X(∈Rn×m)和Y(∈Rn×p)是模型输入和输出,PLS方法是完成如下映射:
其中t1和u1是第一个PLS因子的得分向量,p1和q1是对应的载荷向量,E1和F1是残差。四个向量t1、u1、p1和q1都是通过最小化E1和F1来确定的。上式是PLS外部模型,得分向量t1和u1之间的内部关系通过线性模型获得:
u1=b1t1+ε1
如果t1和u1没有提取足够的信息,则通过从残差矩阵中提取信息来迭代计算进一步的分数和加载向量。假设X的秩为r,计算r后,Y可以写成:
X=TPT,Y=TBQT+Fr
由于T的列与输出残差Fr正交且相互正交,因此可以推导出:
XTX=PTTTPT
XTY=PTTTBQT+Fr=PBQT
所以X和Y可以用P,B和Q的参数矩阵来表示。当出现新的数据对时,PLS回归
等价与包含新数据的全部数据的PLS回归:
因此,新的PLS模型是通过更新原始已得模型和新数据来实现的,这种迭代计算避免了大批量数据的重复计算,有效减少了计算量。
3.利用调和分析法建立调和预报模型
在数据量可以支撑建立精确的调和分析预报模型的情况下,利用调和分析法建立调和预报模型。
某地实际潮位高度可表示为
其中H0是分析期间的平均海面高度,f和μ分别是因月球轨道以18.61a为周期变化所需要对分潮平均振幅和相角所做的修正值,其中f叫做交点因子μ叫做交点修正角。H是分潮的平均振幅,v0是格林尼治零时分潮的初相角,σ是分潮的角速度,g是分潮的格林尼治迟角。是非天文潮部分,引起这部分变化的因素多为风力、气压等气象因素,导致该部分变化具有极强的随机性和非线性,可以视为物理学中的噪声。
分潮平均振幅H和格林尼治迟角g就叫做实际潮汐分潮的调和常数,它们是海
洋对于周期性变化的外力作用的一种响应,这种响应是由海洋本身的运动学性质决定的。对于不同海区,调和常数的数值是变化的,但对于某一固定地点,因为海洋整体环境的变化周期很长,因此调和常数具有极高的稳定性,在很长一段时间段内,可以近似地看成常数。
调和常数可以根据实际潮汐的观测数据利用调和分析方法求出,掌握某地的潮汐调和常数之后,即可以实现对当地潮汐的预报。
要想实现潮汐预报,就要求出分潮的调和常数H和g,对于调和常数的计算,一般采用最小二乘法。若不考虑非天文潮r(k)部分的影响,且将平均海面H0视为σ=0°/h的一个特殊分潮,则潮高表达式可以写为
令:
fH=R
(v0+μ)-g=-θ
取:
A=R cosθ
B=R sinθ
其中,B0≡0,则上式可表示为
通过分析实测潮位数据,可以求出每个分潮的A,B值,进一步求出分潮振幅R和初相角θ,最终求出调和常数。具体表达式如下
4.基于多尺度分解的变结构神经网络预报模型
对实测数据与调和分析法或偏最小二乘模型输出的差值进行多尺度小波分解。
潮汐变化受到多种水文气象等环境因素的作用,而这些作用相互叠加作用,使得潮汐运动呈现出复杂的运动特性。而通过小波分解,可以将原始的潮汐时间序列x(t)分为若干子序列,包括近似分量(AK)和细节分量(D1,D2,...,DK),这样方便了将子序列作为模型的输入。在本方案中,对实测潮汐数据和利用调和分析法或者偏最小二乘辨识得到的潮汐预报值之间的差值r进行小波分解,得到近似分量和细节分量。
通过计算Lipschitz系数等方法对每个分量进行时间序列预报的阶次确定,确定输入输出阶次后,利用变结构的径向基函数神经网络进行每个分量的时间序列预报。
通过以下步骤建立变结构神经网络预报模型.
建立滑动数据窗口
潮汐的变化具有动态时变的特性,为了潮汐受到环境影响的动态时变特性,建立滑动数据窗口对潮汐进行状态观测,利用实时更新的输入输出数据动态调整基于径向基函数神经网络的拟合模型;
所述的滑动窗口是一个固定宽度的先进先出的数据样本序列,当接收到一组新的输入-输出数据后,将新数据组加入滑动窗口,最早的一组数据则移出滑动窗口。将t时刻的滑动窗口WSD表示为:
WSD=[(xt-L+1,xt-L+1),...,(yt,yt)],
其中L为滑动窗口的宽度;利用滑动窗口内的输入-输出数据组,即分别用输入矩阵P与对应的输出向量Q来表示映射关系的实时动态:
Q=[yt-L+1...yt]
式中,np为输入矩阵的维数;
分别用输入矩阵P与对应的输出Q作为径向基函数神经网络的输入和输出,对神经网络进行训练和网络隐节点的动态调整。
在增加策略上,最初出现在滑动窗口内的数据作为初始的隐节点中心。在每一步接收到新数据样本后,更新滑动数据窗口,将最新的样本加入窗口,而将最早的样本从窗口中删除。变结构神经网络的结构调整分为隐节点的增加策略和删除策略。
在隐层神经元的增加策略中,在新的样本数据进入滑动窗口时,满足下面的三个条件的输入样本数据(xt,yt)被选为隐节点中心:
其中条件一为输入新颖性判据,第二个条件为输出新颖性判据,第三个条件为连续新颖性判据。
其中ur(t)是离输入xt距离最近的中心,et为理想值与网络输出之间的误差,ε和emin分别为输入和输出新颖性判定阈值,erms是选定理想值与网络输出之间的误差的均方根误差,L是滑动数据窗口的宽度,emax是迭代均方差erms的阈值。阈值emax的引入是为了检查过去L个连续输出的均方差能否满足要求值,使隐节点数目的变化更加平滑。其中f(xt)为相对于输入xt的神经网络输入,其值为:
其中||·||表示欧氏距离,σ为基函数宽度;M为隐节点的数目。
在隐节点的删除策略上,删除在连续的训练步数中对输出贡献小的那些隐节点。在每一步都计算每个隐节点标准化贡献rm(t):
其中om(t)=αmf(xt),omax(t)为不同隐节点中最大的|omax(t)|对应的值。
如果一个隐节点的rm(t)值在连续Nw步的计算中都小于设定的阈值δ,该隐节点将被从隐层删除。
在每一步隐节点确定后,更新隐层至输出层的连接权值。
所得到的径向基函数神经网络的隐层矩阵Φ至输出层Q的连接权值通过求偏最小二乘的方法得到。
在响应矩阵Φ与输出矩阵Y之间进行偏最小二乘回归运算;提取主成分矩阵T后,将响应矩阵Φ与输出矩阵Y分别投射到主成分矩阵T上,得到基于偏最小二乘回归的径向基函数神经网络如下:
Q=TR+F=ΦWR+F
其中,T为Φ的主成分矩阵;W为Φ的转换矩阵;R为回归系数矩阵;F为残差矩阵。
5.模块化预报模型的预报结果
利用调和分析法或者递归偏最小二乘回归模型和变结构径向基函数神经网络进行预报后,将两项预报的结果进行叠加,得到最终的模块化潮汐预报的结果。
本发明还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行多模型组合的潮汐预报方法。
本发明还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序运行执行多模型组合的潮汐预报方法。
利用实测潮汐数据来验证本算法的有效性,并与相关算法进行比较。
选用美国南部城市坦帕的Old Port Tampa验潮站的数据进行仿真验证。验潮站位于因特贝半岛,具体位置是27°51.4’N,82°33.1’W。取该验潮站从2022年1月1日00:00GMT到12月31日23:00GMT的每小时潮汐数据,共8760个数据法进行算法的验证。经过仿真实验,得到单步预报结果如下表所示:
算法 | 均方根误差(m) | 平均绝对值误差(m) |
组合预测算法 | 0.0174239 | 0.0561 |
调和分析法 | 0.189276 | 0.9826 |
BP神经网络 | 0.0286513 | 0.0947 |
支持向量机 | 0.0304071 | 0.0838 |
利用潮汐的调和常数法、BP神经网络和支持向量机等方法利用同样的潮汐数据进行仿真验证。仿真结果显示,所提基于变结构神经网络的组合预测算法的预测精度高于其他对比预测算法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。上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。
所述集成的单元如果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读取存储介质中。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介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种多模型组合的潮汐预报方法,其特征在于,包括如下步骤:
S1、采集目标点位及附近点位的实测潮汐及水文气象要素数据;
在数据充足、可以进行系数辨识并提供准确的预测模型的情况下采用调和预报模型进行潮汐预报,获得第一预报结果;在数据量不足以进行调和预报模型的参数辨识的情况下,采用自回归偏最小二乘模型进行潮汐预报,获得第一预报结果;
S2、利用调和分析法建立调和预报模型,利用所述调和预报模型进行潮汐预报,获得第一预报结果;
S3、建立带外部输入的潮汐预报自回归偏最小二乘模型,利用所述自回归偏最小二乘模型进行潮汐预报,获得第一预报结果;
S4、基于多尺度分解建立变结构神经网络预报模型,计算所述第一预报结果或第一预报结果与实际潮汐的差值部分;将差值部分利用变结构神经网络预报模型进行辨识和预报,获得第二预报结果;
对实测数据与第一预报结果的差值进行多尺度小波分解;
对每个分量进行时间序列预报的阶次确定,确定输入输出阶次后,利用变结构的径向基函数神经网络进行每个分量的时间序列预报;
建立变结构神经网络预报模型的步骤包括:
建立滑动数据窗口;潮汐的变化具有动态时变的特性,为了反映潮汐受到环境影响的动态时变特性,建立滑动数据窗口对潮汐进行状态观测,利用实时更新的输入输出数据动态调整基于径向基函数神经网络的拟合模型;
所述的滑动窗口是一个固定宽度的先进先出的数据样本序列,当接收到一组新的输入-输出数据后,将新数据组加入滑动窗口,最早的一组数据则移出滑动窗口;
L为滑动窗口的宽度;利用滑动窗口内的输入-输出数据组,即分别用输入矩阵P与对应的输出向量Y来表示映射关系的实时动态:
式中,n p为输入矩阵的维数;
分别用输入矩阵P与对应的输出Y作为径向基函数神经网络的输入和输出,对神经网络进行训练和网络隐节点的动态调整;
在增加策略上,最初出现在滑动窗口内的数据作为初始的隐节点中心;在每一步接收到新数据样本后,更新滑动数据窗口,将最新的样本加入窗口,而将最早的样本从窗口中删除;变结构神经网络的结构调整分为隐节点的增加策略和删除策略;
在隐层神经元的增加策略中,在新的样本数据进入滑动窗口时,满足下面的三个条件的输入样本数据(x t,y t)被选为隐节点中心:
其中第一个条件为输入新颖性判据,第二个条件为输出新颖性判据,第三个条件为连续新颖性判据;
其中,u r(t)是离输入x t距离最近的中心,e t为理想值与网络输出之间的误差,和e min分别为输入和输出新颖性判定阈值,e rms是选定理想值与网络输出之间的误差的均方根误差,L是滑动数据窗口的宽度,e max是迭代均方差e rms的阈值,阈值e max的引入是为了检查过去L个连续输出的均方差能否满足要求值,使隐节点数目的变化更加平滑,其中f(x t)为相对于输入x t的神经网络输入,其值为:
其中表示欧氏距离;M为隐节点的数目;
在隐节点的删除策略上,删除在连续的训练步数中对输出贡献小的那些隐节点,在每一步都计算每个隐节点标准化贡献:
,
其中,/>为不同隐节点中最大的/>对应的值;
如果一个隐节点的值在连续N w步的计算中都小于设定的阈值/>,该隐节点将被从隐层删除;
在每一步隐节点确定后,更新隐层至输出层的连接权值;所得到的径向基函数神经网络的隐层矩阵至输出层Q的连接权值通过求偏最小二乘的方法得到;
在响应矩阵与输出矩阵Y之间进行偏最小二乘回归运算;提取主成分矩阵T后,将响应矩阵/>与输出矩阵Y分别投射到主成分矩阵T上,得到基于偏最小二乘回归的径向基函数神经网络如下:
其中,T为的主成分矩阵;W为/>的转换矩阵;R为回归系数矩阵;F为残差矩阵;
S5、将第一预报结果或第一预报结果与第二预报结果相加,得到最终潮汐预报结果。
2.根据权利要求1所述的多模型组合的潮汐预报方法,其特征在于,所述潮汐及水文气象要素数据包括潮汐数据、气象数据和水文数据;所述气象数据包括气压、风力、风向、气温的实测数据;所述水文数据包括水温、降水、盐度的实测数据。
3.根据权利要求1所述的多模型组合的潮汐预报方法,其特征在于,S2包括如下步骤:
采用最小二乘法求取目标点位分潮的调和常数,所述调和常数包括分潮平均振幅和格林尼治迟角/>;
不考虑非天文潮r(k)部分的影响,将平均海面视为/>的一个特殊分潮,分潮的潮高表达式为:
令,/>,/>
取,/>;
其中,,所述分潮的潮高表达式为:
通过分析实测潮位数据,求出每个分潮的A,B值,进一步求出分潮振幅R和初相角θ,最终求出调和常数,具体表达式如下所示:
其中,是交点因子,/>是交点修正角,/>是格林尼治零时分潮的初相角,/>是分潮的角速度。
4.根据权利要求1所述的多模型组合的潮汐预报方法,其特征在于,S3包括如下步骤:
根据需要d步超前预报的变量,在潮汐数据中分别利用偏相关系数法选择相关的变量及阶次,作为d步超前预报模型的输入,为输出,建立偏最小二乘模型;
设X为偏最小二乘模型的输入,Y为偏最小二乘模型的输出,偏最小二乘方法完成如下映射:
其中,t 1和u 1是第一个偏最小二乘因子的得分向量,p 1和q 1是得分向量对应的载荷向量,E 1和F 1是残差;
四个向量t 1、u 1、p 1和q 1通过最小化E 1和F 1确定,得分向量t 1和u 1之间的内部关系通过线性模型获得:
当t1和u1提取信息不足时,通过从残差矩阵中提取信息来迭代计算进一步的分数和加载向量;
设X的秩为r,计算r后,Y为:
由于T的列与输出残差F r正交且相互正交,因此:
将X和Y用P,B和Q的参数矩阵表示,当出现新的数据对时,PLS回归公式如下:
等价于包含新数据的全部数据的PLS回归公式如下:
所述偏最小二乘模型通过更新原始已得模型和新数据来实现。
5.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时,执行所述权利要求1至4中任一项权利要求所述的多模型组合的潮汐预报方法。
6.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序运行执行所述权利要求1至4中任一项权利要求所述的多模型组合的潮汐预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643506.3A CN116822336B (zh) | 2023-06-01 | 2023-06-01 | 一种多模型组合的潮汐预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643506.3A CN116822336B (zh) | 2023-06-01 | 2023-06-01 | 一种多模型组合的潮汐预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822336A CN116822336A (zh) | 2023-09-29 |
CN116822336B true CN116822336B (zh) | 2024-04-09 |
Family
ID=88124979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310643506.3A Active CN116822336B (zh) | 2023-06-01 | 2023-06-01 | 一种多模型组合的潮汐预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822336B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518298A (zh) * | 2023-12-29 | 2024-02-06 | 大连海事大学 | 一种具有自适应模型结构的潮汐组合预报方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376230A (zh) * | 2014-12-03 | 2015-02-25 | 大连海事大学 | 潮汐预报方法 |
CN105956709A (zh) * | 2016-05-12 | 2016-09-21 | 大连海事大学 | 一种基于gui的模块化支持向量机潮汐预测方法 |
CN110119593A (zh) * | 2019-05-24 | 2019-08-13 | 中能电力科技开发有限公司 | 一种基于fvcom模型的可视化潮汐潮流预报方法 |
CN110727923A (zh) * | 2019-11-01 | 2020-01-24 | 江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院 | 一种短期潮位预报方法 |
CN112906955A (zh) * | 2021-02-04 | 2021-06-04 | 广东海洋大学 | 一种基于多源数据驱动的潮汐数据拟合方法 |
CN114091345A (zh) * | 2021-11-30 | 2022-02-25 | 河海大学 | 一种河口潮位预测方法、装置及存储介质 |
CN114925327A (zh) * | 2022-04-02 | 2022-08-19 | 中国科学院精密测量科学与技术创新研究院 | 一种超短期地球自转参数预报方法 |
CN115238862A (zh) * | 2022-07-14 | 2022-10-25 | 大连理工大学 | 一种基于深度学习的潮位时间序列预测方法 |
WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6931144B2 (en) * | 2001-06-01 | 2005-08-16 | Gregory Perrier | Automated rip tide detection system |
-
2023
- 2023-06-01 CN CN202310643506.3A patent/CN116822336B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376230A (zh) * | 2014-12-03 | 2015-02-25 | 大连海事大学 | 潮汐预报方法 |
CN105956709A (zh) * | 2016-05-12 | 2016-09-21 | 大连海事大学 | 一种基于gui的模块化支持向量机潮汐预测方法 |
CN110119593A (zh) * | 2019-05-24 | 2019-08-13 | 中能电力科技开发有限公司 | 一种基于fvcom模型的可视化潮汐潮流预报方法 |
CN110727923A (zh) * | 2019-11-01 | 2020-01-24 | 江苏省有色金属华东地质勘查局地球化学勘查与海洋地质调查研究院 | 一种短期潮位预报方法 |
CN112906955A (zh) * | 2021-02-04 | 2021-06-04 | 广东海洋大学 | 一种基于多源数据驱动的潮汐数据拟合方法 |
WO2022262500A1 (zh) * | 2021-06-15 | 2022-12-22 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN114091345A (zh) * | 2021-11-30 | 2022-02-25 | 河海大学 | 一种河口潮位预测方法、装置及存储介质 |
CN114925327A (zh) * | 2022-04-02 | 2022-08-19 | 中国科学院精密测量科学与技术创新研究院 | 一种超短期地球自转参数预报方法 |
CN115238862A (zh) * | 2022-07-14 | 2022-10-25 | 大连理工大学 | 一种基于深度学习的潮位时间序列预测方法 |
Non-Patent Citations (3)
Title |
---|
Forecasting and Evaluation of Impacts and Risk Due to Tidal Anomalies on a Coastal Island;Shivamurthy, Vinay;Narendr, Aishwarya;Aithal, Bharath H.;Journal of the Indian Society of Remote Sensing;第50卷(第1期);第99-114页 * |
一种高精度的短期潮汐预报模型;柳成;尹建川;上海海事大学学报(第03期);第78-84页 * |
基于Grey-GMDH的模块化实时潮汐预报;张泽国;尹建川;柳成;中国海洋大学学报(自然科学版)(第11期);第143-149页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822336A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN107330514B (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN116822336B (zh) | 一种多模型组合的潮汐预报方法 | |
CN116702095B (zh) | 一种模块化海上船舶运动姿态实时预报方法 | |
CN113222289B (zh) | 一种基于数据处理的能源功率的预测方法 | |
CN103927412A (zh) | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
Zhou et al. | A novel algorithm system for wind power prediction based on RANSAC data screening and Seq2Seq-Attention-BiGRU model | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN112070320A (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及系统 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models | |
CN110175639B (zh) | 一种基于特征选取的短期风电功率预测方法 | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 |
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 |