CN116992781B - 基于深度学习的多步多要素风浪预报方法 - Google Patents
基于深度学习的多步多要素风浪预报方法 Download PDFInfo
- Publication number
- CN116992781B CN116992781B CN202311252915.7A CN202311252915A CN116992781B CN 116992781 B CN116992781 B CN 116992781B CN 202311252915 A CN202311252915 A CN 202311252915A CN 116992781 B CN116992781 B CN 116992781B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- wave
- input
- deep learning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 230000007774 longterm Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 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
- 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
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的多步多要素风浪预报方法，包括：获取待分析区域的有效原始数据，以用于提供风浪预报深度学习模型的输入数据；确定所述输入数据，以用于深度学习模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素；构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架，根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据；根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据。本发明的基于深度学习的多步多要素风浪预报方法能够提高风浪预测效率和精度。
Description
技术领域
本发明涉及海洋灾害防灾减灾领域，更具体地涉及一种基于深度学习的多步多要素风浪预报方法。
背景技术
风浪的预测研究开展已久，相关技术中，会选择使用基于物理计算的模型进行风浪研究。目前应用较多的风浪预测模型包括STWAVE，WAVEWATCHⅢ、SWAN，这类传统物理模型能够较为准确地反映风浪的物理机制和规律，但同时存在不可避免的系统误差且有较高的设备要求。
发明内容
为解决上述不足，本发明提供了一种基于深度学习的多步多要素风浪预报方法，包括： 获取待分析区域的有效原始数据，以用于提供风浪预报模型的输入数据；确定所述输入数据，以用于风浪预报模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素；构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架，其中，所述深度学习模型框架包括输入层、隐藏层和输出层，所述隐藏层包括两个长短时记忆层和一个重复矢量层，所述深度学习模型框架的超参数包括网络层数、各层神经元数量、学习率和优化器，根据所述输入数据、输出数据构建监督数据集，以获得训练集、验证集和测试集；根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据；根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据。
可选地，所述多个输入要素包括实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量，以及潮位；所述输出数据的目标要素包括有效波高、有效波周期、波向。
可选地，所述短时预测模型包括第一模型和第二模型，其中，所述第一模型的输入数据的多个输入要素包括实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量、潮位，所述第一模型的输出数据的目标要素包括有效波高、有效波周期、波向；所述第二模型的输入数据的多个输入要素包括实测获取的有效波高、有效波周期、波向，所述第二模型的输出数据的目标要素包括有效波高、有效波周期、波向。
可选地，所述训练集中的滑动窗口每次移动的步长设置为1，所述验证集和所述测试集中的滑动窗口每次移动的步长设置为所述输出数据对应的数据序列的长度。
可选地，所述第一模型的输入数据的多个输入要素设置为如下九个输入要素：实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量、潮位；所述第一模型的输出数据的目标要素设置为如下三个目标要素：有效波高、有效波周期、波向。
可选地，所述根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据，包括：
步骤一：设置长时预测目标步长为T，所述第一模型与第二模型的输入序列步长均为m，预测输出序列步长均为n；
步骤二：所述第一模型的九个输入要素历史m步数据为数据i-1，将数据i-1输入第一模型，预测输出数据i-1未来n步的输出数据，所述输出数据设置为数据o-1，将数据o-1存入预测总输出P；
步骤三：拼接数据o-1与数据i-1，确定最近的m步三个目标要素数据为数据i-2；
步骤四：将数据i-2输入第二模型，预测输出数据i-2未来n步的输出数据，所述输出数据设置为数据o-2，将数据o-2存入预测总输出P；
步骤五：判断当前预测总输出P是否小于预测目标步长T，若是，则重复步骤三和步骤四；若否，则输出满足预测目标步长T的预测总输出P。
可选地，所述待分析区域的有效原始数据取自风浪观测点的实测气象数据和水文数据。
使用长短期记忆(Long Short-Term Memory, LSTM)神经网络结构，利用单观测点的多要素实测气象数据与水文数据，构建并训练能预报该站点未来多个时刻有效波高、有效波周期及波向的神经网络模型，能够提高风浪预测效率和精度。
附图说明
以下，通过示例的方式示出本发明的示例性实施例的附图，各附图中使用了相同或相似的附图标记来表示相同或相似的元素。附图中：
图1示出了本发明的本发明的示例性实施例的基于深度学习的多步多要素风浪预报方法的流程图。
图2示出了本发明的示例性实施例的16个实测有效原始数据的相关系数矩阵图。
图3和图4示出了本发明的示例性实施例的监督学习数据集构建方法。
图5示出了本发明的示例性实施例的未来24小时的时序预报结果。
图6示出了本发明的示例性实施例的多步多要素风浪预报方法在验证集上的均方根误差统计图。
图7示出了本发明的示例性实施例的多步多要素风浪预报方法在验证集上的预测效果图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
在本发明中，术语“和/或”旨在涵盖所列元素的所有可能组合和子组合，包括单独列出的元素中的任何一个、任何子组合或所有元素，而不必排除其他元素。除非另有说明，否则术语“第一”、“第二”等用于描述各种元素而不意图限定这些元素的位置关系、时序关系或重要性关系，这种术语只是用于区分一个元素与另一个元素。除非另有说明，否则术语“前、后、上、下、左、右”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述和简化描述，而不能理解为对本发明的保护范围的限制。
对于风浪的预报，传统的物理模型存在着客观不足。例如：风浪的形成过程中存在非线性和随机性，难以用具体的物理公式描述；风浪会受到多种海洋因素的影响，而在建模过程中，需要对部分条件进行假设和简化，导致模型与现实存在差异；物理模型的构建要求研究者具有较高的物理计算水平、较大的海洋知识储备，模型运行过程中的复杂计算也需要高性能的计算机设备，而这些问题会增加研究者的负担和成本。
随着可获取的海洋气象数据的增多和机器学习技术的发展，已经有多种机器学习的技术应用于海洋领域，例如：支持向量机（Support Vector Machine，SVM）、决策（Decision Tree，DT）、人工神经网络（Artificial Neural Network，ANN）等。用机器学习方法构建数据模型计算效率更高，可以节省大量的计算资源。其中，长短时记忆（Long Short-Term Memory，LSTM）神经网络结构技术是研究风浪预测的众多机器学习技术中的一个。相关技术中，还缺乏综合考虑多种影响因素的多变量风浪预报模型。除此以外，相关研究中关于风浪的长时预报（例如24h）的准确度还有待提高。
当代海洋工程中，风浪预报对交通、渔业、资源开发及沿海结构建造和维护至关重要。风浪预报有助于确保船舶和货物的安全运输，减少事故发生，提高港口运输效率。例如：宁波舟山港，其货物吞吐量多年居世界第一。舟山也是重要的渔业区，气候因素引发的自然灾害会给渔民带来巨大危险，运用风浪预报技术可评估风险，制定合理的管理措施，保障渔业生产。此外，舟山海域潮流资源丰富，对风浪变化进行预报，不仅有助于减少沿海地区的人员伤亡及灾害损失，还可以评估开发波浪能等可再生能源，推动实现“碳中和”。
本发明的实施例基于LSTM神经网络结构技术，利用风浪观测点（例如：舟山南部外海单观测点）的多要素实测气象数据与水文数据，构建并训练能预报该站点未来有效波高、有效波周期及波向的神经网络模型，并创造性地提升长时预报的准确度。
图1示意性地示出了本发明的示例性实施例的基于深度学习的多步多要素风浪预报方法的流程图。
S102：获取待分析区域的有效原始数据，以用于提供风浪预报深度学习模型的输入数据。
获取舟山外海南部一观测点预设时间段的16个实测气象数据与水文数据，作为有效原始数据。该16个有效原始数据为：分钟内瞬时风向、1小时内最大10分钟平均风向、1小时内极大风向、ADCP流量、有效波周期、平均波高、分钟内瞬时风速、1小时内最大10分钟平均风速、1小时内极大风速、平均周期、有效波高、波向、波数、谱有效波高、谱平均波周期、峰值能量。
S104：确定所述输入数据，以用于风浪预报模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素。
在一些实施例中，在获得有效原始数据之前，还包括通过对原始数据进行清洗，剔除有效原始数据中的异常值与缺失值。例如，当数据单条缺失时，用下一刻数据进行填充。当数据连续缺失时，剔除该时间段的所有数据。
如图2所示，其示出了该16个实测有效原始数据的相关系数矩阵图。在对实测有效原始数据进行计算转换和缺失数据的剔除之后，计算各要素量的皮尔逊相关系数。由此绘制的相关系数矩阵图如图2所示。首先，与待预报的输出数据的三个目标要素：有效波高、有效波周期及波向相关度较低的分别是：分钟内瞬时风向、1小时内最大10分钟平均风向、1小时内极大风向、ADCP流量四个要素；其次，相关度过高的是：有效波周期和平均波高。对这六个要素予以删除。
由于分钟内瞬时风速、1小时内最大10分钟平均风速、1小时内极大风速三者为强相关重复要素，且数据为每10分钟记录一条，因此在这三者中仅采用1小时内最大10分钟平均风速作为输入要素之一。
其中，使用皮尔逊相关系数计算所有数据的相关性，计算公式为：
其中n为样本数量，、/>均为单一变量，/>与/>是参数的平均值。皮尔逊系数值应在[−1，1]范围内，以用于刻画x与y之间的关系度。通常，通过以下取值范围判断x、y两者的相关程度：
0.8-1.0为极度相关；0.6-0.8为强相关；0.4-0.6为中等程度相关；0.2-0.4为弱相关；0.0-0.2为极弱相关或无相关。正负值则代表两者为正相关或负相关。
最终确定有效波高、有效波周期和波向作为模型的输出数据的目标要素（预测目标），并确定了实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量、潮位共九个输入要素作为深度学习模型的输入数据的输入要素。该九个输入要素同时直接覆盖了风、浪、潮三个方面。
将上述数据进行标准化，再分为训练数据、验证数据与测试数据。标准化方法为：
其中X为样本，u为样本的平均值，s为标准差，Z为标准化样本。划分比例如下表1：
S106：构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架。
深度学习模型框架包括输入层、隐藏层、输出层，隐藏层主要包括两个LSTM层和一个重复矢量（RepeatVector）层，所述深度学习模型框架的超参数包括网络层数、各层神经元数量、学习率和优化器等。
本发明的示例性实施例中1时间步代表1小时，输出步长代表模型单次预报输出的未来时间步长度。以“预测时长3h，输入步长：输出步长=5：1”为例，其表示该模型单次输入的历史数据为15小时多要素时间序列，对应单次输出数据（预测值）为未来3小时的有效波高、有效波周期、波向的时间序列。
下表2为深度学习模型输入序列与输出序列比例设置。
再根据模型的输入数据、输出数据长度划分数据序列并标注对应目标值，构建与模型对应的监督数据集，获得训练集、验证集、测试集。具体构建方式如图3和图4。
如图3和图4所示，其示出了示例性实施例的监督学习数据集构建方法。具体来说，先将完整的训练样本划分为多个子样本，其中每个子样本包含输入数据（深色框）和相应的标注标签（浅色框）。然后，模型将根据大量子样本中的输入序列及其标注的目标值,学习输入到输出的映射关系。为了更充分地学习输入数据之间的关系，需要最大限度地利用训练集。因此，对于训练集，滑动窗口每次移动的步长设置为1（如图3所示）,以实现数据集的充分利用。而对于验证集和测试集，为避免预测结果重复，将滑动窗口每次移动的步长设置为输出数据对应的数据序列的长度（预测序列长度） (如图4所示)。通过这种数据集构建策略，模型可以学习风浪时间序列中的复杂模式，并进行更准确的未来预测。应该理解的是，该实施例中的输入序列包含了九个输入要素的历史时间序列，而输出序列包括有效波高、有效波周期、波向的预报时间序列。
图5示出了未来24小时的时序预报结果。图5中示出了两种预报方法的效果。其中，方法一是根据过去18小时的历史数据预报未来6小时输出要素的模型，该模型进行4次迭代以实现24小时的长时预测；方法二是直接根据过去24小时的历史数据预报未来24小时输出要素的模型，进行未来24小时的预测。两种方法预测结果的对比分析表明，相比直接进行长时预测，采用短时预测模型迭代的策略能够提高长时输出要素预测的准确度。迭代短时预测模型充分利用了近期历史数据中包含的有效信息，同时因预测时间段较短降低了模型误差累积的风险，有利于提升长时预测的整体效果。
通过输入训练集的数据序列及其标注的目标值,训练LSTM模型,学习输入序列到输出标签的映射关系。
在一些实施例中，训练过程中,使用验证集数据评估模型效果,并通过回传误差不断优化模型。评价指标选择均方根误差RMSE，和决定系数，RMSE具体定义如下：
决定系数定义如下：
其中残差平方和定义如下：
总离差平方和定义如下：
其中，
在测试集上评估模型的泛化性能。训练不同输入序列长度与输出序列长度比例的模型进行对比，确定预报效果最好的神经网络模型比例。实验所运行的比例设置如表2。
S108：根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据。
在一些实施例中，对短时预测模型的输出数据进行可视化。
S110：根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据。
选择上述实验中短时预测效果最好的深度学习模型设置为第一模型，其中，设定长时预测目标步长记为T，第一模型的输入序列步长记为m，预测输出序列步长记为n。
仅将有效波高、有效波周期及波向作为输入要素，训练能根据历史m步数据预测未来n步有效波高、有效波周期及波向的神经网络模型，该模型设置为第二模型。第二模型的输入序列步长记为m，预测输出序列步长记为n。
将第一模型的九个输入要素的历史m步数据设置为数据i-1，将数据i-1输入第一模型，预测输出数据i-1未来n步的有效波高、有效波周期及波向，即输出数据的目标要素。输出数据设置为数据o-1。将o-1存入预测总输出P。拼接数据o-1与数据i-1中的有效波高、有效波周期及波向三个输出要素，确定最近的m步目标数据，设置为数据i-2。
将数据i-2输入第二模型，预测输出数据i-2未来n步的输出数据，输出数据设置为数据o-2，将数据o-2存入预测总输出P。
在一些实施例中，还包括：拼接数据o-2与数据i-2，确定最近的m步目标数据，设置为数据i-3。类似地，在一些实施例中，直到将数据o-n存入预测总输出P。
判断当前预测总输出P是否小于预测目标步长T，若是，则重复上述两个步骤；若否，则输出满足预测目标步长T的预测总输出P。
在一些实施例中，对长时预测的最终结果P进行可视化。
图6为多步多要素风浪预报方法在验证集上的均方根误差统计图，图中所示均为预测结果还原至各要素的真实尺度后的计算结果。
图7为输入序列比与输出序列比为3：1时，多步多要素风浪预报方法在验证集上的预测效果图。
本发明的示例性实施例通过舟山一风浪观测点站的历史实测气象数据与水文数据,包括风速、风向、有效波高、有效波周期、波向等多变量资料,以保证训练数据的真实可靠。通过大量实验确定了神经网络的结构及数据划分方法，经过参数优化和足够迭代训练后,得到了稳定和收敛的风浪预报模型。在独立的测试集上,对模型进行了预测效果评估。在输入序列比与输出序列比为3：1的1小时预测中,波高R 2 为0.934，波高RMSE为0.109m；波周期R 2 为0.871，波周期RMSE为0.532s；波方向R 2 为0.482，波方向RMSE为51.432°。
综上,经过系统的训练和测试,比较了短时和长时效果,验证了短时模型直接预测的准确度以及迭代预测的改进效果,可以确定该基于深度学习模型框架的多步多变量风浪预报方法展现了满意的预测效率和精度。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (4)
1.一种基于深度学习的多步多要素风浪预报方法，其特征在于，包括：
获取待分析区域的有效原始数据，以用于提供风浪预报模型的输入数据；
确定所述输入数据，以用于风浪预报模型的输入，其中，所述输入数据包括与风、浪、潮三方面相关的多个输入要素，所述多个输入要素包括实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量，以及潮位；
构建基于长短时记忆网络结构并经超参数调优的深度学习模型框架，其中，
所述深度学习模型框架包括输入层、隐藏层和输出层，所述隐藏层包括两个长短时记忆层和一个重复矢量层，
所述深度学习模型框架的超参数包括网络层数、各层神经元数量、学习率和优化器，
根据所述输入数据、输出数据构建监督数据集，以获得训练集、验证集和测试集；
根据所述训练集、验证集及基于长短时记忆网络结构并经超参数调优的深度学习模型框架训练短时预测模型并输出所述短时预测模型的输出数据，
其中，所述短时预测模型包括第一模型和第二模型，其中，
所述第一模型的输入数据的多个输入要素包括实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量、潮位，所述第一模型的输出数据的目标要素包括有效波高、有效波周期、波向；
所述第二模型的输入数据的多个输入要素包括实测获取的有效波高、有效波周期、波向，所述第二模型的输出数据的目标要素包括有效波高、有效波周期、波向；
根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据；所述输出数据的目标要素包括有效波高、有效波周期、波向。
2.如权利要求1所述的基于深度学习的多步多要素风浪预报方法，其特征在于，所述训练集中的滑动窗口每次移动的步长设置为1，所述验证集和所述测试集中的滑动窗口每次移动的步长设置为所述输出数据对应的数据序列的长度。
3.如权利要求1所述的基于深度学习的多步多要素风浪预报方法，其特征在于，所述第一模型的输入数据的多个输入要素设置为如下九个输入要素：实测获取的有效波高、有效波周期、波向、1小时内最大10分钟平均风速、波数、谱有效波高、谱平均波周期、峰值能量、潮位；所述第一模型的输出数据的目标要素设置为如下三个目标要素：有效波高、有效波周期、波向。
4.如权利要求3所述的基于深度学习的多步多要素风浪预报方法，其特征在于，所述根据所述短时预测模型构建长时预测模型，并输出所述长时预测模型的输出数据，包括：
步骤一：设置长时预测目标步长为T，所述第一模型与第二模型的输入序列步长均为m，预测输出序列步长均为n；
步骤二：所述第一模型的九个输入要素历史m步数据为数据i-1，将数据i-1输入第一模型，预测输出数据i-1未来n步的输出数据，所述输出数据设置为数据o-1，将数据o-1存入预测总输出P；
步骤三：拼接数据o-1与数据i-1，确定最近的m步三个目标要素数据为数据i-2；
步骤四：将数据i-2输入第二模型，预测输出数据i-2未来n步的输出数据，所述输出数据设置为数据o-2，将数据o-2存入预测总输出P；
步骤五：判断当前预测总输出P是否小于预测目标步长T，若是，则重复步骤三和步骤四；若否，则输出满足预测目标步长T的预测总输出P。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252915.7A CN116992781B (zh) | 2023-09-27 | 2023-09-27 | 基于深度学习的多步多要素风浪预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311252915.7A CN116992781B (zh) | 2023-09-27 | 2023-09-27 | 基于深度学习的多步多要素风浪预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992781A CN116992781A (zh) | 2023-11-03 |
| CN116992781B true CN116992781B (zh) | 2023-12-26 |
Family
ID=88523547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311252915.7A Active CN116992781B (zh) | 2023-09-27 | 2023-09-27 | 基于深度学习的多步多要素风浪预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992781B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
| CN115099296A (zh) * | 2022-04-15 | 2022-09-23 | 河北建投海上风电有限公司 | 基于深度学习算法的海浪高度预测方法 |
| CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、系统及应用 |
| CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
-
2023
- 2023-09-27 CN CN202311252915.7A patent/CN116992781B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
| CN115099296A (zh) * | 2022-04-15 | 2022-09-23 | 河北建投海上风电有限公司 | 基于深度学习算法的海浪高度预测方法 |
| CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、系统及应用 |
| CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| A novel model to predict significant wave height based on long short-term memory network;Shuntao Fan 等;Ocean Engineering;第1-13页 * |
| 基于VMD-LSTM 的超短期风向多步预测;李秀昊 等;南方能源建设;第2-11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992781A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | An overview of medium-to long-term predictions of global wave energy resources | |
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| Colak et al. | Multi-time series and-time scale modeling for wind speed and wind power forecasting part I: Statistical methods, very short-term and short-term applications | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
| CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
| CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 | |
| CN103268416A (zh) | 基于stcp-bp的风速预测方法 | |
| CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
| KR20230072219A (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
| CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| CN117290810B (zh) | 基于循环卷积神经网络的短时强降水概率预报融合方法 | |
| Liu et al. | Wind Speed Forecasting Method Based on Deep Learning Strategy Using Long Short Term Memory Neural Network And Transformer Model | |
| CN117471575B (zh) | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
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 |