CN108510132A - 一种基于lstm的海表面温度预测方法 - Google Patents
一种基于lstm的海表面温度预测方法 Download PDFInfo
- Publication number
- CN108510132A CN108510132A CN201810717212.XA CN201810717212A CN108510132A CN 108510132 A CN108510132 A CN 108510132A CN 201810717212 A CN201810717212 A CN 201810717212A CN 108510132 A CN108510132 A CN 108510132A
- Authority
- CN
- China
- Prior art keywords
- sea
- surface temperature
- lstm
- data
- score
- 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
Links
Classifications
-
- 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"
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于LSTM的海表面温度预测方法,包括生成预测模型和预报未来时段海表面温度两部分,该生成预测模型包括:1)对设定经纬度范围内的历史海表面温度数据进行z‑score标准化处理并生成相应的时间列;2)利用时间列和z‑score标准化的历史海表面温度数据训练LSTM模型,时间步长为1(天),输入维度为1,获得基于LSTM的海表面温度预测模型;该预报未来时段海表面温度包括:将z‑score标准化的当日海表面温度数据输入预报模型,设置预测步数,得到未来时段的输出结果,输出维度为1,对输出结果进行反z‑score标准化处理得到海表面温度预测值。本发明能够挖掘数据之间的长短时间依赖关系,更适合学习海表面温度的长周期性变化规律,可取得较好的预测结果。
Description
技术领域
本发明涉及海洋气象预报领域,特别是涉及一种基于LSTM递归神经网络模型的海表面温度预测方法。
背景技术
海表面温度是一种与人类关系比较密切的海洋气象数据,如船舶航行、海洋渔业生产、海上石油平台等生产作业均与海表面温度息息相关,科学合理的海表面温度预测值对于人类海上生产作业具有一定的指导意义。海表面温度的获取,因远离内陆,传统观测手段如浮标等难以全面覆盖,目前主要利用遥感卫星进行反演,因此海表面温度的预测变得相对困难。
LSTM(Long-Short Term Memory)递归神经网络近几年在许多领域均取得了重大突破,该神经网络可以学习时间序列数据之间的长短依赖关系,对于输入数据自主学习历史数据对预测数据的贡献,特别是该神经网络克服了其他神经网络无法长时间学习的缺点,更适合挖掘事件的长周期性变化规律。现有的神经网络模型较为复杂,需运用多种神经网络,才可实现海表面温度预测,并未出现单独使用LSTM递归神经网络***进行海表面温度预测的方法,且海温预报精度标准一般在0.8℃左右,预报精度较低。
发明内容
本发明提供一种基于LSTM的海表面温度预测方法,解决了现有技术中海表面温度预测精度不高的技术问题。
为了解决上述问题,本发明采用如下技术方案:
包括如下步骤:步骤A生成预测模型;步骤B预报未来时段海表面温度;
所述步骤A包括如下步骤:
A1提取海洋环境数据,利用全球现有的遥感卫星数据,反演出海洋表面温度SST数据,精度为15′×15′、每天;
A2提取时间列,根据历史SST数据,将第一次提取SST的时间设为1,下一自然天为2,依次类推,按照自然天顺利逐次加1,生成时间列;
A3将步骤A1获得的历史SST数据进行z-score标准化处理,将步骤A2获得的时间列和z-score标准化的历史SST作为LSTM模型的输入数据,输入维度为1;
A4搭建并训练步骤A3所得的LSTM模型,不断调整参数,择优选取参数获得基于LSTM的海表面温度预测模型;
所述步骤B包括如下步骤:
B1将当日SST数据进行与步骤A3所用的z-score标准化方法处理,将当日的时间列和标准化的SST数据属入渔场预报模型,设置预测参数,得到未来时段的输出结果,输出维度为1;
B2对B1得到的输出结果进行反z-score标准化处理,所述反z-score标准化方法和步骤A3中z-score标准化相对应,处理得到未来时段的SST预测值,预测精度为15′×15′、每天。
作为进一步地优选,所述步骤A4包括如下:
A41:在linux***下搭建LSTM模型;
A42:设置LSTM的输入维度和输入数据的时间步长;
A43:设置LSTM输入数据读取批次规模和窗口长度;
A44:设置LSTM模型优化器和学习速率;
A45:设置隐层神经节点数;
A46:设置模型迭代次数;
A47:不断调整参数,以模型损失查看模型收敛程度,择优选取高收敛度参数,形成基于LSTM的渔场预测模型。
本发明的有益效果是本发明提供的一种基于LSTM的海表面温度预测方法是基于时间序列挖掘海表面温度数据的长期变动规律,可取得较好的模拟预测效果,预测精度高。
附图说明
图1是本发明海表面温度预测流程图;
图2是LSTM递归神经网络单元状态控制图;
图3是LSTM递归神经网络结构图;
图4是LSTM海表面温度预测模型在45° 7′ 30″ N,155° 7′ 30″ E海域海表面温度模拟预测效果图。
具体实施方式
下面将结合附图和具体举例对本发明加以详细说明,应指出的是,以下所描述的例子仅为更方便理解本发明,对发明本身不起任何限定作用。
本发明给出的一种基于LSTM的海表面温度预测方法,如图1所示,该方法包括步骤A生成预测模型和步骤B预测未来时段的海表面温度两步。
步骤A生成预测模型:
步骤A1、提取海洋环境数据:利用全球现有的遥感卫星数据,反演出海洋表面温度SST数据,精度为15′×15′(经度×纬度)、每天;
步骤A2、提取时间列:根据历史SST数据,将第一次提取SST的时间(自然天)设为1,下一自然天为2,依次类推,按照自然天顺序逐次加1,生成时间列;
步骤A3、对步骤A1获得的历史SST进行z-score标准化处理,将时间列和z-score标准化的SST作为LSTM模型输入数据,输入维度为1;
步骤A31:提取15′×15′范围内历史SST的均值和标准差。
步骤A32:使用z-score标准化方法对历史SST进行标准化处理,z-score标准化公式为:
x′=(x-μ)/σ (1)
其中,x′为x的z-score标准化值,μ为x数组均值,σ为x数组标准差。
步骤A4、搭建并训练LSTM模型,通过不断调整参数,以模型收敛度为标准择优选取参数获得基于LSTM的预测模型;
步骤B预测未来时段的海表面温度包括:
步骤B1、将当日SST数据和步骤A3中一致的z-score标准化方法进行处理,将当日的时间列和标准化的SST输入步骤A4获得的海表面温度预测模型,设置预测步数,得到未来时段的输出结果,输出维度为1;LSTM模型可利用当前t时刻数据预测未来t+1时刻数据。历史数据主要用来训练模型,是一段时间序列的数据,当日数据则是用来预测未来,是当前这一时刻的数据。通常当日数据包含在历史数据内,但不包含在内时也可预测。
步骤B2、对模型输出结果反z-score标准化处理,反z-score标准化方法和步骤A3中z-score标准化方法相对应,处理得到未来时段的SST预测值,预测精度为15′×15′、每天;
步骤A4进一步包括以下内容:
步骤A41:在linux***下搭建LSTM模型;
步骤A42:设置LSTM的输入维度和输入数据的时间步长。本发明中输入维度为1,时间步长为1(天);
步骤A43:设置LSTM输入数据读取批次规模和窗口长度。即在模型训练时采用批(batch)处理方式读取数据,在输入数据中随机选取窗口长度(window size)的序列,并包装成批次规模(batch size)的批数据。即一个batch内共有batchsize个序列,每个序列的长度为windowsize。批次规模和窗口大小的设定主要是为平衡计算机内存大小和运算效率,与计算机本身运算性能有关;
步骤A44:设置LSTM模型优化器和学习速率。本方法采用Adam算法优化器,学习速率为0.001;
步骤A45:设置隐层神经节点数;
步骤A46:设置模型迭代次数;
步骤A47:在同一迭代次数下调整隐层神经节点数、在同一隐层神经节点数下调整迭代次数,以模型整体损失和迭代损失查看模型收敛程度,择优选取高收敛度参数,形成基于LSTM的海表面温度预测模型。
LSTM递归神经网络单元状态控制如图2所示。LSTM的核心在于控制单元状态c,控制包括遗忘门ft、输入门it、输出门ot。当前t时刻,遗忘门ft负责控制上一时刻的ct-1有多少保存到当前时刻的ct;输入门it负责控制当前时刻的即时状态有多少输入到当前单元状态ct;输出门ot负责控制当前单元状态ct有多少作为当前时刻的隐层输出ht。其计算公式分别为:
ft=σ(wf·[xt,ht-1]+bf) (2)
it=σ(wi·[xt,ht-1]+bi) (3)
ot=σ(wo·[xt,ht-1]+bo) (4)
其中,wf、wi、wo分别是遗忘门、输入门和输出门的权重矩阵,bf、bi、bo分别是遗忘门、输入门和输出门的偏置项,σ为sigmoid函数
LSTM递归神经网络结构如图3所示。LSTM的输入包括:上一时刻的单元状态ct-1、上一时刻LSTM隐层输出值ht-1、当前t时刻网络的输入值xt;LSTM的输出包括:当前时刻的单元状态ct和当前时刻LSTM的隐层输出值ht。
其中,当前输入单元状态由当前t时刻网络的输入xt、上一时刻LSTM隐层输出值ht-1共同决定,其计算公式为:
其中,wc是输入单元状态的权重矩阵,bc是输入单元状态的偏置项,tanh为双曲正切函数
当前单元状态ct由遗忘门ft、上一时刻单元状态ct-1、输入门it和当前输入的单元状态共同决定,其计算公式为:
其中,符号⊙表示按元素乘。
当前时刻LSTM的隐层输出值ht由输出门ot与当前单元状态ct共同决定,其计算公式为:
ht=ot⊙tanh(ct) (7)
而LSTM神经网络输出 其计算公式为:
本发明中采用均方误差(MSE)作为损失函数(loss),其计算公式为:
其中,N为样本数,x为观察值,x′为预测值。
实验例
下面将举例说明基于LSTM的海表面温度预测方法效果。以45°7′ 30″ N,155°7′30″ E为中心的15′×15′范围海域为例,该海域位于西北太平洋,本身受黑潮暖流和亲潮寒流共同影响,在西北太平洋秋刀鱼渔场范围内,具有一定代表意义。
提取上述范围内的历史SST数据,时间范围为1982-01-01至2015-12-31,共计34年12418天,其中可用数据12418天,并根据历史SST时间生成对应的时间列,如表1所示。
表1 45°7′ 30″ N,155°7′ 30″E海域历史SST数据
序号 | 时间 | 时间列 | SST/℃ |
1 | 19820101 | 1 | 3.36 |
2 | 19820102 | 2 | 3.48 |
3 | 19820103 | 3 | 3.57 |
4 | 19820104 | 6 | 3.52 |
5 | 19820105 | 8 | 3.31 |
6 | 19820106 | 9 | 3.00 |
7 | 19820107 | 11 | 3.04 |
… | … | … | … |
998 | 19840924 | 998 | 13.38 |
999 | 19840925 | 999 | 13.39 |
1000 | 19840926 | 1000 | 13.31 |
… | … | … | … |
12417 | 20151230 | 12417 | 3.50 |
12418 | 20151231 | 12418 | 3.36 |
对SST进行z-score标准化处理。历史SST数据的均值为6.459004℃,标准差为4.248163,将时间列和z-score标准化的SST作为LSTM模型的输入,输入数据如表2所示。
表2 LSTM模型输入数据
设批次规模为12,窗口长度为30。在迭代300次情况下,不断调整隐层节点数,以模型整体损失查看LSTM海表面温度预测模型收敛度,结果如表3所示。
表3不同隐层节点数时LSTM整体损失
由表3可以看出,当隐层节点数在300以上时,LSTM模型整体损失开始趋于稳定。当隐藏层节点数为400时整体损失最低,为0.00054356。
设隐层节点数为400,迭代2500次查看不同迭代次数下LSTM模型收敛情况,以该次迭代损失查看LSTM海表面温度预测模型收敛度,结果如表4所示。
表4不同迭代次数时的该次迭代损失
由表4可以看出,隐层节点数为400情况下,当迭代次数大于300次时迭代损失已趋于稳定。其中迭代次数为601时,迭代损失最小,为0.00130815。
需要注意的是,LSTM模型每次训练时收敛方向不一致,导致每次运行结果都略有差异,但差异不大,其整体收敛趋势是一致的。将LSTM隐藏层神经节点数设为400、迭代600次进行训练,设置预测步数为7,即预测未来一周的SST数据,模型模拟预测效果如图4所示,其中黑色代表SST真实值,绿色代表SST模拟值,红色代表SST预测值。模拟值就是基于已有的真实数据,建立LSTM模型后对已有数据的模拟,模拟值与真实值重合度越高说明模型模拟效果越好。本实验例中,模拟值与真实值高度重合,取得了较好的模拟效果,基于高度重合原因,采用彩色绘制图片以显示模型效果。结果显示模型整体损失为0.00041835,SST模拟精度为94.72%,模型输出结果为[-0.7402,-0.7501,-0.7590,-0.7680,-0.7773,-0.7865,-0.7958],反z-score标准化处理后得到未来一周即2016-01-01日至2016-01-07日的海表面温度预测值分别为3.3145℃,3.2724℃,3.2346℃,3.1964℃,3.1569℃,3.1178℃,3.0783℃。根据已有卫星数据,该周SST真实值分别为3.36℃,3.24℃,3.11℃,3.16℃,3.23℃,3.01℃,2.89℃,得到未来一天、三天、五天、一周的预测精度分别为98.64%、97.88%、98.04%、97.16%。
需要注意的是,当预测步数大于等于2时,第t+2时刻(当前时刻为t)的预测值是在第t+1时刻预测值的基础上进行预测的,但第t+1时刻尚未发生、缺少真实值,因此预测步数越长,预测误差越大。海表面温度本身变化规律性强,本发明中利用LSTM模型预测未来7天海表面温度值依然能保持较高精度。
以上所述,仅为本发明的具体实施方式进行举例说明,但本发明的保护范围并不局限于此,基于LSTM的任何海洋地理位置的海表面温度预测,都应涵盖在本发明的范围之内。
Claims (2)
1.一种基于LSTM的海表面温度预测方法,其特征在于,包括如下步骤:步骤A生产预测模型;步骤B预报未来时段海表面温度;
所述步骤A包括如下步骤:
A1提取海洋环境数据,利用全球现有的遥感卫星数据,反演出海洋表面温度SST数据,精度为15′×15′、每天;
A2提取时间列,根据历史SST数据,将第一次提取SST的时间设为1,下一自然天为2,依次类推,按照自然天顺利逐次加1,生成时间列;
A3将步骤A1获得的历史SST数据进行z-score标准化处理,将步骤A2获得的时间列和z-score标准化的历史SST作为LSTM模型的输入数据,输入维度为1;
A4搭建并训练步骤A3所得的LSTM模型,不断调整参数,择优选取参数获得基于LSTM的海表面温度预测模型;
所述步骤B包括如下步骤:
B1将当日SST数据进行与步骤A3所用的z-score标准化方法处理,将当日的时间列和标准化的SST数据属入渔场预报模型,设置预测参数,得到未来时段的输出结果,输出维度为1;
B2对B1得到的输出结果进行反z-score标准化处理,所述反z-score标准化方法和步骤A3中z-score标准化相对应,处理得到未来时段的SST预测值,预测精度为15′×15′、每天。
2.根据权利要求2所述的一种基于LSTM的海表面温度预测方法,其特征在于,所述步骤A4包括如下:
A41:在linux***下搭建LSTM模型;
A42:设置LSTM的输入维度和输入数据的时间步长;
A43:设置LSTM输入数据读取批次规模和窗口长度;
A44:设置LSTM模型优化器和学习速率;
A45:设置隐层神经节点数;
A46:设置模型迭代次数;
A47:不断调整参数,以模型损失查看模型收敛程度,择优选取高收敛度参数,形成基于LSTM的渔场预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810717212.XA CN108510132A (zh) | 2018-07-03 | 2018-07-03 | 一种基于lstm的海表面温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810717212.XA CN108510132A (zh) | 2018-07-03 | 2018-07-03 | 一种基于lstm的海表面温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108510132A true CN108510132A (zh) | 2018-09-07 |
Family
ID=63404117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810717212.XA Pending CN108510132A (zh) | 2018-07-03 | 2018-07-03 | 一种基于lstm的海表面温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510132A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及*** |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN109655828A (zh) * | 2018-12-18 | 2019-04-19 | 中国人民解放军国防科技大学 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警*** |
CN109978279A (zh) * | 2019-04-10 | 2019-07-05 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN110197307A (zh) * | 2019-06-03 | 2019-09-03 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及*** |
CN113063737A (zh) * | 2021-03-26 | 2021-07-02 | 福州大学 | 结合遥感与浮标数据的海洋热含量遥感反演方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN116822710A (zh) * | 2023-05-24 | 2023-09-29 | 国家海洋环境预报中心 | 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106598917A (zh) * | 2016-12-07 | 2017-04-26 | 国家***第二海洋研究所 | 一种基于深度信念网络的上层海洋热结构预测方法 |
CN107330541A (zh) * | 2017-05-22 | 2017-11-07 | 上海海洋大学 | 一种中西太平洋鲣鱼中心渔场预报方法 |
CN107544904A (zh) * | 2017-08-21 | 2018-01-05 | 哈尔滨工程大学 | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
US20180166066A1 (en) * | 2016-12-14 | 2018-06-14 | International Business Machines Corporation | Using long short-term memory recurrent neural network for speaker diarization segmentation |
-
2018
- 2018-07-03 CN CN201810717212.XA patent/CN108510132A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN106096767A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院自动化研究所 | 一种基于lstm的路段行程时间预测方法 |
CN106598917A (zh) * | 2016-12-07 | 2017-04-26 | 国家***第二海洋研究所 | 一种基于深度信念网络的上层海洋热结构预测方法 |
US20180166066A1 (en) * | 2016-12-14 | 2018-06-14 | International Business Machines Corporation | Using long short-term memory recurrent neural network for speaker diarization segmentation |
CN107330541A (zh) * | 2017-05-22 | 2017-11-07 | 上海海洋大学 | 一种中西太平洋鲣鱼中心渔场预报方法 |
CN107544904A (zh) * | 2017-08-21 | 2018-01-05 | 哈尔滨工程大学 | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
Non-Patent Citations (3)
Title |
---|
QIN ZHANG等: "Prediction of Sea Surface Temperature Using Long Short-Term Memory", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
王鑫等: "基于LSTM循环神经网络的故障时间序列预测", 《北京航空航天大学学报》 * |
陆泽楠等: "基于 LSTM 神经网络模型的钢铁价格预测", 《科技视界》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及*** |
CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
CN109472396B (zh) * | 2018-10-17 | 2023-06-20 | 成都卡普数据服务有限责任公司 | 基于深度网络学习的山火预测方法 |
CN109708689A (zh) * | 2018-11-14 | 2019-05-03 | 沈阳理工大学 | 基于改进长短时记忆神经网络的连锁药店温湿度预警*** |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN109655828B (zh) * | 2018-12-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
CN109655828A (zh) * | 2018-12-18 | 2019-04-19 | 中国人民解放军国防科技大学 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
CN109978279A (zh) * | 2019-04-10 | 2019-07-05 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN109978279B (zh) * | 2019-04-10 | 2023-05-02 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN110197307A (zh) * | 2019-06-03 | 2019-09-03 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及*** |
CN111829693B (zh) * | 2020-07-30 | 2021-10-22 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及*** |
CN113063737A (zh) * | 2021-03-26 | 2021-07-02 | 福州大学 | 结合遥感与浮标数据的海洋热含量遥感反演方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN116822710A (zh) * | 2023-05-24 | 2023-09-29 | 国家海洋环境预报中心 | 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备 |
CN116822710B (zh) * | 2023-05-24 | 2024-07-12 | 国家海洋环境预报中心 | 珊瑚礁白化热点预测方法、钙化速率预测方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510132A (zh) | 一种基于lstm的海表面温度预测方法 | |
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
Song et al. | Predicting TEC in China based on the neural networks optimized by genetic algorithm | |
CN108665104A (zh) | 一种基于lstm的渔场预报方法 | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
Thibaud et al. | Threshold modeling of extreme spatial rainfall | |
Rees et al. | Evolving integral projection models: evolutionary demography meets eco‐evolutionary dynamics | |
US20190230913A1 (en) | Method of Predicting Central Fishing Ground of Flying Squid Family Ommastrephidae | |
CN109978279B (zh) | 海洋表面温度区域预测方法 | |
CN110322009A (zh) | 基于多层卷积长短时记忆神经网络的图像预测方法 | |
CN112651665A (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
CN104809479A (zh) | 基于支持向量机的鱼类栖息地适宜性指数建模方法 | |
WO2006120724A1 (ja) | ニューラルネットワークを用いた地理情報システム | |
CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
CN110765694B (zh) | 一种基于简化型浅水方程组的城市地表水流数值模拟方法 | |
Maddu et al. | Short-range reservoir inflow forecasting using hydrological and large-scale atmospheric circulation information | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
CN111027249A (zh) | 一种基于机器学习的井间连通性评价方法 | |
Fix et al. | Simultaneous autoregressive models for spatial extremes | |
CN112183721B (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
CN114818128B (zh) | 船体局部曲面优化神经网络建模方法及优化方法 | |
CN110648030A (zh) | 海水温度的预测方法及装置 | |
Gerey et al. | Groundwater Single‐and Multiobjective Optimization Using Harris Hawks and Multiobjective Billiards‐Inspired Algorithm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180907 |