CN111199270A - 一种基于深度学习的区域波高预报方法及终端 - Google Patents

Abstract

本发明公开一种基于深度学习的区域波高预报方法及终端，获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；将所述数据划分为训练数据和测试数据；利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报；将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

Description

一种基于深度学习的区域波高预报方法及终端

技术领域

本发明涉及海洋预报领域，尤其涉及一种基于深度学习的区域波高预报方法及终端。

背景技术

波浪高度对于海上养殖、海事搜救、海运和海洋工程等海洋活动，是十分重要的因素，同时对海上军事演习、舰队航行、海洋维权等军事行动也有非常实用的价值。一直以来，波高预报都是海洋科学中的热点和难点问题。由于波高是一种十分复杂的物理现象，其物理机制的研究尚未取得突破性进展，至今仍没有理论上严密和完善的波高预报方法。

当前波高预报的方法主要有两类，一类是数值预报模型，基于波浪生成与耗散物理过程的数值模型，如SWAN、WAM、Wave WatchⅢ等。另一类是采用人工神经网络(neuralnetworks，NN)方法，利用以往的气象、波浪资料或浮标的实时或准实时数据经验建立模型，用人工智能的方式进行波高预报。数值模型要求对波浪生成的物理机制,尤其是要对影响波高各个主要因素及其运行机制有深入的了解，把各主要输入因素作为数值模型的输入项，通过计算机模拟的方式，预测未来时刻的波高,但是由于当前人们对波浪生成物理机制认识水平的限制,长期来看无法准确模拟波浪的变化。而神经网络等人工智能的方法具有较好的自适应学习和非线性映射能力，比较适合应用于波高预报中。仅有的一些区域预报的资料中，大多使用简单结构的神经网络进行区域波高预报，没有深入研究神经网络结构和波高预测之间的深层次关联，忽略了已有的波高物理机制的研究成果，没有考虑到其独特时空特性，预报效果差强人意。

发明内容

本发明所要解决的技术问题是：提供一种基于深度学习的区域波高预报方法及终端，提高区域波高预报的精度。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种基于深度学习的区域波高预报方法，包括步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种基于深度学习的区域波高预报终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

本发明的有益效果在于：采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

附图说明

图1为本发明实施例的一种基于深度学习的区域波高预报方法的步骤流程图；

图2为本发明实施例的一种基于深度学习的区域波高预报终端的结构示意图；

图3为本发明实施例的LSTM层的结构示意图；

图4为本发明实施例的LSTM层中神经元细胞的内部结构示意图；

标号说明：

1、一种基于深度学习的区域波高预报终端；2、存储器；3、处理器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，一种基于深度学习的区域波高预报方法，包括步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

从上述描述可知，本发明的有益效果在于：采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

进一步的，所述步骤S1和S2之间还包括步骤：

对获取的数据进行预处理；

所述预处理包括：

当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；

当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。

由上述描述可知，通过对数据的预处理，将缺失严重的数据直接剔除，对于个别时间点上缺失的数据用其前后时间点对应的数据的均值填充，保证了进行训练和测试的数据的准确性，能够进一步提高区域报告预报的精度。

进一步的，所述步骤S3中LSTM层的方程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，f_t、i_t、o_t分别代表遗忘门、输入门和输出门，W_f、W_i、W_o分别是遗忘门、输入门和输出门的权重参数，b_f、b_i、b_o分别是遗忘门、输入门、输出门的偏置项，b_f是计算

时的偏置项，C_t-1、C_t分别是上一个时刻跟当前时刻的神经元细胞状态，h_t-1、h_t分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，x_t表示输入数据。

进一步的，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：

将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；

将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；

根据所述第一预测值和所述第一输出数据计算损失函数f_lost：

式中，y为所述第一输出数据，

为所述第一预测数据，n为输入数据的批次数；

根据所述损失函数f_lost对所述神经网络的参数进行调整，得到不同的神经网络模型。

由上述描述可知，通过将训练数据分为输入数据和对应输出数据，将输入数据经过神经网络后得到的预测数据与输出数据进行比对，计算损失函数，并通过损失函数对神经网络的参数进行调整以得到不同的神经网络模型，能够保证训练出的神经网络模型的可靠性。

进一步的，所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：

将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；

将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；

将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型。

由上述描述可知，通过训练数据训练出不同的神经网络模型之后，再通过测试数据进行测试以选出预测效果最好的神经网络模型，通过训练与测试相结合，能够保证最终确定出来的神经网络模型的适配性，进一步提高区域波高预报的准确性。

请参照图2，一种基于深度学习的区域波高预报终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

从上述描述可知，本发明的有益效果在于：采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

进一步的，所述步骤S1和S2之间还包括步骤：

对获取的数据进行预处理；

所述预处理包括：

当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；

当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。

由上述描述可知，通过对数据的预处理，将缺失严重的数据直接剔除，对于个别时间点上缺失的数据用其前后时间点对应的数据的均值填充，保证了进行训练和测试的数据的准确性，能够进一步提高区域报告预报的精度。

进一步的，所述步骤S3中LSTM层的方程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，f_t、i_t、o_t分别代表遗忘门、输入门和输出门，W_f、W_i、W_o分别是遗忘门、输入门和输出门的权重参数，b_f、b_i、b_o分别是遗忘门、输入门、输出门的偏置项，b_f是计算

时的偏置项，C_t-1、C_t分别是上一个时刻跟当前时刻的神经元细胞状态，h_t-1、h_t分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，x_t表示输入数据。

进一步的，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：

将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；

将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；

根据所述第一预测值和所述第一输出数据计算损失函数f_lost：

式中，y为所述第一输出数据，

为所述第一预测数据，n为输入数据的批次数；

根据所述损失函数f_lost对所述神经网络的参数进行调整，得到不同的神经网络模型。

由上述描述可知，通过将训练数据分为输入数据和对应输出数据，将输入数据经过神经网络后得到的预测数据与输出数据进行比对，计算损失函数，并通过损失函数对神经网络的参数进行调整以得到不同的神经网络模型，能够保证训练出的神经网络模型的可靠性。

进一步的，所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：

将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；

将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；

将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型。

由上述描述可知，通过训练数据训练出不同的神经网络模型之后，再通过测试数据进行测试以选出预测效果最好的神经网络模型，通过训练与测试相结合，能够保证最终确定出来的神经网络模型的适配性，进一步提高区域波高预报的准确性。

实施例一

请参照图1，一种基于深度学习的区域波高预报方法，包括步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

其中，数据来源于数值模式产生的数，包括区域波高、气压、气温以及风场纬度分量u和风场经度分量v，并且以上数据均是区域上所有格点的数据，而非某个点上的单点数据；

在获取到上述数据后，对数据进行数据标准化预处理，包括噪音数据过滤、归一化等处理；

其中，噪音数据的过滤包括对缺失数据的剔除和填充，具体的：

当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；

当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据；

S2、将所述数据划分为训练数据和测试数据；

具体的，按一定比例将预处理后的数据进行划分，一部分作为训练数据，另一部分作为测试数据，其中，比例可以根据实际情况需要进行设定，可选的，为8:2，训练数据80％，测试数据20％；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

步骤S3中LSTM层的方程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，f_t、i_t、o_t分别代表遗忘门、输入门和输出门，W_f、W_i、W_o分别是遗忘门、输入门和输出门的权重参数，b_f、b_i、b_o分别是遗忘门、输入门、输出门的偏置项，b_f是计算

时的偏置项；C_t-1、C_t分别是上一个时刻跟当前时刻的神经元细胞状态，h_t-1、h_t分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，x_t表示输入数据，[h_t-1,x_t]表示由h_t-1和x_t组成的数组；

其中，LSTM层的激活函数使用tanh函数，卷积层的激活函数使用relu函数；

具体的，LSTM网络的结构示意图如图3所示，图4为图3中神经元细胞的内部结构示意图；

卷积层的计算公式如下：

卷积层计算公式：假定第l层是卷积层，第l-1层是输入层，用x^l-1表示，将第l层中第j个卷积核对应的权重矩阵用

表示，卷积核

对应的偏置用

表示，卷积层计算得到的第j个特征图用

表示，则卷积计算公式如下：

其中，f表示激活函数，M_j表示卷积核的个数；LSTM层的方程中的x_t即为卷积层的输出；

具体的，所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：

将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；

将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；

具体的，将气压、气温以及风场分量u、v当成多通道数据作为神经网络的输入数据，输出数据则是预测区域对应的所有网格点的波高数据；

根据所述第一预测值和所述第一输出数据计算损失函数f_lost：

式中，y为所述第一输出数据，

为所述第一预测数据，n为输入数据的批次数；

根据所述损失函数f_lost对所述神经网络的参数进行调整，得到不同的神经网络模型；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报；

所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：

将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；

将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；

将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型；

优选的，由于深度学习网络模型的计算量大，连接层参数众多，将一个深度学习网络的计算通过多GPU调度的方式来并行执行，通过数据并行和算法模型并行流水线的方式来加速模型训练，快速得到训练结果。

实施例二

请参照图2，一种基于深度学习的区域波高预报终端1，包括存储器2、处理器3及存储在存储器2上并可在处理器3上运行的计算机程序，所述处理器3执行所述计算机程序时实现实施例一中的各个步骤。

综上所述，本发明提供的一种基于深度学习的区域波高预报方法及终端，先通过训练数据训练得到不同的神经网络模型，再通过测试数据对不同的神经网络模型进行测试，确定最佳的神经网络模型，并采用叠加了LSTM层与卷积层的神经网络架构进行区域波高的预报，因为区域波高数据既有时间上的关系又有空间上的关系，因此神经网络在训练的过程中需要同时学习到这两种关系，而LSTM是长短期记忆网络，擅长于处理具有时间依赖关系的数据，而卷积神经网络则在区域特征的提取方面有很好的表现，并利用空间关系减少需要学习的参数数目，提高深度学习网络模型的训练性能。因此，将LSTM层与卷积层叠加在一起不仅能得到数据的时序关系，还能够提取空间特征，这样就能够学习到波高数据的时空特征，从而提高区域波高预报的精度。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于深度学习的区域波高预报方法，其特征在于，包括步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

2.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S1和S2之间还包括步骤：

对获取的数据进行预处理；

所述预处理包括：

当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；

当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。

3.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S3中LSTM层的方程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，f_t、i_t、o_t分别代表遗忘门、输入门和输出门，W_f、W_i、W_o分别是遗忘门、输入门和输出门的权重参数，b_f、b_i、b_o分别是遗忘门、输入门、输出门的偏置项，b_f是计算

时的偏置项，C_t-1、C_t分别是上一个时刻跟当前时刻的神经元细胞状态，h_t-1、h_t分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，x_t表示输入数据。

4.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：

将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；

将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；

根据所述第一预测值和所述第一输出数据计算损失函数f_lost：

式中，y为所述第一输出数据，

为所述第一预测数据，n为输入数据的批次数；

根据所述损失函数f_lost对所述神经网络的参数进行调整，得到不同的神经网络模型。

5.根据权利要求1所述的一种基于深度学习的区域波高预报方法，其特征在于，所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：

将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；

将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；

将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型。

6.一种基于深度学习的区域波高预报终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

S1、获取预设时间段内数值模式产生的数据，所述数据包括区域波高、气压、气温以及风场分量；

S2、将所述数据划分为训练数据和测试数据；

S3、利用所述训练数据对神经网络进行训练，得到不同的神经网络模型，所述神经网络包括输入层、隐藏层和输出层，所述隐藏层包括LSTM层和卷积层；

S4、利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型，根据所述预测效果最好的神经网络模型对待预测时间内的区域波高进行预报。

7.根据权利要求6所述的一种基于深度学习的区域波高预报终端，其特征在于，所述步骤S1和S2之间还包括步骤：

对获取的数据进行预处理；

所述预处理包括：

当连续预设个数的数据缺失时，将缺失的数据对应的时间段的数据剔除；

当单个时间点上的数据缺失时，使用缺失的数据对应的时间点前、后时间点对应的数据的均值填充所述缺失的数据。

8.根据权利要求6所述的一种基于深度学习的区域波高预报终端，其特征在于，所述步骤S3中LSTM层的方程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，f_t、i_t、o_t分别代表遗忘门、输入门和输出门，W_f、W_i、W_o分别是遗忘门、输入门和输出门的权重参数，b_f、b_i、b_o分别是遗忘门、输入门、输出门的偏置项，b_f是计算

时的偏置项，C_t-1、C_t分别是上一个时刻跟当前时刻的神经元细胞状态，h_t-1、h_t分别是上一时刻与当前时刻的输出，σ采用的是tanh函数，x_t表示输入数据。

9.根据权利要求6所述的一种基于深度学习的区域波高预报终端，其特征在于，所述步骤S3中所述利用所述训练数据对神经网络进行训练，得到不同的神经网络模型包括：

将所述训练数据分为第一输入数据和第一输出数据，第一输入数据包括气压、气温以及风场分量，第一输出数据包括与第一输入数据对应的实际的区域波高；

将所述第一输入数据输入神经网络，得到通过神经网络预测的第一预测数据，所述第一预测数据包括预测的区域波高；

根据所述第一预测值和所述第一输出数据计算损失函数f_lost：

式中，y为所述第一输出数据，

为所述第一预测数据，n为输入数据的批次数；

根据所述损失函数f_lost对所述神经网络的参数进行调整，得到不同的神经网络模型。

10.根据权利要求6所述的一种基于深度学习的区域波高预报终端，其特征在于，所述步骤S4中利用所述测试数据对所述不同的神经网络模型进行测试，确定预测效果最好的神经网格模型包括：

将所述测试数据分为第二输入数据和第二输出数据，第二输入数据包括气压、气温以及风场分量，第二输出数据包括与第二输入数据对应的实际的区域波高；

将所述第二输入数据分别输入所述不同的神经网络模型进行测试，得到对应的第二预测数据，所述第二预测数据包括预测的区域波高；

将不同的神经网络模型预测得到的第二预测数据分别与所述第二输出数据进行比较，将与所述第二输出数据差距最小的第二预测数据对应的神经网络模型确定为预测效果最好的神经网格模型。

Images