CN111753461B - 潮汐水位修正方法、目标余水位获取方法、装置和设备 - Google Patents
潮汐水位修正方法、目标余水位获取方法、装置和设备 Download PDFInfo
- Publication number
- CN111753461B CN111753461B CN202010396754.9A CN202010396754A CN111753461B CN 111753461 B CN111753461 B CN 111753461B CN 202010396754 A CN202010396754 A CN 202010396754A CN 111753461 B CN111753461 B CN 111753461B
- Authority
- CN
- China
- Prior art keywords
- water level
- residual water
- target data
- data
- prediction model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 455
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012937 correction Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 129
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 62
- 230000001932 seasonal effect Effects 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 18
- 230000007613 environmental effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002352 surface water Substances 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental Sciences (AREA)
- Marketing (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Ecology (AREA)
- Fluid Mechanics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Hydrology & Water Resources (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本申请涉及一种潮汐水位修正方法、目标余水位获取方法、装置和设备。所述方法包括:获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。采用本方法能够提高输出的目标余水位的准确度。
Description
技术领域
本申请涉及海洋科学技术领域,特别是涉及一种潮汐水位修正方法、目标余水位获取方法、装置和设备。
背景技术
余水位是指天气因素、季节气候因素引起的海面水位变化量,可根据实测水位中去除天文潮位和平均海面后得到。
余水位预测有利于对海洋潮汐水位的精确预测,而现有技术中对余水位的预测往往不够准确,进而影响潮汐水位的预测精度,为后续根据潮汐水位进行的海洋工程建设、海洋科学研究造成很大困难。
发明内容
基于此,有必要针对上述技术问题,提供一种潮汐水位修正方法、目标余水位获取方法、装置和设备。
一种目标余水位获取方法,所述方法包括:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
一种潮汐水位修正方法,所述方法包括:
获取根据上述目标余水位获取方法得到的目标余水位;
根据所述目标余水位对初始潮汐水位进行修正,得到修正潮汐水位。
一种余水位获取装置,所述装置包括:
数据获取模块,用于获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
目标预测模块,用于将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
上述潮汐水位修正方法、目标余水位获取方法、装置和设备,所述目标余水位获取方法包括:获取对待测流域的余水位有影响的目标数据类型的环境数据作为当前目标数据,将所述当前目标数据输入经所述目标数据类型的历史目标数据与实际余水位训练得到的余水位预测模型,进行余水位预测,得到所述当前目标数据对应时间段的目标余水位。由于目标数据类型的环境数据对余水位的变化有影响,因此采用历史目标数据和实际余水位训练得到进行余水位预测的余水位预测模型,可根据输入数据准确得到目标余水位,并且所述余水位预测模型是基于实测数据的神经网络模型,可准确反映输入数据与输出数据之间的关系,进一步提高了输出的目标余水位的准确度。
附图说明
图1为一个实施例中目标余水位获取方法的应用环境图;
图2为一个实施例中目标余水位获取方法的流程示意图;
图3为一个实施例中余水位预测模型训练过程的流程示意图;
图4为另一个实施例中余水位预测模型训练过程的流程示意图;
图5为另一个实施例中目标余水位获取方法的流程示意图;
图6为另一个实施例中余水位预测模型训练过程的流程示意图;
图7为另一个实施例中目标余水位获取方法的流程示意图;
图8为一个实施例中目标数据类型获取方法的流程示意图;
图9为一个实施例中潮汐水位修正方法的流程示意图;
图10为一个实施例中目标余水位获取装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标余水位获取方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102从服务器104中获取待测流域的当前目标数据,其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;终端102将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标余水位获取方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S201、获取待测流域的当前目标数据。
其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据。
进一步地,所述目标数据类型可以是天气数据,如降雨量、降雪量等,可以是气候数据,如温度、湿度等,还可以是流域径流数据,如径流量、径流流速、径流水位等。
具体的,计算机设备可通过相关测试设备/机构,或从存储设备/数据库中获取得到上述目标数据类型的所述当前目标数据。例如,从待测流域的气象站获取待测流域的降水量、降雪量等气象数据,以及温度、湿度等气候数据,从待测流域的水文站获取待测流域的径流量、径流流速、径流水位等流域径流数据。
S202、将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
进一步地,所述余水位预测模型为基于机器学习方法训练得到的用于预测余水位的神经网络模型。
具体地,计算机设备采用所述目标数据类型的历史目标数据和对应时间段的实际余水位训练得到所述余水位预测模型,将所述当前目标数据输入训练好的所述余水位预测模型,得到所述当前目标数据对应时间段的所述目标余水位。例如,计算机设备获取到2020年1月的所述当前目标数据,则对应将这一个月的所述当前目标数据输入所述余水位预测模型,得到对应该时间段(2020年1月)的所述待测流域的目标余水位。
本实施例中,计算机设备获取对待测流域的余水位有影响的目标数据类型的环境数据作为当前目标数据,将所述当前目标数据输入经所述目标数据类型的历史目标数据与实际余水位训练得到的余水位预测模型,进行余水位预测,得到所述当前目标数据对应时间段的目标余水位。上述方法采用对待测流域的余水位具有影响的目标数据类型的环境数据作为余水位预测模型预测余水位的输入数据,由于目标数据类型的环境数据对余水位的变化有影响,因此采用历史目标数据和实际余水位训练得到进行余水位预测的余水位预测模型,可根据输入数据准确得到目标余水位,并且所述余水位预测模型是基于实测数据的神经网络模型,可准确反映输入数据与输出数据之间的关系,进一步提高了输出的目标余水位的准确度。
在一个实施例中,如图3所示,所述S202、将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位之前,包括采用所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位训练得到所述余水位预测模型的步骤,训练过程具体包括如下步骤:
S301、将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位划分为训练集和测试集。
其中,所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位。
具体地,计算机设备获取所述待测流域在过去一段时间内,实际测量得到的所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位。例如,获取待测流域2011年~2015年五年时间内的历史目标数据,以及与这五年时间内历史目标数据的采集时间对应的实际余水位。计算机室设备进一步将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位按照一定分配比例划分为训练集和测试集。例如,按照4:1划分为训练集和测试集。
在上述S301之前还包括对所述历史目标数据的数据处理,所述数据处理包括:
根据预设时间尺度,对初始历史目标数据进行数据插值,得到所述预设时间尺度的所述历史目标数据。
具体地,由于不同类型的所述历史目标数据获取的方式、设备不同,存在时间尺度上的差异,计算机设备根据所要获取的目标余水位的时间尺度,对采集得到的初始历史目标数据进行数据插值,以获得与所要得到的目标余水位的时间尺度相同的所述历史目标数据。使历史目标数据与目标余水位的时间尺度统一,提高数据的连贯性和精细度,为获取目标余水位提供全面的数据支持。
S302、将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型。
其中,所述初始预测模型可以是长短期记忆(LSTM,long-short term memory)模型。
进一步地,所述LSTM模型由输入层、循环隐藏层和输出层组成,LSTM模型隐藏层的基本单元为记忆模块。记忆模块包含细胞状态单元(CEC)和3个称为门的特殊运算单元。记忆模块包含输入门、遗忘门和输出门3个门结构,它们可以控制记忆模块内的信息流。遗忘门确定单元状态抛出哪些信息,输入门决定哪些新信息存储在单元状态中,输出门决定单元状态的哪些信息作为输出。若将模型输入记为:X=(X1,X2,…XT),则隐藏层状态可以通过以下循环训练得到:
f1=σ(XtUf+St-1Wf+bf)
it=σ(XtUi+St-1Wi+bi)
ot=σ(XtUo+St-1Wo+bo)
其中,Wf、Wi、Wo、Wc分别为遗忘门、输入门、输出门和CEC的输入权重矩阵;Uf、Ui、Uo、Uc分别为遗忘门、输入门、输出门和CEC的循环权重矩阵;bf、bi、bo、bc分别为遗忘门、输入门、输出门和CEC的偏差向量;Xt表示第一层LSTM模型记忆模块的输入;ft、it、ot、Ct、St分别为t时刻忘记门、输入门、输出门、CEC和单元的输出;St-1表示t-1时刻单元的输出;Ct-1表示t-1时刻CEC的输出;和分别代表向量求和与向量点积运算;σ(·)为标准sigmoid函数;tanh(·)为双曲正切激活函数。
进一步地,所述训练集中可进一步划分为训练子集和验证子集,所述训练子集和所述验证子集中也均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位。计算机设备采用所述训练子集对初始预测模型进行训练,并采用所述验证子集对训练后的初始预测模型进行验证,得到所述余水位预测模型。
具体地,计算机设备多次将所有所述训练子集输入所述初始预测模型,根据每一次所述初始预测模型得到的训练余水位与对应的实际余水位之间的均方误差,调节所述初始预测模型中的模型参数,每训练一次就调节一次所述模型参数,以确定所述初始预测模型中的模型参数,实现对所述初始预测模型的多次训练。计算机设备将所有所述测试子集输入每次训练后的所述初始预测模型,根据一次次得到的所述初始预测模型得到的训练余水位与对应的实际余水位之间的均方误差的变化情况,以确定所述初始预测模型的训练是否停止。当根据所述初始预测模型得到的训练余水位与对应的实际余水位之间的均方误差最小,且不再减小时,则将该初始预测模型作为所述余水位预测模型。
进一步地,采用所述测试集对所述余水位预测模型进行准确率测试,准确率测试过程具体包括如下步骤:
S303、将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位。
具体地,计算机设备将所述测试集中的所述历史目标数据输入所述余水位预测模型,进行与所述历史目标数据对应时间段的余水位的预测,得到所述预测余水位。例如,计算机设备将所述测试集中的2015年的每一所述历史目标数据输入所述余水位预测模型,得到与2015年每一所述历史目标数据的采集时间对应的所述预测余水位。
S304、将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率。
其中,所述预测准确率为采用所述余水位预测模型得到的预测余水位与实际余水位在误差范围内的次数占预测总次数的百分比。
具体地,计算机设备将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,获取预测余水位与实际余水位在误差范围内的次数占得到的所述测试余水位的个数(即预测总次数)的百分比,作为所述预测准确率。例如,计算机设备采用余水位预测模型进行100次的余水位预测,其中,有80次的预测余水位与实际余水位在误差范围内,则所述余水位预测模型的预测准确率为80%。
S305、若所述预测准确率大于等于预设阈值,执行所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位的步骤。
S306、若所述预测准确率小于所述预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值。
其中,所述预设阈值为预设的准确率阈值,可用于确定所述余水位预测模型是否可准确进行余水位预测。
具体地,计算机设备将所述测试集输入所述余水位预测模型得到的所述预测准确率与所述预设阈值进行比较,若所述预测准确率大于等于所述预设阈值,计算机设备则执行S202、将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;若所述预测准确率小于所述预设阈值,计算机设备则接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,继续执行S301、将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位划分为训练集和测试集。
本实施例中,计算机设备在采用余水位预测模型进行余水位预测之前,预先利用历史目标数据训练得到用于进行余水位预测的余水位预测模型。计算机设备将历史目标数据分为训练集和测试集,采用训练集对初始预测模型中的模型参数进行训练并验证,得到余水位预测模型,再采用测试集对得到的余水位预测模型进行测试,以进一步确定所得到的余水位预测模型是准确可用还是需要重新训练。通过上述方法对初始预测模型的训练和测试得到的余水位预测模型,提高了对待测流域余水位预测的准确性和可靠性。
在一个实施例中,如图4所示,所述S302、将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型,包括:
S401、根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据。
其中,所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据。
进一步地,所述季节时间表用于表征时间与季节的对应关系。本实施例中,所述季节时间表用于表征时间月份与季节的对应关系,如3~5月为春季,6~8月为夏季,9~11月为秋季,12~2月为冬季。
具体地,计算机设备将所述训练集中所述历史目标数据采集时间所对应的月份,按照所述季节时间表中月份与季节的对应关系,将所述训练集中所述历史目标数据划分为对应的所述季节历史数据。例如,训练集中的历史目标数据对应的采集时间为2011年~2015年,则将这五年的历史目标数据中采集时间在3~5月的历史目标数据作为春季历史数据,采集时间在3~5月的历史目标数据作为春季历史数据,采集时间在6~8月的历史目标数据作为夏季历史数据,采集时间在9~11月的历史目标数据作为秋季历史数据,采集时间在12~2月的历史目标数据作为冬季历史数据。
S402、分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型。
其中,所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
具体地,计算机设备分别将上述划分得到的所述春季历史数据、所述夏季历史数据、所述秋季历史数据以及所述冬季历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型。即采用所述春季历史数据对初始预测模型进行训练,得到春季余水位预测模型,采用所述夏季历史数据对初始预测模型进行训练,得到夏季余水位预测模型,采用所述秋季历史数据对初始预测模型进行训练,得到秋季余水位预测模型,采用所述冬季历史数据对初始预测模型进行训练,得到冬季余水位预测模型。
采用相应季节的训练集数据进行前述训练过程即可得到对应季节类型的余水位预测模型,采用相应季节的测试集数据进行前述准确率测试过程即可得到对应季节类型的准确率测试结果。对于每一所述季节余水位预测模型的具体训练过程同上述S302中内容,具体准确率测试过程同上述S303~S306中内容,在此不再赘述。
本实施例中,计算机设备具体将用于训练余水位预测模型的训练集内的历史目标数据根据采集时间划分为对应季节的季节历史数据,并分别输入初始余水位预测模型进行训练,以得到对应季节的季节余水位预测模型,从而实现进行余水位预测的余水位预测模型的细化季节分类,进而采用对应季节的季节余水位预测模型进行余水位预测,以提高余水位预测的准确性。
在一个实施例中,如图5所示,所述S202、将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
S501、将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的季节数据类型。
其中,所述季节数据类型包括春季数据类型、夏季数据类型、秋季数据类型以及冬季数据类型。
具体地,计算机设备将所述当前目标数据采集时间的月份与所述季节时间表进行匹配,以确定所述当前目标数据采集时间的月份在所述季节时间表中属于哪个季节,进而确定所述当前目标数据的季节数据类型。例如,所述当前目标数据的采集时间为2020年1月~4月,将该采集时间与所述季节时间表进行匹配,划分得到采集时间2020年1月~2月的所述当前目标数据为冬季数据类型,采集时间2020年3月~4月的所述当前目标数据为春季数据类型。
S502、将所述春季数据类型的所述当前目标数据输入所述春季余水位预测模型,得到所述春季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
S503、将所述夏季数据类型的所述当前目标数据输入所述夏季余水位预测模型,得到所述夏季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
S504、将所述秋季数据类型的所述当前目标数据输入所述秋季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
S505、将所述秋季数据类型的所述当前目标数据输入所述冬季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位。
具体地,计算机设备将所述当前目标数据根据采集时间划分后,得到的不同季节的当前目标数据分别输入对应季节的季节余水位预测模型,得到对应的目标余水位。例如,上述采集时间为2020年1月~4月的当前目标数据根据采集时间划分为冬季数据类型(1~2月)和春季数据类型(3~4月),计算机设备将冬季数据类型(1~2月)的当前目标数据输入冬季余水位预测模型,得到1~2月对应的目标余水位,将春季数据类型(3~4月)的当前目标数据输入春季余水位预测模型,得到3~4月对应的目标余水位。
本实施例中,计算机设备具体将用于输入余水位预测模型的当前目标数据根据采集时间划分为对应季节的当前目标数据,以将同一季节的当前目标数据输入对应的季节余水位预测模型,以得到对应季节的目标余水位。在所述当前目标数据采集时间跨度较长,包括多个季节时,不同季节的环境数据之间相差较大,对余水位的影响程度也相差较大,若将不同季节的环境数据统一对待,均输入同一余水位预测模型进行余水位预测,则会导致余水位的预测精度较差。本申请通过上述方法将所述当前目标数据根据采集时间进行季节的细分,以将划分得到的对应不同季节的当前目标数据输入对应季节的季节余水位预测模型,从而提高了余水位的预测精度。
在一个实施例中,如图6所示,当所述目标数据类型包括风速时,所述S302、将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型之前,包括:
S601、根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据。
具体过程参见S401。
S602、根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为预设数量的季节风向数据。
其中,所述风向为气象学标准中的风向,共包括16类风向。所述风速和风向均可通过气象领域的综合气象仪测量得到。
具体地,计算机设备可根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为16类季节风向数据。例如,将上述16类风向标记为①号风向~号风向,则春季历史数据中包括①号风向~号风向的16类春季风向数据,夏季历史数据中包括①号风向~号风向的16类夏季风向数据,秋季历史数据中包括①号风向~号风向的16类秋季风向数据,冬季历史数据中包括①号风向~号风向的16类冬季风向数据。
S603、将所述训练集中同一季节、同一风向对应时间段的所述季节风向数据输入初始预测模型进行训练,得到同一季节、同一风向对应时间段的余水位预测模型。
具体地,计算机设备分别将上述划分得到的同一季节、同一风向的所述季节风向数据输入初始预测模型进行训练,相应得到同一季节、同一风向对应时间段的余水位预测模型。例如,将所述训练集中春季历史数据中②号风向时间段对应的所述季节风向数据(包括风速)输入初始预测模型进行训练,得到该时间段对应的余水位预测模型。
采用相应季节、相应风向时间段的训练集数据进行前述训练过程即可得到对应季节、对应风向的余水位预测模型,采用相应季节、相应风向时间段的测试集数据进行前述准确率测试过程即可得到对应季节、对应风向的准确率测试结果。对于每一所述余水位预测模型的具体训练过程同上述S302中内容,具体准确率测试过程同上述S303~S306中内容,在此不再赘述。
如图7所示,所述S202、将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
S701、将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的目标季节数据类型。
其中,划分得到所述目标季节数据类型与划分得到所述季节数据类型的过程相同,具体过程参见S501。
S702、获取所述当前目标数据中风速的目标风向。
具体地,计算机设备获取气象综合仪所采集的所述当前目标数据中每一风速的风向,作为所述目标风向。所述目标风向可以是前述通过气象学标准得到的16类风向中的至少一类。
S703、将所述当前目标数据输入对应所述目标季节数据类型和所述目标风向的所述季节风向余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
具体地,计算机设备将每一所述目标季节数据类型下的每一风向时间段对应的目标当前数据输入对应相同季节、相同风向的季节风向余水位预测模型,得到对应的目标余水位。例如,上述采集时间为2020年1月~4月的当前目标数据根据采集时间划分为冬季数据类型(1~2月)和春季数据类型(3~4月),其所述冬季数据类型和所述春季数据类型即为上述目标季节数据类型,所述冬季数据类型(1~2月)中1月风向为①号风向,2月为②号风向,所述春季数据类型(3~4月)中3~4月为⑤号风向。计算机设备则将冬季数据类型(1~2月)的①号风向时间段(1月)对应的当前目标数据输入对应冬季①号风向余水位预测模型,得到1月对应的目标余水位,将冬季数据类型(1~2月)的②号风向时间段(2月)对应的当前目标数据输入对应冬季②号风向余水位预测模型,得到2月对应的目标余水位,将春季数据类型(3~4月)⑤号风向时间段(3~4月)的当前目标数据输入春季⑤号风向余水位预测模型,得到3~4月对应的目标余水位。
本实施例中,计算机设备具体将用于输入余水位预测模型的当前目标数据根据采集时间划分为对应季节的当前目标数据,并获取所述当目标数据中风速的目标风向,将相同目标季节数据类型中每一目标风向时间对应的当前目标数据输入对应季节、对应风向的季节余水位预测模型。在所述当前目标数据采集时间跨度较长,包括多个季节时,不同季节的环境数据之间相差较大,对余水位的影响程度也相差较大,不同风向对余水位的影响程度也不同,若都统一对待,均输入同一余水位预测模型进行余水位预测,则会导致余水位的预测精度较差。本申请通过上述方法不仅将所述当前目标数据根据采集时间进行季节的细化,还进一步进行了风向的细化,从而进一步细化了所述当前目标数据,将进一步细化了数据输入进一步的余水位预测模型,以进一步地提高了余水位的预测精度。
在一个实施例中,如图8所示,在所述S201、获取待测流域的当前目标数据之前,包括:
S801、获取所述待测流域的多个数据类型的历史环境数据。
具体的,计算机设备可通过相关测试设备/机构,或从存储设备/数据库中获取得到所述待测流域过去一段时间的降水量、降雪量等气象数据,以及温度、湿度等气候数据,从待测流域的水文站获取待测流域的径流量、径流流速、径流水位等流域径流数据,作为所述历史环境数据。
S802、基于所述多个数据类型的历史环境数据,采用随机森林算法获取每一所述数据类型对于所述待测流域的余水位的变量重要性值。
其中,所述随机森林算法是一种包含多个决策树的分类方法,每一个所述决策树可表征一种所述历史环境数据。根据所述随机森林算法可得到每一种所述监测数据对于所述海表流速的重要性即所述影响程度,具体可通过所述变量重要性值表征。
S803、将获取的所述变量重要性值由大到小排序,得到变量重要性表。
其中,采用随机森林算法进行变量重要性评估就是量化每个变量在所构建的随机森林模型中每颗树上做了多大的贡献,然后取个平均值,最后比较变量之间的贡献大小并将之排序。在随机森林模型中,首先对于每棵树,每次利用Bootstrap方法抽取样本进行训练,但是有1/3的数据没有抽取到,这样的数据成为袋外数据OOB(out of bag),将OOB带入决策树中,计算出误差error1,对OOB中所有样本的变量(特征度)对应的值进行噪声干扰,即随机改变变量(特征)的值,再将数据带入决策树中,计算出误差error2。对于N棵树,变量X的重要性为error2-error1的均值。
S804、获取所述变量重要性表中至少前两位所述变量重要性值对应的数据类型,作为所述目标数据类型。
其中,所述变量重要性值用于表征对应数据类型所述历史环境数据对于所述余水位的重要性即影响程度。不同数据类型的所述历史环境数据对所述海表流速的影响程度不同。
具体地,计算机设备采用随机森林算法获取不同数据类型的所述历史环境数据对于余水位的变量重要性值,并将获取的所述变量重要性值由大到小排序,得到不同数据类型的历史环境数据对于所述海表流速的变量重要性表,获取所述变量重要性表中至少前两位所述变量重要性值所对应所述历史环境数据的数据类型,作为所述目标数据类型。计算机设备也可以采用预设变量重要性阈值的方式获取所述目标数据类型,如获取所述变量重要性表中大于所述变量重要性阈值的所述变量重要性值所对应的所述历史环境数据的数据类型,作为所述目标数据类型。
本实施例中,计算机设备通过不同数据类型的所述历史环境数据对余水位的变量重要性值确定所述历史环境数据中对所述海表流速具有较大影响程度的数据类型,作为所述目标数据类型,以根据所述目标数据类型的数据获取余水位,从而去除对余水位影响程度小的数据,以减少为获取余水位需要的数据量,提高数据处理效率,从而整体上提高余水位获取方法的获取效率。
在一个实施例中,如图9所示,提供了一种潮汐水位修正方法,其特征在于,所述方法包括:
S901、获取根据上述目标余水位获取方法得到的目标余水位。
S902、根据所述目标余水位对初始潮汐水位进行修正,得到修正潮汐水位。
具体地,所述初始潮汐水位可为气象领域潮汐测量装置实测得到的潮汐水位,计算机设备可根据通过上述任一种目标余水位获取方法得到的目标余水位对所述初始潮汐水位进行修正,以得到修正潮汐水位。例如,计算机设备将上述实测得到的初始潮汐水位加上通过上述任一种目标余水位获取方法得到的目标余水位,得到所述修正潮汐水位。
本实施例中,计算机设备采用目标余水位对初始潮汐水位进行修正,排除了余水位与潮汐水位的影响,提高了得到的潮汐水位的精确度,并且采用上述目标余水位获取方法获取的目标余水位精确度和准确度较高,进一步提高了得到的潮汐水位的精确度和准确度,潮汐预测信息的准确于预测有利于海洋工程建设和海洋科学研究。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种目标余水位获取装置,包括:数据获取模块1010和目标预测模块1020,其中:
所述数据获取模块1010用于获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
所述目标预测模块1020用于将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型
在其中一个实施例中,所述目标预测模块1020还用于:
将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位划分为训练集和测试集;其中,所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位;
将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型;
将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位;
将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率;
若所述预测准确率大于等于预设阈值,执行所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位的步骤;
若所述预测准确率小于所述预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值。
在其中一个实施例中,所述目标预测模块1020还用于:
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;其中,所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据;
分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型;其中,所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
在其中一个实施例中,所述目标预测模块1020还用于:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的季节数据类型;其中,所述季节数据类型包括春季数据类型、夏季数据类型、秋季数据类型以及冬季数据类型;
将所述春季数据类型的所述当前目标数据输入所述春季余水位预测模型,得到所述春季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述夏季数据类型的所述当前目标数据输入所述夏季余水位预测模型,得到所述夏季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述秋季数据类型的所述当前目标数据输入所述秋季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述冬季数据类型的所述当前目标数据输入所述冬季余水位预测模型,得到所述冬季数据类型的所述当前目标数据对应时间段的目标余水位。
在其中一个实施例中,所述目标预测模块1020还用于:
当所述目标数据类型包括风速时,
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;
根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为预设数量的季节风向数据;
将所述训练集中同一季节、同一风向对应时间段的所述季节风向数据输入初始预测模型进行训练得到同一季节、同一风向对应时间段的余水位预测模型;
所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的目标季节数据类型;
获取所述当前目标数据中风速的目标风向;
将所述当前目标数据输入对应所述目标季节和所述目标风向的所述季节风向余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
在其中一个实施例中,所述数据获取模块1010还用于:
获取所述待测流域的多个数据类型的历史环境数据;
基于所述多个数据类型的历史环境数据,采用随机森林算法获取每一所述数据类型对于所述待测流域的余水位的变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述数据类型,作为所述目标数据类型。
关于目标余水位获取装置的具体限定可以参见上文中对于目标余水位获取方法的限定,在此不再赘述。上述目标余水位获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标余水位获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位划分为训练集和测试集;其中,所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位;
将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型;
将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位;
将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率;
若所述预测准确率大于等于预设阈值,执行所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位的步骤;
若所述预测准确率小于所述预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;其中,所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据;
分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型;其中,所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的季节数据类型;其中,所述季节数据类型包括春季数据类型、夏季数据类型、秋季数据类型以及冬季数据类型;
将所述春季数据类型的所述当前目标数据输入所述春季余水位预测模型,得到所述春季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述夏季数据类型的所述当前目标数据输入所述夏季余水位预测模型,得到所述夏季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述秋季数据类型的所述当前目标数据输入所述秋季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述冬季数据类型的所述当前目标数据输入所述冬季余水位预测模型,得到所述冬季数据类型的所述当前目标数据对应时间段的目标余水位。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述目标数据类型包括风速时,
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;
根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为预设数量的季节风向数据;
将所述训练集中同一季节、同一风向对应时间段的所述季节风向数据输入初始预测模型进行训练得到同一季节、同一风向对应时间段的余水位预测模型;
所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的目标季节数据类型;
获取所述当前目标数据中风速的目标风向;
将所述当前目标数据输入对应所述目标季节和所述目标风向的所述季节风向余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述待测流域的多个数据类型的历史环境数据;
基于所述多个数据类型的历史环境数据,采用随机森林算法获取每一所述数据类型对于所述待测流域的余水位的变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述数据类型,作为所述目标数据类型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位划分为训练集和测试集;其中,所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位;
将所述训练集输入初始预测模型进行训练,得到所述余水位预测模型;
将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位;
将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率;
若所述预测准确率大于等于预设阈值,执行所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位的步骤;
若所述预测准确率小于所述预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;其中,所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据;
分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型;其中,所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的季节数据类型;其中,所述季节数据类型包括春季数据类型、夏季数据类型、秋季数据类型以及冬季数据类型;
将所述春季数据类型的所述当前目标数据输入所述春季余水位预测模型,得到所述春季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述夏季数据类型的所述当前目标数据输入所述夏季余水位预测模型,得到所述夏季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述秋季数据类型的所述当前目标数据输入所述秋季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述冬季数据类型的所述当前目标数据输入所述冬季余水位预测模型,得到所述冬季数据类型的所述当前目标数据对应时间段的目标余水位。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述目标数据类型包括风速时,
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;
根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为预设数量的季节风向数据;
将所述训练集中同一季节、同一风向对应时间段的所述季节风向数据输入初始预测模型进行训练得到同一季节、同一风向对应时间段的余水位预测模型;
所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的目标季节数据类型;
获取所述当前目标数据中风速的目标风向;
将所述当前目标数据输入对应所述目标季节和所述目标风向的所述季节风向余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述待测流域的多个数据类型的历史环境数据;
基于所述多个数据类型的历史环境数据,采用随机森林算法获取每一所述数据类型对于所述待测流域的余水位的变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述数据类型,作为所述目标数据类型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标余水位获取方法,其特征在于,所述方法包括:
获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
将历史目标数据和与历史目标数据时间对应的实际余水位划分为训练集和测试集;所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位;
将所述训练集输入初始预测模型进行训练,得到余水位预测模型;
将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位;
将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率;
若所述预测准确率小于预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值;
若所述预测准确率大于等于所述预设阈值,执行将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型;
所述将所述训练集输入初始预测模型进行训练,得到余水位预测模型,包括:
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据;
分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型;所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的季节数据类型;其中,所述季节数据类型包括春季数据类型、夏季数据类型、秋季数据类型以及冬季数据类型;
将所述春季数据类型的所述当前目标数据输入所述春季余水位预测模型,得到所述春季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述夏季数据类型的所述当前目标数据输入所述夏季余水位预测模型,得到所述夏季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述秋季数据类型的所述当前目标数据输入所述秋季余水位预测模型,得到所述秋季数据类型的所述当前目标数据对应时间段的目标余水位;和/或
将所述冬季数据类型的所述当前目标数据输入所述冬季余水位预测模型,得到所述冬季数据类型的所述当前目标数据对应时间段的目标余水位。
3.根据权利要求1所述的方法,其特征在于,
所述将所述训练集输入初始预测模型进行训练,得到余水位预测模型之前,包括:
当所述目标数据类型包括风速时,
根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;
根据所述季节历史数据中风速的风向,将每一种所述季节历史数据划分为预设数量的季节风向数据;
将所述训练集中同一季节、同一风向对应时间段的所述季节风向数据输入初始预测模型进行训练得到同一季节、同一风向对应时间段的余水位预测模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位,包括:
将所述当前目标数据的采集时间与所述季节时间表匹配,划分得到所述当前目标数据的目标季节数据类型;
获取所述当前目标数据中风速的目标风向;
将所述当前目标数据输入对应所述目标季节和所述目标风向的季节风向余水位预测模型,得到所述当前目标数据对应时间段的目标余水位。
5.根据权利要求1所述的方法,其特征在于,所述初始预测模型为长短期记忆模型。
6.根据权利要求1所述的方法,其特征在于,在所述获取待测流域的当前目标数据之前,包括:
获取所述待测流域的多个数据类型的历史环境数据;
基于所述多个数据类型的历史环境数据,采用随机森林算法获取每一所述数据类型对于所述待测流域的余水位的变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述数据类型,作为所述目标数据类型。
7.一种潮汐水位修正方法,其特征在于,所述方法包括:
获取根据上述权利要求1~6所述的方法得到目标余水位;
根据所述目标余水位对初始潮汐水位进行修正,得到修正潮汐水位。
8.一种目标余水位获取装置,其特征在于,所述装置包括:
数据获取模块,用于获取待测流域的当前目标数据;其中,所述当前目标数据为对余水位有影响的目标数据类型的环境数据;
目标预测模块,用于将历史目标数据和与历史目标数据时间对应的实际余水位划分为训练集和测试集;所述训练集和所述测试集中均包括所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位;将所述训练集输入初始预测模型进行训练,得到余水位预测模型;将所述测试集中的所述历史目标数据输入所述余水位预测模型,得到与所述历史目标数据时间对应的测试余水位;将多个所述测试余水位与对应时间段的多个所述实际余水位进行比较,得到预测准确率;若所述预测准确率小于预设阈值,执行接收新的所述历史目标数据和与新的所述历史目标数据时间对应的所述实际余水位,将所述历史目标数据和与所述历史目标数据时间对应的所述实际余水位分为训练集和测试集的步骤,直至所述预测准确率大于等于所述预设阈值;若所述预测准确率大于等于所述预设阈值,执行将所述当前目标数据输入余水位预测模型,得到所述当前目标数据对应时间段的目标余水位;其中,所述余水位预测模型为根据所述目标数据类型的历史目标数据和实际余水位训练得到的神经网络模型;
所述将所述训练集输入初始预测模型进行训练,得到余水位预测模型,包括:根据所述历史目标数据的采集时间,将所述训练集中的所述历史目标数据按照季节时间表划分为季节对应的季节历史数据;所述季节历史数据包括春季历史数据、夏季历史数据、秋季历史数据以及冬季历史数据;分别将所述训练集中的所述季节历史数据输入初始预测模型进行训练,得到季节对应的余水位预测模型;所述季节对应的余水位预测模型包括春季余水位预测模型、夏季余水位预测模型、秋季余水位预测模型以及冬季余水位预测模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396754.9A CN111753461B (zh) | 2020-05-12 | 2020-05-12 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396754.9A CN111753461B (zh) | 2020-05-12 | 2020-05-12 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753461A CN111753461A (zh) | 2020-10-09 |
CN111753461B true CN111753461B (zh) | 2024-07-05 |
Family
ID=72673755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010396754.9A Active CN111753461B (zh) | 2020-05-12 | 2020-05-12 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753461B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734091A (zh) * | 2020-12-30 | 2021-04-30 | 中水智联(深圳)技术有限公司 | 一种水库水位模型预测方法 |
CN113566931B (zh) * | 2021-07-22 | 2023-06-09 | 水利部南京水利水文自动化研究所 | 基于边缘计算的闸前反射式水位计智能校准方法及*** |
CN115265707A (zh) * | 2022-05-20 | 2022-11-01 | 中核武汉核电运行技术股份有限公司 | 一种核电大修水位图构建方法 |
CN117990187B (zh) * | 2024-04-07 | 2024-06-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于人工智能的地下水水位动态监测方法 |
Citations (1)
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625732B (zh) * | 2009-08-03 | 2011-11-30 | 杭州电子科技大学 | 江河潮水水位的预测方法 |
CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
CN107883931B (zh) * | 2017-10-25 | 2020-04-28 | 深圳大学 | 基于构建瞬时水位模型的潮位改正方法及装置、存储介质 |
CN107704973A (zh) * | 2017-10-31 | 2018-02-16 | 武汉理工大学 | 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
-
2020
- 2020-05-12 CN CN202010396754.9A patent/CN111753461B/zh active Active
Patent Citations (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111753461A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753461B (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN109817267B (zh) | 一种基于深度学习的闪存寿命预测方法、***及计算机可读存取介质 | |
Castro-Camilo et al. | Local likelihood estimation of complex tail dependence structures, applied to US precipitation extremes | |
CN111382929A (zh) | 一种构建河流硅藻水华预警模型的方法及装置 | |
Lerch et al. | Simulation-based comparison of multivariate ensemble post-processing methods | |
CN111539841A (zh) | 电量预测方法、装置、设备及可读存储介质 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN110929954A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN112184089B (zh) | 试题难度预测模型的训练方法、装置、设备及存储介质 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN111651677A (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
Beuchat et al. | A robust framework for probabilistic precipitations downscaling from an ensemble of climate predictions applied to Switzerland | |
CN114037184A (zh) | 收益评价指标的预测方法、装置、介质、设备及程序产品 | |
CN117454668B (zh) | 零部件失效概率的预测方法、装置、设备和介质 | |
Omar et al. | Optimized feature selection based on a least-redundant and highest-relevant framework for a solar irradiance forecasting model | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
Fu et al. | Enhanced machine learning model via twin support vector regression for streamflow time series forecasting of hydropower reservoir | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN116757321A (zh) | 太阳直接辐射量预测方法、***、设备及存储介质 | |
CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN116990245A (zh) | 基于灰度关联分析的高海拔地区绝缘子材料老化检测方法 | |
Euán et al. | Statistical analysis of multi‐day solar irradiance using a threshold time series model | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114491699A (zh) | 基于拓展区间数的三维cad软件易用性量化方法及装置 |
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 |