CN114942480B - 基于信息感知注意力动态协同网络的海洋站风速预报方法 - Google Patents
基于信息感知注意力动态协同网络的海洋站风速预报方法 Download PDFInfo
- Publication number
- CN114942480B CN114942480B CN202210574183.2A CN202210574183A CN114942480B CN 114942480 B CN114942480 B CN 114942480B CN 202210574183 A CN202210574183 A CN 202210574183A CN 114942480 B CN114942480 B CN 114942480B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- time series
- ocean
- speed time
- hidden state
- 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 claims abstract description 15
- 230000008447 perception Effects 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000714 time series forecasting Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001481789 Rupicapra Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信息感知注意力动态协同网络的海洋站风速预报方法,包括以下步骤:获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据;将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型,得到目标海洋站未来设定时段内的风速时间序列预测值。本发明充分考虑了空间相关性影响,提高了模型的预测精度和效率。
Description
技术领域
本发明涉及海洋站风速预测技术领域,更具体的说是涉及一种基于信息感知注意力动态协同网络的海洋站风速预报方法。
背景技术
准确的海洋站风速预报,对于沿海地区防灾减灾、海岸工程等意义重大。现有风速预报技术分为三类:数值模式、数学模型和机器学习。
数值模式依据大气运动方程和热力方程等一系列偏微分方程描述大气状态,给定初始和边界条件模拟大气(包括风)的变化,其缺点是占用计算资源大,依赖初始和边界场。
数学模型对风速时间序列建立拟合曲线等数学模型,缺点是精度一般,对于复杂变化无法较好模拟。
机器学习方法,例如线性回归、随机森林、决策树等,这类方法同样以数据本身作为驱动,学习以往规律预测未来变化。随着技术不断进步,以网络层数深、结构复杂为特征的深度学习算法越来越受到重视,其中RNN(循环神经网络)擅长捕捉时间信号,常用来进行时间序列预测。
但单一的RNN神经网络也有其缺点,包括1)原始数据中的噪声会损害模型性能;2)容易忽略低权重的信号,从而导致准确率低;3)不易保持预测和原始序列之间的趋势一致性。并且,目前大多数对于风速的预测只单一的评估预测变量自身的属性,忽略了空间相关性的影响。最重要的是,相对于其它温盐、水位、气压、气温等要素,风速影响因素多,变化快,不平稳,导致对其预测较为困难。
因此,如何提供一种考虑空间相关性影响,提高风速预测精度和效率的基于信息感知注意力动态协同网络的海洋站风速预报方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于信息感知注意力动态协同网络的海洋站风速预报方法,充分考虑了空间相关性影响,提高了模型的预测精度和效率。
为了实现上述目的,本发明采用如下技术方案:
一种基于信息感知注意力动态协同网络的海洋站风速预报方法,包括以下步骤:
获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据;
将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型,得到目标海洋站未来设定时段内的风速时间序列预测值。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,所述风速预测模型包括:编码器、解码器和学习层;所述解码器包括:扩展单元、IALSTM模块和多维注意力层;所述解码器的个数与输出的风速时间序列预测值长度一致;
所述编码器获取其他海洋站的风速时间序列数据,并经嵌入层进行转化后,连同目标海洋站的风速时间序列数据共同输入至所述IALSTM模块,得到隐藏状态矩阵;
所述扩展单元对所述隐藏状态矩阵进行实时更新并存储;所述多维注意力层在所述编码器中挑选预测相关信息;所述IALSTM模块使用所述扩展单元存储的隐藏状态矩阵作为辅助信息,并结合已挑选的预测相关信息,对所述隐藏状态矩阵进行解码,得到解码后的隐藏状态矩阵;
所述学习层使用多层感知器对解码后的隐藏状态矩阵进行计算,得到各所述解码器的预测结果。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,所述学习层利用下式计算编码器的预测结果:
其中,表示编码器i的预测结果;W表示参数矩阵,从风速预测模型训练过程获得;di表示解码后的隐藏状态。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,还包括:进行风速预测时,将当前解码器解码的隐藏状态、前一个解码器解码的隐藏状态和编码器的隐藏状态进行关联,并保持动态协同,使输入的风速时间序列数据与输出的风速时间序列预测值序列保持一致。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,所述IALSTM模块在长短时记忆网络LSTM的基础上嵌套所述多维注意力层,并引入了融合门单元;所述多维注意力层在所述编码器中挑选与预测相关的权重矢量信息;所述融合门单元挖掘风速时间序列数据中相对较长间隔和延迟的时序变化规律。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,所述融合门单元的表达式为:
it=σ(Wi·[hst-1,xt]+bi)
ft=σ(Wf·[hst-1,xt]+bf)
ot=σ(Wo·[hst-1,xt]+bo)
其中,i表示输入门,o表示输出门,f表示遗忘门,c表示内部状态,cs表示外部状态,hs表示隐藏状态,W和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别表示sigmoid和双曲正切激活函数;t表示输入数据的序号;表示候选状态;xt表示输入数据。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,所述风速预测模型输入的风速时间序列数据的长度为24小时,输出的风速时间序列预测值的长度为1、6、12和24小时。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,在训练阶段,采用平均绝对误差和均方根误差两个指标对所述风速预测模型的预测精度进行评估;其中,平均绝对误差MAE的计算公式为:
均方根误差RMSE的计算公式为:
上式中,yi表示预测值,xi表示实际值,MAE和RMSE越小,表示预测效果越好。
进一步的,在上述一种基于信息感知注意力动态协同网络的海洋站风速预报方法中,将所述风速时间序列数据输入所述风速预测模型之前,还包括:对所述风速时间序列数据进行归一化处理。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于信息感知注意力动态协同网络的海洋站风速预报方法,具有以下有益效果:
1、本发明通过采用邻近范围内的多个海洋站风速数据对目标海洋站风速进行预报,充分考虑了空间相关性,使预报精度更高。
2、本发明进行预测时,将当前解码器、前一个解码器和编码器的隐藏状态进行关联融合,保持动态协同,使预测的数值序列与原始输入序列之间的趋势的一致性。
3、本发明充分考虑原始输入序列权重矢量信号,并挖掘时间序列中的时序变化规律,进一步提高预报准确率以及预测序列和原始序列之间的趋势一致性。
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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于信息感知注意力动态协同网络的海洋站风速预报方法的流程图;
图2为本发明提供的基于IALSTM网络的风速预测模型的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
如图1-2所示,本发明实施例公开了一种基于信息感知注意力动态协同网络的海洋站风速预报方法,包括以下步骤:
获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据;
将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型,得到目标海洋站未来设定时段内的风速时间序列预测值。
在一个实施例中,将风速时间序列数据输入风速预测模型之前,还包括:对风速时间序列数据进行归一化处理。将数据处理成(0,1)区间。本实施例使用标准化方法,公式为:
xnorm为归一化后数据,x为原始数据,xmax和xmin分别是原始数据的最大值和最小值。
在一个具体实施例中,风速预测模型输入的风速时间序列数据的长度为24小时,间隔为1小时,输出的风速时间序列预测值的长度为1、6、12和24小时,也就是可以预报未来1小时、6小时、12小时和24小时的风速数据,间隔1小时。
在另一个具体实施例中,风速预测模型包括:编码器、解码器和学习层;解码器包括:扩展单元、IALSTM模块和多维注意力层;解码器的个数与输出的风速时间序列预测值长度一致;
编码器获取其他海洋站的风速时间序列数据,并经嵌入层进行转化后,连同目标海洋站的风速时间序列数据共同输入至IALSTM模块,得到隐藏状态矩阵;
扩展单元对隐藏状态矩阵进行实时更新并存储;多维注意力层在编码器中挑选预测相关信息;IALSTM模块使用扩展单元存储的隐藏状态矩阵作为辅助信息,并结合已挑选的预测相关信息,对隐藏状态矩阵进行解码,得到解码后的隐藏状态矩阵;
学习层使用多层感知器对解码后的隐藏状态矩阵进行计算,得到各解码器的预测结果。
具体的,学习层利用下式计算编码器的预测结果:
其中,表示编码器i的预测结果;W表示参数矩阵,从风速预测模型训练过程获得;di表示解码后的隐藏状态。
在一个实施例中,还包括以下步骤:
进行风速预测时,将当前解码器解码的隐藏状态、前一个解码器解码的隐藏状态和编码器的隐藏状态进行关联,并保持动态协同,使输入的风速时间序列数据与输出的风速时间序列预测值序列保持一致。
在一个具体实施例中,IALSTM模块在长短时记忆网络LSTM的基础上嵌套多维注意力层,并引入了融合门单元;多维注意力层在编码器中挑选与预测相关的权重矢量信息;融合门单元挖掘风速时间序列数据中相对较长间隔和延迟的时序变化规律。
在一个实施例中,融合门单元的表达式为:
it=σ(Wi·[hst-1,xt]+bi)
ft=σ(Wf·[hst-1,xt]+bf)
ot=σ(Wo·[hst-1,xt]+bo)
其中,i表示输入门,o表示输出门,f表示遗忘门,c表示内部状态,cs表示外部状态,hs表示隐藏状态,W和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别表示sigmoid和双曲正切激活函数;t表示输入数据的序号;表示候选状态;xt表示输入数据。
在一个实施例中,在模型的训练和验证阶段,采用平均绝对误差和均方根误差两个指标对风速预测模型的预测精度进行评估;其中,平均绝对误差MAE的计算公式为:
均方根误差RMSE的计算公式为:
上式中,yi表示预测值,xi表示实际值,MAE和RMSE越小,表示预测效果越好。
下面结合具体示例对本发明做进一步的说明。
本实施例使用浙江省海洋站风速,时间为2017年1月1日至2019年8年31日,海洋站共9个,具体为沙港头、坎门、大门、温州、瑞安、南麂、石砰、鳌江、瓯江口,其中瓯江口为目标海洋站,其余8个海洋站均距离目标海洋站70km以内,基于此9个海洋站风速时间序列构建模型和训练评估,数据间隔1小时,数据序列长度为23352组。其中21018组(90%)用于训练,1167组(5%)用于验证,1167组(5%)用于测试。
本实施例中的海洋站多点风速数据是指目标海洋站风速数据和邻近海洋站风速数据,可为两个或多个,来预测目标海洋站风速数据。
将其它8个海洋站风速时间序列和目标海洋站风速时间序列分别进行归一化处理后,输入基于IALSTM网络的IADSN网络模型进行训练,输入样本长度24小时,输出样本长度分别设为1、6、12和24小时,即用前24小时风速数据分别预测未来1小时、6小时、12小时和24小时风速,学习率设定为0.0001,开展模型训练,最终形成风速预测模型,基于此预测模型可开展实际预报。
风速预测模型分为编码器、解码器和学习层三部分。参数设定如下:
T:输入样本长度,本实施例中T=24
τ:输出样本长度或预测时间长度,本实施例中τ=1,6,12,24。
[x1,x2…xT]:其余8个海洋站风速时间序列。
其余8个海洋站风速时间序列转化后序列。
[y1,y2…yT]:目标海洋站风速时间序列。
[h1,h2…hT]:和[y1,y2…yT]转化后隐藏状态矩阵。
[d1,d2…dτ]:解码器解码后的隐藏状态矩阵。
预测结果矩阵。
编码器:为数据输入。将其它8个海洋站风速时间序列[x1,x2…xT]经过嵌入层转化为连同目标海洋站风速[y1,y2…yT],一起输入IALSTM(信息感知长短期记忆网络)模块,生成数据矩阵[h1,h2…hT]进入解码器,该矩阵代表一种隐藏状态,其中T表示输入样本长度,本实施例中T=24。
解码器:由扩展单元、IALSTM模块和多维注意力层三部分组成。
对于解码器i(1<i<τ)而言,扩展单元将[h1,h2…hT]实时更新为[hi…hT,d1,…di-2,di-1]。即将当前扩展单元的[hi-1,hi…hT,d1,…di-2]的第一个隐藏状态hi-1去掉,在扩展单元末尾加入di-1,更新为[hi…hT,d1,…di-2,di-1]。
多维注意力层作为桥梁连接编码器和解码器,是在传统注意力机制上的更新,在编码器中挑选预测相关信息,以权重矢量代替标量,克服了传统注意力机制不够精细的缺点,将[h1,h2…hT]合成为hci。
IALSTM模块:是解码器的核心,使用扩展单元存储的隐藏状态作为辅助信息,以更好利用多维注意力层已挑选信息。
学习层:将解码器生成的[d1,d2…dτ]输入学习层,得到预测结果。
为进一步验证本发明的预报精度,选用了其它先进模型做对比,以MAE和RMSE作为评价指标。对比结果如表1所示,可知,本发明模型表现最优。预测1、6、12和24小时的平均绝对误差仅为0.15、0.24、0.25和0.26m/s。
表1不同模型预测结果对比
表中,1.ARIMA:整合移动平均自回归模型;2.TPA-Nets:时间注意力网络;3.Atten-RNN:注意力机制循环神经网络;4.DA-RNN:双阶段注意力的循环神经网络;5.DSTP-RNN:双阶段两相位注意力的循环神经网络;6.DyAt-Nets:动态注意力网络;7.LSTNet:长短期时间模式深度学习网络。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于信息感知注意力动态协同网络的海洋站风速预报方法,其特征在于,包括以下步骤:
获取目标海洋站及距目标海洋站预设距离范围内的多个其他海洋站的风速时间序列数据;
将获取的多点风速时间序列数据输入预先训练好的基于IALSTM网络的风速预测模型,得到目标海洋站未来设定时段内的风速时间序列预测值;
所述风速预测模型包括:编码器、解码器和学习层;所述解码器包括:扩展单元、IALSTM模块和多维注意力层;所述解码器的个数与输出的风速时间序列预测值长度一致;
所述编码器获取其他海洋站的风速时间序列数据,并经嵌入层进行转化后,连同目标海洋站的风速时间序列数据共同输入至所述IALSTM模块,得到隐藏状态矩阵;
所述IALSTM模块在长短时记忆网络LSTM的基础上嵌套所述多维注意力层,并引入了融合门单元;所述多维注意力层在所述编码器中挑选与预测相关的权重矢量信息;所述融合门单元挖掘风速时间序列数据中相对较长间隔和延迟的时序变化规律;
所述扩展单元对所述隐藏状态矩阵进行实时更新并存储;所述多维注意力层在所述编码器中挑选预测相关信息;所述IALSTM模块使用所述扩展单元存储的隐藏状态矩阵作为辅助信息,并结合已挑选的预测相关信息,对所述隐藏状态矩阵进行解码,得到解码后的隐藏状态矩阵;
所述学习层使用多层感知器对解码后的隐藏状态矩阵进行计算,得到各所述解码器的预测结果;所述学习层利用下式计算编码器的预测结果:
其中,表示编码器i的预测结果;W表示参数矩阵,从风速预测模型训练过程获得;di表示解码后的隐藏状态;
所述风速预测模型进行风速预测时,将当前解码器解码的隐藏状态、前一个解码器解码的隐藏状态和编码器的隐藏状态进行关联,并保持动态协同,使输入的风速时间序列数据与输出的风速时间序列预测值序列保持一致。
2.根据权利要求1所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法,其特征在于,所述融合门单元的表达式为:
it=σ(Wi·[hst-1,xt]+bi)
ft=σ(Wf·[hst-1,xt]+bf)
ot=σ(Wo·[hst-1,xt]+bo)
其中,i表示输入门,o表示输出门,f表示遗忘门,c表示内部状态,cs表示外部状态,hs表示隐藏状态,W和b分别为对应的权重系数矩阵和偏置项;σ和tanh分别表示sigmoid和双曲正切激活函数;t表示输入数据的序号;表示候选状态;xt表示输入数据。
3.根据权利要求1所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法,其特征在于,所述风速预测模型输入的风速时间序列数据的长度为24小时,输出的风速时间序列预测值的长度为1、6、12和24小时。
4.根据权利要求1所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法,其特征在于,在训练阶段,采用平均绝对误差和均方根误差两个指标对所述风速预测模型的预测精度进行评估;其中,平均绝对误差MAE的计算公式为:
均方根误差RMSE的计算公式为:
上式中,yi表示预测值,xi表示实际值,MAE和RMSE越小,表示预测效果越好。
5.根据权利要求1所述的一种基于信息感知注意力动态协同网络的海洋站风速预报方法,其特征在于,将所述风速时间序列数据输入所述风速预测模型之前,还包括:对所述风速时间序列数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574183.2A CN114942480B (zh) | 2022-05-24 | 2022-05-24 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574183.2A CN114942480B (zh) | 2022-05-24 | 2022-05-24 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114942480A CN114942480A (zh) | 2022-08-26 |
CN114942480B true CN114942480B (zh) | 2023-12-12 |
Family
ID=82909854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210574183.2A Active CN114942480B (zh) | 2022-05-24 | 2022-05-24 | 基于信息感知注意力动态协同网络的海洋站风速预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114942480B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420615A (zh) * | 2023-11-10 | 2024-01-19 | 国网江苏省电力有限公司 | 基于时空注意力联合门控网络的沿海站点风速预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007371A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 风速预测方法及装置 |
JP2019179014A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | 風速予測方法 |
CN112099110A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于机器学习和遥感数据的海洋内波预报方法 |
CN112285376A (zh) * | 2020-10-16 | 2021-01-29 | 中国石油大学(华东) | 一种基于cnn-lstm的风速预测方法 |
KR20210081492A (ko) * | 2019-12-23 | 2021-07-02 | 주식회사 포디솔루션 | 초 저고도 바람 예측 정보 제공 방법 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
KR20220005142A (ko) * | 2020-07-06 | 2022-01-13 | 이화여자대학교 산학협력단 | 인공지능 네트워크를 이용한 바람 벡터 예측 방법 및 분석장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020131187A2 (en) * | 2018-09-26 | 2020-06-25 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
-
2022
- 2022-05-24 CN CN202210574183.2A patent/CN114942480B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019179014A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | 風速予測方法 |
CN110007371A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 风速预测方法及装置 |
KR20210081492A (ko) * | 2019-12-23 | 2021-07-02 | 주식회사 포디솔루션 | 초 저고도 바람 예측 정보 제공 방법 |
KR20220005142A (ko) * | 2020-07-06 | 2022-01-13 | 이화여자대학교 산학협력단 | 인공지능 네트워크를 이용한 바람 벡터 예측 방법 및 분석장치 |
CN112099110A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于机器学习和遥感数据的海洋内波预报方法 |
CN112285376A (zh) * | 2020-10-16 | 2021-01-29 | 中国石油大学(华东) | 一种基于cnn-lstm的风速预测方法 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
Non-Patent Citations (2)
Title |
---|
基于序列到序列和注意力机制的超短期风速预测;刘擘龙;《太阳能学报》;第42卷(第9期);第286-294页 * |
基于注意力机制的全海深声速剖面预测方法;王同;《电 子 与 信 息 学 报》;第44卷(第2期);第727-736页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114942480A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555523B (zh) | 一种基于脉冲神经网络的短程跟踪方法及*** | |
CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN108846199A (zh) | 基于时空一体化的特高拱坝变形时空序列预测方法 | |
CN113392961A (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
CN114942480B (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN109978279A (zh) | 海洋表面温度区域预测方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
CN116956440A (zh) | 一种复杂环境下混凝土性态监测点优化布置方法 | |
CN113219871A (zh) | 一种养护室环境参数检测*** | |
Adnan et al. | New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system | |
CN110223342B (zh) | 一种基于深度神经网络的空间目标尺寸估计方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN110222910A (zh) | 一种有源配电网态势预测方法及预测*** | |
CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 |
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 |