CN114971005B - 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 - Google Patents
基于lstm与差分回归模型动态加权的海湾水温组合预测方法 Download PDFInfo
- Publication number
- CN114971005B CN114971005B CN202210555814.6A CN202210555814A CN114971005B CN 114971005 B CN114971005 B CN 114971005B CN 202210555814 A CN202210555814 A CN 202210555814A CN 114971005 B CN114971005 B CN 114971005B
- Authority
- CN
- China
- Prior art keywords
- water temperature
- data
- day
- prediction model
- value
- 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 191
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000002354 daily effect Effects 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 18
- 230000003203 everyday effect Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241001596950 Larimichthys crocea Species 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
Abstract
本发明公开了基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，包括以下步骤：S1、收集水温数据和气象数据，并进行数据预处理；S2、根据预处理后的数据，构建LSTM神经网络预测模型，对每日预报气温数据、水温数据进行差分，得到预报气温差分值和实测水温差分值；S3、训练、测试LSTM神经网络预测模型，选取最佳的LSTM神经网络预测模型；S4、基于预报气温差分值、实测水温值构建纯差分回归预测模型；基于预报气温差分值、实测水温差分值和实测水温值构建混差分回归预测模型；S5、将最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型基于动态加权的方式组合成水温在线预测模型，并采用水温在线预测模型对海湾的水温进行预测。
Description
技术领域
本发明涉及水温预测技术领域，具体的说是基于LSTM与差分回归模型动态加权的海湾水温组合预测方法。
背景技术
水温是水产养殖中影响鱼类生长状况、生长质量的关键因素之一，水温的突变会对水体中pH值、溶解氧、氨氮等产生影响，影响鱼类适宜的生存环境。
水温易受气温、水生物活动等多因素交叉影响，具有非平稳、非线性等特征，使得单项预测方法存在预测精度低、泛化性能差等缺陷，难以满足人们对渔业生产管理的实际需要。
现有的水温预测方法主要包括传统数理统计法和人工智能方法，基于水温机理的数理方法对影响水温变化的机理和因素进行了分析，研究了不同水层条件、时空分布、流速、流量等对水温的影响，利用水文气象理论、二维和三维模型等构建水温预测模型，这些方法虽然能够对水库、水槽的水温进行有效预测，但预测模型复杂，参数多且难获取；基于数据挖掘的非机理方法一般通过大量数据构建数学模型，获得水温与相关影响因子的关系，捕捉水温变化规律，针对大量样本构建的数学模型较多使用机器学习算法，但单一的机器学习算法往往只能预测水温变化趋势，无法对水温突变点进行有效预测。目前仍缺少能有效预测水温变化趋势和水温突变点的水温预测方法。
发明内容
本发明的目的在于提出了基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，该海湾水温预测方法精度高、结果可靠，能较好地预测海湾未来7天的水温数值，可为海洋渔业生产、科研和管理提供数据、信息和服务保障。
为实现上述目的，本发明采用以下技术方案：
基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，包括以下步骤：
S1、收集海湾的水温数据和气象数据，并进行数据预处理；
S2、根据预处理后的数据，构建LSTM神经网络预测模型，以及对每日预报气温数据、水温数据进行差分，得到预报气温差分值和实测水温差分值；
S3、训练、测试LSTM神经网络预测模型，选取最佳的LSTM神经网络预测模型；
S4、基于预报气温差分值、实测水温值构建纯差分回归预测模型；基于预报气温差分值、实测水温差分值和实测水温值构建混差分回归预测模型；
S5、将最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型基于动态加权的方式组合成水温在线预测模型，并采用水温在线预测模型对海湾的水温进行预测。
优选地，步骤S1中所述水温数据包括日最高水温、日最低水温和日平均水温；所述气象数据包括气象观测数据和气象预报数据；所述气象观测数据包括气温统计量、气压统计量、相对湿度统计量、风速统计量、风向统计量和降水，时间分辨率为1天；所述气象预报数据包括每天更新的未来7日气象预报数据，未来7日气象预报数据包括未来7日的日最高温和日最低温。
优选地，步骤S2的具体过程为：
S21、对水温数据进行归一化处理，并将水温数据和气象观测数据按0.8:0.2的比例划分为训练集和测试集；
S22、基于水温数据的训练集部分，将气象观测数据和过去若干天的水温数据进行组合得到组合数据，再将组合数据作为输入因子，未来7天的水温数据作为输出因子，构建得到LSTM神经网络预测模型；
S23、对水温数据进行一阶差分；
S24、对每日获取的第一天气温数据进行一阶差分，并对每日获取的未来7日气温数据间进行一阶差分。
优选地，步骤S21中归一化处理的计算公式为：
其中，X是原始实测数据，Xnormal是归一化后的数据，Xmean和Xstd分别是训练集的均值和方差；步骤S22中所述过去若干天的水温数据是指选取不同时间长度的水温数据；所述组合数据是指将水温数据作为固定输入参数，与其它气象观测要素遍历的方式进行组合。
优选地，步骤S3的具体过程为：
S31、基于水温数据的测试集部分，将组合数据输入到训练好的网络中，通过反归一化，得到未来7天的日频水温预测结果；
S32、对比预测结果和实测数据，以水温预警等级准确率、均方根误差RMSE、平均绝对误差MAE和决定系数R2作为检验标准，统计模型测试结果，并选取最佳的LSTM神经网络预测模型。
优选地，步骤S31中反归一化公式为：
Xfinal＝Xpre*Xstd+Xmean
其中，Xpre是原始预测值，Xfinal是反归一化的最终预测值，Xmean和Xstd分别是训练集的均值和方差；
步骤S32中所述水温预警等级准确率的计算公式为：
其中，水温等级的划分参照大黄鱼的适宜生长温度，共有7个等级；
以均方根误差RMSE为最重要的指标，对所有训练好的模型进行测试，选取在验证集和测试集中精度最高的模型为最佳的LSTM神经网络预测模型。
优选地，步骤S4中纯差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wp1,wp2,wp3和为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；/>为第t+1-i天获取的当天气温预报值；/>为第t-i天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值；/>为第t天获取的当天气温预报值。
通过线性回归方程的方式选取wp1,wp2,wp3和的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wp1,wp2,wp3和/>
其中，xt+1-n为第t+1-n天的水温实测值。
优选地，步骤S4中混差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wm1,wm2和为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；xt-2为第t-2天的水温实测值；/>为第t天获取的当天气温预报值；/>为第t-1天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值。
通过线性回归方程的方式选取wm1,wm2和的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wm1,wm2和/>
其中，xt+1-n为第t+1-n天的水温实测值。
优选地，步骤S5中所述动态加权的方式为：设置最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型的初始权重之比为1:1:1，以均方根误差RMSE为统计指标，每日对三个模型的预测精度进行统计，精度越大的令其权重更大，每日动态地更新组合模型的权重。
优选地，步骤S1中所述数据预处理包括剔除异常数据、剔除重复数据、对小段缺失数据进行插值、统一时间频率；所述剔除异常数据是通过设置阈值和变化率阈值，对异常数据进行剔除；所述剔除重复数据是将日期重复的数据剔除以及将连续时间段重复相同数值的数据剔除；所述对小段缺失数据进行插补的过程为：针对天频数据，若数据只缺失1天，则采用线性插值将其填充，针对时频数据，若数据只缺失1小时，则采用前1个小时数据与后一个小时数据进行线性插值填充，若数据连续缺失小于24小时，且前一天数据与后一天数据均完整，则采用前一天该时刻和后一天该时刻的数据进行线性插值填充，其余情况不进行插补；所述统一时间频率是将水温数据均统一为天频数据。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：本发明为预测水温的变化趋势，利用观测水温数据构建LSTM神经网络模型；为准确预报水温的突变点，对实测水温和预报气温数据进行差分，基于预报气温差分值、实测水温值构建纯差分回归预测模型，基于预报气温差分值、实测水温差分值和实测水温值构建混差分回归预测模型；采用动态加权的方式将三个模型组合成水温在线预测模型，预测精度高、结果可靠，可实现未来7天的水温数值预测，为渔业生产、科研与管理提供水温等级预警信息服务。
附图说明
图1为本发明的流程图；
图2为本发明的流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1至图2，基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，包括以下步骤：
S1、收集海湾的水温数据和气象数据，并进行数据预处理；
步骤S1中所述水温数据包括日最高水温、日最低水温和日平均水温；所述气象数据包括气象观测数据和气象预报数据；所述气象观测数据包括气温统计量、气压统计量、相对湿度统计量、风速统计量、风向统计量和降水，时间分辨率为1天；所述气象预报数据包括每天更新的未来7日气象预报数据，未来7日气象预报数据包括未来7日的日最高温和日最低温；
步骤S1中所述数据预处理包括剔除异常数据、剔除重复数据、对小段缺失数据进行插值、统一时间频率；所述剔除异常数据是通过设置阈值和变化率阈值，对异常数据进行剔除；所述剔除重复数据是将日期重复的数据剔除以及将连续时间段重复相同数值的数据剔除；所述对小段缺失数据进行插补的过程为：针对天频数据，若数据只缺失1天，则采用线性插值将其填充，针对时频数据，若数据只缺失1小时，则采用前1个小时数据与后一个小时数据进行线性插值填充，若数据连续缺失小于24小时，且前一天数据与后一天数据均完整，则采用前一天该时刻和后一天该时刻的数据进行线性插值填充，其余情况不进行插补；所述统一时间频率是将水温数据均统一为天频数据；
S2、根据预处理后的数据，构建LSTM神经网络预测模型，以及对每日预报气温数据、水温数据进行差分，得到预报气温差分值和实测水温差分值；
步骤S2的具体过程为：
S21、对水温数据进行归一化处理，并将水温数据和气象观测数据按0.8:0.2的比例划分为训练集和测试集；
步骤S21中归一化处理的计算公式为：
其中，X是原始实测数据，Xnormal是归一化后的数据，Xmean和Xstd分别是训练集的均值和方差；
S22、基于水温数据的训练集部分，将气象观测数据和过去若干天的水温数据进行组合得到组合数据，再将组合数据作为输入因子，未来7天的水温数据作为输出因子，构建得到LSTM神经网络预测模型；
步骤S22中所述过去若干天的水温数据是指选取不同时间长度的水温数据；所述组合数据是指将水温数据作为固定输入参数，与其它气象观测要素遍历的方式进行组合；
S23、对水温数据进行一阶差分；
S24、对每日获取的第一天气温数据进行一阶差分，并对每日获取的未来7日气温数据间进行一阶差分；
S3、训练、测试LSTM神经网络预测模型，选取最佳的LSTM神经网络预测模型；
步骤S3的具体过程为：
S31、基于水温数据的测试集部分，将组合数据输入到训练好的网络中，通过反归一化，得到未来7天的日频水温预测结果；
步骤S31中反归一化公式为：
Xfinal＝Xpre*Xstd+Xmean
其中，Xpre是原始预测值，Xfinal是反归一化的最终预测值，Xmean和Xstd分别是训练集的均值和方差；
S32、对比预测结果和实测数据，以水温预警等级准确率、均方根误差RMSE、平均绝对误差MAE和决定系数R2作为检验标准，统计模型测试结果，并选取最佳的LSTM神经网络预测模型；
步骤S32中所述水温预警等级准确率的计算公式为：
其中，水温等级的划分参照大黄鱼的适宜生长温度，共有7个等级，见表1；
表1.水温等级的划分
等级预测结果说明见表2。
表2.等级预警结果说明
注：红低：红色低温；橙低：橙色低温；黄低：黄色低温；黄高：黄色高温；
橙高：橙色高温；红高：红色高温；
以均方根误差RMSE为最重要的指标，对所有训练好的模型进行测试，选取在验证集和测试集中精度最高的模型为最佳的LSTM神经网络预测模型；
S4、基于预报气温差分值、实测水温值构建纯差分回归预测模型；基于预报气温差分值、实测水温差分值和实测水温值构建混差分回归预测模型；
步骤S4中纯差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wp1,wp2,wp3和为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；/>为第t+1-i天获取的当天气温预报值；/>为第t-i天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值；/>为第t天获取的当天气温预报值。
通过线性回归方程的方式选取wp1,wp2,wp3和的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wp1,wp2,wp3和/>
其中，xt+1-n为第t+1-n天的水温实测值；
步骤S4中混差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wm1,wm2和为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；xt-2为第t-2天的水温实测值；/>为第t天获取的当天气温预报值；/>为第t-1天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值。
通过线性回归方程的方式选取wm1,wm2和的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wm1,wm2和/>
其中，xt+1-n为第t+1-n天的水温实测值；
S5、将最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型基于动态加权的方式组合成水温在线预测模型，并采用水温在线预测模型对海湾的水温进行预测；
步骤S5中所述动态加权的方式为：设置最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型的初始权重之比为1:1:1，以均方根误差RMSE为统计指标，每日对三个模型的预测精度进行统计，精度越大的令其权重更大，每日动态地更新组合模型的权重。若第二天LSTM神经网络预测模型的预测精度最高，则令LSTM神经网络预测模型的权重为(1+1)/(3+1)即1/2，令纯差分回归预测模型和混差分回归预测模型的权重均为1/(3+1)即1/4，将模型预测值乘以对应的权重并相加，就得到第二天组合模型对未来七天水温的预测结果；若第三天混差分回归预测模型的预测精度最高，则令混差分回归预测模型的权重为(1+1)/(3+2)即2/5，纯差分回归预测模型的权重为1/(3+2)即1/5，LSTM神经网络预测模型的权重为2/(3+2)即2/5，将模型预测值乘以对应的权重并相加，就得到第三天组合模型对未来七天水温的预测结果，以此类推。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，包括以下步骤：
S1、收集海湾的水温数据和气象数据，并进行数据预处理；
S2、根据预处理后的数据，构建LSTM神经网络预测模型，以及对每日预报气温数据、水温数据进行差分，得到预报气温差分值和实测水温差分值；
S3、训练、测试LSTM神经网络预测模型，选取最佳的LSTM神经网络预测模型；
S4、基于预报气温差分值、实测水温值构建纯差分回归预测模型；基于预报气温差分值、实测水温差分值和实测水温值构建混差分回归预测模型；
步骤S4中纯差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wp1,wp2,wp3和(2≤n≤7)为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；/>为第t+1-i天获取的当天气温预报值；/>为第t-i天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值；/>为第t天获取的当天气温预报值；
通过线性回归方程的方式选取wp1,wp2,wp3和(2≤n≤7)的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wp1,wp2,wp3和/>(2≤n≤7)：
其中，xt+1-n为第t+1-n天的水温实测值；
步骤S4中混差分回归预测模型的构建方法为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，则第1天水温预测值/>的计算公式为：
第n(2≤n≤7)天水温预测值的计算公式为：
其中，wm1,wm2和(2≤n≤7)为权重，通过构建线性回归方程的方式进行选取；xt-1为第t-1天的水温实测值；xt-2为第t-2天的水温实测值；/>为第t天获取的当天气温预报值；为第t-1天获取的当天气温预报值；/>为第t天获取的未来第n天的气温预报值；
通过线性回归方程的方式选取wm1,wm2和(2≤n≤7)的具体方式为：
设第k天发布的气象预报的气温预测值分别为水温实测值为xk，当前时刻为t，根据该海湾的历史水温和气象预报数据，按以下各式建立线性回归方程，计算wm1,wm2和/>(2≤n≤7)：
其中，xt+1-n为第t+1-n天的水温实测值；
S5、将最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型基于动态加权的方式组合成水温在线预测模型，并采用水温在线预测模型对海湾的水温进行预测；
步骤S5中所述动态加权的方式为：设置最佳的LSTM神经网络预测模型、纯差分回归预测模型与混差分回归预测模型的初始权重之比为1:1:1，以均方根误差RMSE为统计指标，每日对三个模型的预测精度进行统计，精度越大的令其权重更大，每日动态地更新组合模型的权重。
2.如权利要求1所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于：步骤S1中所述水温数据包括日最高水温、日最低水温和日平均水温；所述气象数据包括气象观测数据和气象预报数据；所述气象观测数据包括气温统计量、气压统计量、相对湿度统计量、风速统计量、风向统计量和降水，时间分辨率为1天；所述气象预报数据包括每天更新的未来7日气象预报数据，未来7日气象预报数据包括未来7日的日最高温和日最低温。
3.如权利要求2所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，步骤S2的具体过程为：
S21、对水温数据进行归一化处理，并将水温数据和气象观测数据按0.8:0.2的比例划分为训练集和测试集；
S22、基于水温数据的训练集部分，将气象观测数据和过去若干天的水温数据进行组合得到组合数据，再将组合数据作为输入因子，未来7天的水温数据作为输出因子，构建得到LSTM神经网络预测模型；
S23、对水温数据进行一阶差分；
S24、对每日获取的第一天气温数据进行一阶差分，并对每日获取的未来7日气温数据间进行一阶差分。
4.如权利要求3所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，步骤S21中归一化处理的计算公式为：
其中，X是原始实测数据，Xnormal是归一化后的数据，Xmean和Xstd分别是训练集的均值和方差；步骤S22中所述过去若干天的水温数据是指选取不同时间长度的水温数据；所述组合数据是指将水温数据作为固定输入参数，与其它气象观测要素遍历的方式进行组合。
5.如权利要求4所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，步骤S3的具体过程为：
S31、基于水温数据的测试集部分，将组合数据输入到训练好的网络中，通过反归一化，得到未来7天的日频水温预测结果；
S32、对比预测结果和实测数据，以水温预警等级准确率、均方根误差RMSE、平均绝对误差MAE和决定系数R2作为检验标准，统计模型测试结果，并选取最佳的LSTM神经网络预测模型。
6.如权利要求5所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，步骤S31中反归一化公式为：
Xfinal＝Xpre*Xstd+Xmean
其中，Xpre是原始预测值，Xfinal是反归一化的最终预测值，Xmean和Xstd分别是训练集的均值和方差；
步骤S32中所述水温预警等级准确率的计算公式为：
其中，水温等级的划分参照大黄鱼的适宜生长温度，共有7个等级；
以均方根误差RMSE为最重要的指标，对所有训练好的模型进行测试，选取在验证集和测试集中精度最高的模型为最佳的LSTM神经网络预测模型。
7.如权利要求1所述的基于LSTM与差分回归模型动态加权的海湾水温组合预测方法，其特征在于，步骤S1中所述数据预处理包括剔除异常数据、剔除重复数据、对小段缺失数据进行插值、统一时间频率；所述剔除异常数据是通过设置阈值和变化率阈值，对异常数据进行剔除；所述剔除重复数据是将日期重复的数据剔除以及将连续时间段重复相同数值的数据剔除；所述对小段缺失数据进行插补的过程为：针对天频数据，若数据只缺失1天，则采用线性插值将其填充，针对时频数据，若数据只缺失1小时，则采用前1个小时数据与后一个小时数据进行线性插值填充，若数据连续缺失小于24小时，且前一天数据与后一天数据均完整，则采用前一天该时刻和后一天该时刻的数据进行线性插值填充，其余情况不进行插补；所述统一时间频率是将水温数据均统一为天频数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555814.6A CN114971005B (zh) | 2022-05-20 | 2022-05-20 | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555814.6A CN114971005B (zh) | 2022-05-20 | 2022-05-20 | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971005A CN114971005A (zh) | 2022-08-30 |
| CN114971005B true CN114971005B (zh) | 2024-06-07 |
Family
ID=82984988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210555814.6A Active CN114971005B (zh) | 2022-05-20 | 2022-05-20 | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971005B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227658A (zh) * | 2022-12-13 | 2023-06-06 | 国家***北海预报中心((国家***青岛海洋预报台)(国家***青岛海洋环境监测中心站)) | 一种基于长短时记忆神经网络的站点海温预报方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015163861A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 気温予測システム、気温予測方法 |
| CN106407691A (zh) * | 2016-09-28 | 2017-02-15 | 中国地质大学（武汉） | 一种赤潮生物量预测方法及装置 |
| EP3499433A1 (en) * | 2017-12-14 | 2019-06-19 | Business Objects Software Limited | Multi-step time series forecasting with residual learning |
| CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
| CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
-
2022
- 2022-05-20 CN CN202210555814.6A patent/CN114971005B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015163861A (ja) * | 2014-02-28 | 2015-09-10 | 中国電力株式会社 | 気温予測システム、気温予測方法 |
| CN106407691A (zh) * | 2016-09-28 | 2017-02-15 | 中国地质大学（武汉） | 一种赤潮生物量预测方法及装置 |
| EP3499433A1 (en) * | 2017-12-14 | 2019-06-19 | Business Objects Software Limited | Multi-step time series forecasting with residual learning |
| CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
| CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于差分回归模型和可迁移长短期记忆网络集成的三沙湾水温预测;赖晓倩 等;《海洋学报》;20230430;全文 * |
| 基于时空优化LSTM深度学习网络的气温预测;杨耘;王彬泽;刘艳;席江波;柏涵;王丽霞;吴田军;;徐州工程学院学报(自然科学版);20200630(02);全文 * |
| 基于最优加权组合模型的枯季径流预测研究;孙惠子;粟晓玲;昝大为;;西北农林科技大学学报(自然科学版);20111021(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971005A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
| CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN114862035B (zh) | 一种基于迁移学习的组合式海湾水温预测方法 | |
| CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN109002888B (zh) | 一种赤潮预警方法 | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN112381292B (zh) | 一种顾及时空相关性和气象因素的河流水质预测方法 | |
| CN108416460B (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
| CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
| CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
| CN113159456A (zh) | 水质预测方法、装置、电子设备及存储介质 | |
| CN114971005B (zh) | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 | |
| CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
| CN115878603A (zh) | 基于k近邻算法与gan网络的水质缺失数据插补算法 | |
| CN112001537B (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
| Gama et al. | Stream-based electricity load forecast | |
| CN114357716A (zh) | 一种基于数字孪生技术的流域水文模型参数动态估计方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN113642699A (zh) | 一种江河洪水智能预报*** | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
| Sylaios et al. | A fuzzy inference system for wind-wave modeling |
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 |