CN116449462B - 海浪有效波高时空序列预测方法、***、存储介质及设备 - Google Patents
海浪有效波高时空序列预测方法、***、存储介质及设备 Download PDFInfo
- Publication number
- CN116449462B CN116449462B CN202310720313.3A CN202310720313A CN116449462B CN 116449462 B CN116449462 B CN 116449462B CN 202310720313 A CN202310720313 A CN 202310720313A CN 116449462 B CN116449462 B CN 116449462B
- Authority
- CN
- China
- Prior art keywords
- data
- wave
- moment
- wave height
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000000306 recurrent effect Effects 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Remote Sensing (AREA)
- Environmental Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海浪预报技术领域，本发明公开了海浪有效波高时空序列预测方法、***、存储介质及设备，包括：获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。稳定了预测误差，有效提升了海浪有效波高预测精度，延长了有效预测预报时间。
Description
技术领域
本发明涉及海浪预报技术领域，具体的说，是涉及海浪有效波高时空序列预测方法、***、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
海浪是海洋中最常见的现象，极端高度的海浪被认为是威胁海上作业和航行的海洋灾难，因此，海浪预报已成为全世界海事机构不可或缺的工作。海浪有效波高作为一个最重要的参数被用来描述波高的统计分布特征，传统的海浪有效波高的预报主要使用基于纳维-斯托克斯（Navier-Stokes）方程的数值模式方法，例如，第三代数值波浪模型包括SWAN（Simulating Waves Nearshore，第三代近岸海浪数值计算模式）和WaveWatch III（第三代海浪数值预报模式）。这些模型使用大量的计算资源进行离散计算而不是微分方程，导致了不可避免的***误差。此外，数值模式在整合新的观测***数据方面的不足以及无法有效应用海量观测数据上的弊端也逐渐显露出来。相比之下，近年来大数据和人工智能技术的发展为海浪预测提供了一种新的数据驱动方法。特别是，深度学习在海浪预测中应用受到越来越多的关注，然而，大多数深度学习方法是针对单点预测预报设计的，这不可避免地降低了对目标位置海浪有效波高预测的准确性，因为波高是一个二维场，在空间上是交叉关联的。
为了解决海浪有效波高的时空序列预测问题，时空序列预测算法ConvLSTM（Convolutional LSTM Network，卷积LSTM网络）被应用于二维时序海浪有效波高预测，但，目前的海浪有效波高时空序列预测缺乏多动力要素的约束，误差随时间增长迅速，导致有效预测时间限制在24小时之内。
发明内容
本发明为了解决上述问题，本发明提供海浪有效波高时空序列预测方法、***、存储介质及设备，使用基于递归策略的多步预测方法，并在预测过程中将未来的动力要素和边界数据加入到预测当中，稳定了预测误差，有效提升了海浪有效波高预测精度，延长了有效预测预报时间。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供海浪有效波高时空序列预测方法，其包括：
获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；
将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；
基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。
进一步地，所述多要素数据包括海面风数据、海流数据和水深数据。
进一步地，所述基于递归策略的单步预测的具体为：若预测第k未来时刻的海浪有效波高数据，将第k-1未来时刻的海浪有效波高数据，与第k未来时刻的多要素数据一起，加入所述输入数据序列，并将第k-1时刻的海浪有效波高和第k时刻的多要素数据移出所述输入数据序列后，通过预测递归神经网络，预测得到第k未来时刻的海浪有效波高数据。
进一步地，采用海浪有效波高的边界数据对所述第k-1未来时刻的海浪有效波高数据进行校正后，与第k未来时刻的多要素数据一起，加入所述输入数据序列。
进一步地，对获取的初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据，使用三次样条插值法进行统一插值后，作为输入数据序列。
进一步地，对所述输入数据序列中的数据进行归一化后，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据。
进一步地，使用平均绝对误差、均方根误差、平均绝对百分比误差和相关系数衡量所述预测递归神经网络对海浪有效波高数据预测的准确性。
本发明的第二个方面提供海浪有效波高时空序列预测***，其包括：
数据获取模块，其被配置为：获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；
第一预测模块，其被配置为：将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；
第二预测模块，其被配置为：基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的海浪有效波高时空序列预测方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的海浪有效波高时空序列预测方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了海浪有效波高时空序列预测方法，其使用基于递归策略的多步预测方法，并在预测过程中将未来的动力要素和边界数据加入到预测当中，稳定了预测误差，有效提升了海浪有效波高预测精度，延长了有效预测预报时间。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1为本发明的实施例一的PredRNN模型的框架图；
图2为本发明的实施例一的海浪有效波高时空序列预测方法预测的海浪有效波高与ERA-5再分析数据的二维散点密度图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
术语解释：
LSTM：Long Short-Term Memory，长短期记忆网络。
ST-LSTM：时空LSTM。
PredRNN：Predictive Recurrent Neural Network，预测递归神经网络。
实施例一
本实施例一的目的是提供海浪有效波高时空序列预测方法。
越来越多的研究已经发现海浪与海洋表面流和上层大气有很强的耦合性，同时，海浪有效波高和水深之间也有着密切关联。因此，海面风、海流和水深对于计算陆架海区，如东中国海区域，是非常重要的，应考虑作为时空海浪有效波高预测模型的输入。
本实施例的海浪有效波高时空序列预测方法，基于神经网络开发了动力过程完整、边界完善的多要素驱动的二维海浪有效波高预测模型；使用多通道PredRNN模型（预测递归神经网络），并使用基于递归的多步预测策略，将历史海浪有效波高数据、10m表面风数据、海流数据、水深数据和海浪有效波高开边界数据，用于未来连续1-72小时海浪有效波高时空预测；同时，使用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（CC）衡量预测递归神经网络对海浪有效波高预测的准确性。
本实施例的海浪有效波高时空序列预测方法，包括如下步骤：
步骤1、获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据。
在本实施例中，初始时刻记为1时刻，当前时刻记为t时刻，初始时刻到当前时刻之间包括：第二时刻（记为2时刻）、第三时刻（记为3时刻）、…，第t-1时刻（记为t-1时刻）。
在本实施例中，若干未来时刻包括：第一未来时刻记为t+1时刻，第二未来时刻记为t+2时刻，……，第k-1未来时刻记为t+k-1时刻，第k未来时刻记为t+k时刻（目标未来时刻）；其中，k大于1。
从1时刻到t时刻的历史海浪有效波高表示为；从2时刻到t+1时刻的多要素数据表示为/>。
其中，多要素数据包括海面风数据（包括U和V分量）、海流数据（包括U和V分量）和水深数据；海面风数据为10m表面风数据。
步骤2、将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络（PredRNN模型），预测得到第一未来时刻的海浪有效波高数据。
作为一种实施方式，对获取的初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据，使用三次样条插值法将数据统一插值为1h×0.5°时空分辨率，并对数据进行归一化后，作为输入数据序列。
步骤3、基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。
其中，基于递归策略的单步预测的具体为：若预测第k未来时刻的海浪有效波高数据，采用海浪有效波高的边界数据对第k-1未来时刻的海浪有效波高数据进行校正后，与第k未来时刻的多要素数据一起，加入输入数据序列，并将第k-1时刻的海浪有效波高和第k时刻的多要素数据移出输入数据序列后，通过预测递归神经网络，预测得到第k未来时刻的海浪有效波高数据。
在本实施例中，首先，将从1时刻到t时刻的历史海浪有效波高和从2时刻到t+1时刻的多要素数据/>组合作为预测递归神经网络的输入，以预测t+1时刻的海浪有效波高数据/>；然后，采用来自于数值模式的开边界数据/>（海浪有效波高的边界数据）校正开边界处的海浪有效波高数据/>；最后，将/>和/>添加到输入数据序列，并将/>和/>移出输入数据序列，以预测t+2时刻的海浪有效波高数据/>；在本实施例中，需要预测72个未来时刻的海浪有效波高数据，即k=1,2,…,72，所以，上述过程循环并迭代地产生未来1-72小时连续的海浪有效波高预测数据。
在本实施例中，校正是指用真实的开边界数据对预测数据/>进行替换，即，用真值替换预测值。
在本实施例中，第i时刻的海浪有效波高和第i+1时刻的多要素数据组成输入数据序列中的一个元素，输入数据序列中包含t个元素，且输入数据序列中的元素按照时间排序；其中，i=1,2,…,t+k。
如图1所示，PredRNN模型包含t层网络结构，每一层网络结构包含4个依次连接的ST-LSTM，输入数据序列中的第q个元素输入第q层网络结构，且第q层网络结构的输出要输入第q+1层网络结构；每q层网络结构中的第j个ST-LSTM的输出要输入q+1层网络结构中的第j个ST-LSTM。其中，q=1,2,…,t。
其中，海浪有效波高的边界数据为海浪有效波高这一个要素的边界数据。
其中，未来时刻的多要素数据来自于数值模式的预测结果，因为对海面风数据、海流数据和水深数据的预测准确性和预测有效时长，远高于海浪有效波高。
在本实施例中，海浪有效波高数据作为预测对象和初始边界，同时，将与海浪具有强耦合性的海流数据与海风数据作为主要动力要素和边界加入海浪有效波高预测当中；将与海浪有效波高在统计学上具有强相关性的水深数据作为下边界加入海浪有效波高预测当中。
在本实施例中，预测递归神经网络在训练和预测过程中具有完整的动力要素（海风、海流）和完整的边界要素（水深、海浪有效波高开边界数据）；使用基于递归策略的多步预测方法，在预测过程中将未来的动力要素和边界数据加入到预测当中，稳定预测误差。
在本实施例中，在时间上，使用2011-2019年共十年的数据开展预测递归神经网络的训练与测试实验，在空间上，范围为24°N~41°N，118°E~132°E。首先，使用三次样条插值法将数据统一插值为1h×0.5°时空分辨率并对数据进行归一化，处理后的数据在时间上共包含87,648小时，空间上为35×29的数据矩阵，数据类型上共包括海浪有效波高、海面风、海流、水深四种数据，其中风和海流数据分别包含了在U和V两个分量上的数据，所以数据维度为（87648, 35, 29, 6）；然后，将数据划分为训练集(2011-2017年)、验证集(2018年)和测试集(2019年)，分别用于预测递归神经网络的训练验证和测试；最后，将数据集划分为数据样本，格式化为预测递归神经网络支持的输入输出格式。
在测试实验中，基于多要素驱动的PredRNN模型预测的海浪有效波高在前12小时内相对于ERA-5再分析的MAE在大部分区域都在0.2m之内，但随着时间的推移而增加；12小时后，MAE开始积累并主要分布在渤海和朝鲜半岛东部，约为0.4m；24小时后MAE逐渐稳定，24小时和72小时之间没有显著差异。渤海和朝鲜半岛东部MAE的积累很可能是由于陆海环境的复杂性和该海域被陆地包围所致；另一方面，24小时后MAE保持稳定得益于模型完整的动力过程和边界；其中，ERA-5是数据集的名称，全称是欧洲中期天气预报中心，再分析数据集，也就是实验过程中的真值。
此外，如图2所示，散点图和RMSE、MAPE和CC等其他评估指标用于评估不同预测时间的准确性，其中，虚线表示预测值等于真实值。对于基于多要素驱动的PredRNN的海浪有效波高预测，CC分别从1小时的0.99下降到12小时的0.95、24小时的0.90和72小时的0.87，RMSE分别从1h的0.04m上升到12h的0.26m、24h的0.36m和72h的0.39m，其准确性优于现有的基于ConvLSTM算法的海浪有效波高时空序列预测。
实施例二
本实施例二的目的是提供海浪有效波高时空序列预测***，包括：
数据获取模块，其被配置为：获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；
第一预测模块，其被配置为：将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；
第二预测模块，其被配置为：基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述实施例一所述的海浪有效波高时空序列预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的海浪有效波高时空序列预测方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.海浪有效波高时空序列预测方法，其特征在于，包括：
获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；
将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；
基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据；
所述多要素数据包括海面风数据、海流数据和水深数据；
所述基于递归策略的单步预测的具体为：若预测第k未来时刻的海浪有效波高数据，将第k-1未来时刻的海浪有效波高数据，与第k未来时刻的多要素数据一起，加入所述输入数据序列，并将第k-1时刻的海浪有效波高和第k时刻的多要素数据移出所述输入数据序列后，通过预测递归神经网络，预测得到第k未来时刻的海浪有效波高数据；
采用海浪有效波高的边界数据对所述第k-1未来时刻的海浪有效波高数据进行校正后，与第k未来时刻的多要素数据一起，加入所述输入数据序列；
对获取的初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据，使用三次样条插值法进行统一插值后，作为输入数据序列；
对所述输入数据序列中的数据进行归一化后，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据。
2.如权利要求1所述的海浪有效波高时空序列预测方法，其特征在于，使用平均绝对误差、均方根误差、平均绝对百分比误差和相关系数衡量所述预测递归神经网络对海浪有效波高数据预测的准确性。
3.海浪有效波高时空序列预测***，利用如权利要求1所述的海浪有效波高时空序列预测方法实现，其特征在于，包括：
数据获取模块，其被配置为：获取初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据；
第一预测模块，其被配置为：将初始时刻到当前时刻的海浪有效波高和第二时刻到第一未来时刻的多要素数据作为输入数据序列，采用预测递归神经网络，预测得到第一未来时刻的海浪有效波高数据；
第二预测模块，其被配置为：基于第一未来时刻的海浪有效波高数据和第二未来时刻到目标未来时刻的多要素数据，通过基于递归策略的单步预测，并采用预测递归神经网络，得到第二未来时刻到目标未来时刻的海浪有效波高数据。
4.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，其特征在于，该程序被处理器执行时实现如权利要求1-2中任一项所述的海浪有效波高时空序列预测方法中的步骤。
5.一种计算机设备，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程序时实现如权利要求1-2中任一项所述的海浪有效波高时空序列预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310720313.3A CN116449462B (zh) | 2023-06-19 | 2023-06-19 | 海浪有效波高时空序列预测方法、***、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310720313.3A CN116449462B (zh) | 2023-06-19 | 2023-06-19 | 海浪有效波高时空序列预测方法、***、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449462A CN116449462A (zh) | 2023-07-18 |
| CN116449462B true CN116449462B (zh) | 2023-10-03 |
Family
ID=87122355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310720313.3A Active CN116449462B (zh) | 2023-06-19 | 2023-06-19 | 海浪有效波高时空序列预测方法、***、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449462B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822253B (zh) * | 2023-08-29 | 2023-12-08 | 山东省计算中心（国家超级计算济南中心） | 适用于masnum海浪模式的混合精度实现方法及*** |
| CN117574099B (zh) * | 2024-01-16 | 2024-04-05 | 广东海洋大学 | 一种时空校正的甲板上浪时间预测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789808B1 (ko) * | 2017-01-06 | 2017-10-25 | (주)전략해양 | 선박운항지수 예보 장치 및 그 방법 |
| KR20200084386A (ko) * | 2018-12-20 | 2020-07-13 | 한동대학교 산학협력단 | 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 |
| CN112711915A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种海浪有效波高预测方法 |
| CN114549925A (zh) * | 2022-01-18 | 2022-05-27 | 大连理工大学 | 一种基于深度学习的海浪有效波高时间序列预测方法 |
| CN115169439A (zh) * | 2022-06-16 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于序列到序列网络的有效波高预测方法和*** |
| CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、***及应用 |
-
2023
- 2023-06-19 CN CN202310720313.3A patent/CN116449462B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789808B1 (ko) * | 2017-01-06 | 2017-10-25 | (주)전략해양 | 선박운항지수 예보 장치 및 그 방법 |
| KR20200084386A (ko) * | 2018-12-20 | 2020-07-13 | 한동대학교 산학협력단 | 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 |
| CN112711915A (zh) * | 2021-01-08 | 2021-04-27 | 自然资源部第一海洋研究所 | 一种海浪有效波高预测方法 |
| CN114549925A (zh) * | 2022-01-18 | 2022-05-27 | 大连理工大学 | 一种基于深度学习的海浪有效波高时间序列预测方法 |
| CN115169439A (zh) * | 2022-06-16 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于序列到序列网络的有效波高预测方法和*** |
| CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、***及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM神经网络的畸形波预测;赵勇;苏丹;邹丽;王爱民;;华中科技大学学报(自然科学版)(第07期);全文 * |
| 支持向量回归的机器学习方法在海浪预测中的应用;王燕;钟建;张志远;;海洋预报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449462A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116449462B (zh) | 海浪有效波高时空序列预测方法、***、存储介质及设备 | |
| CN112446419B (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
| CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
| CN112561148A (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及*** | |
| CN112862774B (zh) | 一种遥感影像建筑物精确分割方法 | |
| CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
| CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及*** | |
| CN111967679A (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
| CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN113240169A (zh) | 基于多模态数据和上下采样的gru网络的短临降水预测方法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN114611608A (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
| CN115951430A (zh) | 一种基于lstm的地磁指数预报方法 | |
| CN116187563A (zh) | 一种融合改进变分模态分解的海表温度时空智能预测方法 | |
| CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
| CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及*** | |
| CN113642591B (zh) | 一种基于迁移学习的多波束海底沉积层类型的估计方法及*** | |
| CN113222209A (zh) | 基于域适应的区域尾气迁移预测方法、***及存储介质 | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN116341391A (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
| Kala et al. | CEEMDAN hybridized with LSTM model for forecasting monthly rainfall | |
| CN115062526B (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
| CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 |
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 |