【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及氣象預(yù)測技術(shù)，具體涉及一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法及系統(tǒng)。
技術(shù)介紹
1、臺(tái)風(fēng)是一種典型的熱帶天氣極端事件，嚴(yán)重威脅著沿海地區(qū)人民的生命財(cái)產(chǎn)安全和經(jīng)濟(jì)的發(fā)展。臺(tái)風(fēng)的預(yù)測和研究不僅可以降低臺(tái)風(fēng)災(zāi)害的直接影響，更能提前預(yù)報(bào)暴雨大風(fēng)等極端天氣，對于提前部署防災(zāi)措施提供一定幫助，大大減少人身傷害和財(cái)產(chǎn)損失。目前臺(tái)風(fēng)期間對臺(tái)風(fēng)波高等要素的預(yù)測主要是使用數(shù)值模式方法，這些模型需使用大量計(jì)算資源且計(jì)算時(shí)間較長，且海洋環(huán)境的快速變化對預(yù)測系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性提出了更高要求。近年來，隨著人工智能技術(shù)的發(fā)展，為臺(tái)風(fēng)預(yù)測提供了一種新的數(shù)據(jù)驅(qū)動(dòng)方法，尤其是深度學(xué)習(xí)在海浪預(yù)測中得到了廣泛應(yīng)用。但大多數(shù)預(yù)測模型都是對單點(diǎn)進(jìn)行預(yù)測，而忽略了空間上點(diǎn)與點(diǎn)的交叉關(guān)聯(lián)性，不可避免地影響了預(yù)測精度。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)要解決的技術(shù)問題：針對現(xiàn)有技術(shù)的上述問題，提供一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法及系統(tǒng)，能夠綜合考慮外海各變量對近岸海域信息的時(shí)滯效應(yīng)和空間關(guān)系，實(shí)現(xiàn)多源數(shù)據(jù)的融合與集成，并利用混合預(yù)測模型進(jìn)行高效、準(zhǔn)確的實(shí)時(shí)預(yù)測。
2、為了解決上述技術(shù)問題，本專利技術(shù)采用的技術(shù)方案為：
3、一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，包括以下步驟：
4、獲取研究區(qū)域各氣象數(shù)據(jù)變量的長時(shí)間序列數(shù)據(jù)的多源數(shù)據(jù)并進(jìn)行預(yù)處理，選取目標(biāo)變量并尋找與目標(biāo)變量顯著相關(guān)的特征變量，將研究區(qū)域根據(jù)經(jīng)緯度進(jìn)行區(qū)域格點(diǎn)劃分；
5、將外海格點(diǎn)的特征變量作為參考序列，將內(nèi)海或
6、將時(shí)滯效應(yīng)和空間傳播模式的分析結(jié)果作為先驗(yàn)知識(shí)引入深度學(xué)習(xí)模型，并使用特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，得到臺(tái)風(fēng)預(yù)測模型；
7、將特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)輸入臺(tái)風(fēng)預(yù)測模型，得到目標(biāo)變量的預(yù)測結(jié)果，獲取研究區(qū)域各氣象數(shù)據(jù)變量的實(shí)時(shí)觀測數(shù)據(jù)并進(jìn)行預(yù)處理，將目標(biāo)變量的預(yù)測結(jié)果與對應(yīng)的實(shí)際觀測數(shù)據(jù)進(jìn)行對比，若目標(biāo)變量的預(yù)測結(jié)果的精度滿足要求則輸出目標(biāo)變量的預(yù)測結(jié)果。
8、進(jìn)一步的，獲取研究區(qū)域各變量的長時(shí)間序列數(shù)據(jù)的多源數(shù)據(jù)并進(jìn)行預(yù)處理時(shí)，預(yù)處理的步驟包括：
9、將多源數(shù)據(jù)進(jìn)行互補(bǔ)和驗(yàn)證整合得到特征集，然后對特征集中的缺失值進(jìn)行填充，同時(shí)識(shí)別和處理特征集中的異常數(shù)據(jù)點(diǎn)，最后對特征集中的數(shù)據(jù)進(jìn)行歸一化。
10、進(jìn)一步的，選取目標(biāo)變量并尋找與目標(biāo)變量顯著相關(guān)的特征變量時(shí)，包括：
11、分別計(jì)算各氣象數(shù)據(jù)變量與目標(biāo)變量的pearson相關(guān)系數(shù)，并選取與目標(biāo)變量的pearson相關(guān)系數(shù)的絕對值大于預(yù)設(shè)的閾值的氣象數(shù)據(jù)變量，作為備選的變量；
12、對每個(gè)備選的變量建立對應(yīng)的一元回歸模型，對每個(gè)一元回歸模型的擬合程度和變量顯著性進(jìn)行評估以篩選對目標(biāo)變量有顯著正面或負(fù)面影響的高相關(guān)性變量；
13、對每個(gè)高相關(guān)性變量建立對應(yīng)的多元回歸模型，對每個(gè)多元回歸模型的性能進(jìn)行綜合評估以篩選高相關(guān)性的特征變量。
14、進(jìn)一步的，分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)和空間傳播模式時(shí)，包括：
15、將外海格點(diǎn)的特征變量中的第一特征變量作為參考序列，采用交叉相關(guān)算法分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)；
16、將外海格點(diǎn)的特征變量中的第一特征變量和第二特征變量作為參考序列，采用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算參考序列與目標(biāo)序列的最優(yōu)匹配路徑，以分析參考序列與目標(biāo)序列之間的非線性時(shí)滯效應(yīng)和空間傳播模式。
17、進(jìn)一步的，采用交叉相關(guān)算法分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)時(shí)，表達(dá)式如下：
18、
19、其中，rxy(τ)是參考序列與目標(biāo)序列之間的交叉相關(guān)函數(shù)，τ表示時(shí)滯，x(t)表示參考序列，y(t+τ)表示目標(biāo)序列。
20、進(jìn)一步的，采用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算參考序列與目標(biāo)序列的最優(yōu)匹配路徑時(shí)，表達(dá)式如下：
21、d(i,j)＝d(xi,yj)+min(d(i-1,j),d(i,j-1),d(i-1,j-1))
22、其中，d(i,j)表示從參考序列x的第一個(gè)點(diǎn)到第i個(gè)點(diǎn)，與從目標(biāo)序列y的第一個(gè)點(diǎn)到第j個(gè)點(diǎn)之間的最小累積距離；d(xi,yj)是參考序列x中第i個(gè)元素與目標(biāo)序列y中第j個(gè)元素之間的歐氏距離；d(i-1,j)表示在匹配路徑中，當(dāng)參考序列x的當(dāng)前點(diǎn)向前回退一步，而目標(biāo)序列y的當(dāng)前點(diǎn)保持不變時(shí)，所累積的最小距離；d(i,j-1)表示在匹配路徑中，當(dāng)參考序列x的當(dāng)前點(diǎn)保持不變，而目標(biāo)序列y的當(dāng)前點(diǎn)向前回退一步時(shí)，所累積的最小距離；d(i-1,j-1)表示在匹配路徑中，當(dāng)參考序列x和目標(biāo)序列y的當(dāng)前點(diǎn)都向前回退一步時(shí)，所累積的最小距離。
23、進(jìn)一步的，所述深度學(xué)習(xí)模型采用tcn-cnn模型，將時(shí)滯效應(yīng)和空間傳播模式的分析結(jié)果作為先驗(yàn)知識(shí)引入深度學(xué)習(xí)模型時(shí)，包括：
24、通過滑動(dòng)窗口將輸入數(shù)據(jù)從單一時(shí)間點(diǎn)的特征擴(kuò)展到包含多個(gè)時(shí)間點(diǎn)的序列，將多個(gè)相關(guān)的特征變量作為多維輸入提供給模型，擴(kuò)展的模型分析數(shù)據(jù)維度；
25、根據(jù)時(shí)滯效應(yīng)動(dòng)態(tài)調(diào)整tcn和cnn卷積層數(shù)量和卷積核大小，并在tcn和cnn層后加入全連接層和注意力層融合時(shí)間特征和空間特征，使得所述tcn-cnn模型的tcn模塊通過一維擴(kuò)張卷積有效捕獲時(shí)間序列中的長期依賴關(guān)系和非線性時(shí)滯效應(yīng)，所述tcn-cnn模型的cnn模塊利用空間傳播模式的信息實(shí)現(xiàn)空間特征提取；
26、在訓(xùn)練過程中利用交叉相關(guān)算法和動(dòng)態(tài)時(shí)間規(guī)整算法的結(jié)果進(jìn)行預(yù)訓(xùn)練，以更快地找到最優(yōu)解，同時(shí)構(gòu)造正則化項(xiàng)來懲罰模型預(yù)測結(jié)果中不符合時(shí)滯效應(yīng)規(guī)律的部分，具體是將動(dòng)態(tài)時(shí)間規(guī)整算法的結(jié)果轉(zhuǎn)化為正則化項(xiàng)的一部分，通過衡量預(yù)測序列與實(shí)際序列之間的路徑相似度來約束模型的學(xué)習(xí)過程，使其更加關(guān)注于序列之間的動(dòng)態(tài)相似性。
27、進(jìn)一步的，使用特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型之后，還包括：計(jì)算誤差評估指標(biāo)以評估臺(tái)風(fēng)預(yù)測模型的預(yù)測性能，所述誤差評估指標(biāo)包括均方誤差、均方根誤差、評價(jià)絕對誤差、決定系數(shù)、最小距離誤差、最大速度誤差中的一種或多種。
28、進(jìn)一步的，將目標(biāo)變量的預(yù)測結(jié)果與對應(yīng)的實(shí)際觀測數(shù)據(jù)進(jìn)行對比之后，還包括：
29、若目標(biāo)變量的預(yù)測結(jié)果的精度不滿足要求，調(diào)整臺(tái)風(fēng)預(yù)測模型的參數(shù)并使用特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)再次訓(xùn)練臺(tái)風(fēng)預(yù)測模型，將特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)輸入再次訓(xùn)練后的臺(tái)風(fēng)預(yù)測模型，得到目標(biāo)變量新的預(yù)測結(jié)果，將目標(biāo)變量的預(yù)測結(jié)果與對應(yīng)的實(shí)際觀測數(shù)據(jù)進(jìn)行對比，得到對應(yīng)的精度；
30、分析目標(biāo)變量的預(yù)測結(jié)果的精度的變化趨勢，若所述變化趨勢不滿足要求，使用包含實(shí)時(shí)觀測數(shù)據(jù)的特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)再次訓(xùn)練臺(tái)風(fēng)預(yù)測模型。
31、本專利技術(shù)還提出一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測系統(tǒng)，包括互相連接的微處理器和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述微處理器被編本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，獲取研究區(qū)域各變量的長時(shí)間序列數(shù)據(jù)的多源數(shù)據(jù)并進(jìn)行預(yù)處理時(shí)，預(yù)處理的步驟包括：
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，選取目標(biāo)變量并尋找與目標(biāo)變量顯著相關(guān)的特征變量時(shí)，包括：
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)和空間傳播模式時(shí)，包括：
5.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，采用交叉相關(guān)算法分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)時(shí)，表達(dá)式如下：
6.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，采用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算參考序列與目標(biāo)序列的最優(yōu)匹配路徑時(shí)，表達(dá)式如下：
7.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，所述深度學(xué)習(xí)模型采用TCN-CNN模型，將時(shí)滯效應(yīng)和空間傳播模式的分析結(jié)果作為先驗(yàn)知識(shí)引入深度學(xué)習(xí)模型
8.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，使用特征變量與目標(biāo)變量的長時(shí)間序列數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型之后，還包括：計(jì)算誤差評估指標(biāo)以評估臺(tái)風(fēng)預(yù)測模型的預(yù)測性能，所述誤差評估指標(biāo)包括均方誤差、均方根誤差、評價(jià)絕對誤差、決定系數(shù)、最小距離誤差、最大速度誤差中的一種或多種。
9.根據(jù)權(quán)利要求8所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，將目標(biāo)變量的預(yù)測結(jié)果與對應(yīng)的實(shí)際觀測數(shù)據(jù)進(jìn)行對比之后，還包括：
10.一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測系統(tǒng)，其特征在于，包括互相連接的微處理器和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述微處理器被編程或者配置以執(zhí)行權(quán)利要求1～9任一項(xiàng)所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法。
...【技術(shù)特征摘要】
1.一種基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，獲取研究區(qū)域各變量的長時(shí)間序列數(shù)據(jù)的多源數(shù)據(jù)并進(jìn)行預(yù)處理時(shí)，預(yù)處理的步驟包括：
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，選取目標(biāo)變量并尋找與目標(biāo)變量顯著相關(guān)的特征變量時(shí)，包括：
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)和空間傳播模式時(shí)，包括：
5.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，采用交叉相關(guān)算法分析參考序列與目標(biāo)序列之間的時(shí)滯效應(yīng)時(shí)，表達(dá)式如下：
6.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)驅(qū)動(dòng)的近岸風(fēng)浪預(yù)測方法，其特征在于，采用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算參考序列與目標(biāo)序列的最優(yōu)匹配路徑時(shí)，表達(dá)式如下：
7....
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：伍志元，李名波，蔣昌波，劉曉建，肖嫻姿，楊康，高凱，
申請(專利權(quán))人：長沙理工大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。