【技術實現步驟摘要】
本專利技術涉及人工智能以及海事航海，特別是涉及基于深度學習大尺度極端風速預報的航線規劃方法及系統。
技術介紹
1、海上交通運輸已被公認為全球物流供應鏈網絡發展不可或缺的運輸方式之一。近年來，隨著全球貿易的快速發展和物流網絡的飛速擴張，世界經濟發展對可靠高效的海運需求急劇增加。然而，當涉及到跨大洋航行的航線規劃設計時，海上運輸船舶往往會面臨潛在的航行風險。氣象環境的不穩定性和不可預測性會導致海洋環境極大的不確定性，海上風速的間歇性變化和擾動突變會對船舶交通運輸造成嚴重的安全隱患，進而引發重大事故。如強風會導致船舶航行困難，甚至失控，增加撞船、觸礁或沉沒的風險。極端海況條件會對船舶的航行安全和航程決策過程產生重大影響。盡管船舶營運公司可以從氣象導航公司獲取參考的航線設計，但實時獲取天氣預報信息對在航船舶來說變得越來越重要。準確及時的船載天氣預報數據可以支持船舶操縱人員提前設計和確定船舶路徑，船舶駕駛員需要實時獲取可靠的天氣預報信息，以便及時的采取減速和改變航向等航線調整措施，從而進一步確保船員和船舶的安全。因此，提供準確有效的極端氣象預報對于實現高效、安全和綠色的船舶路徑規劃至關重要。
2、傳統的海洋和氣象預報依賴數值天氣預報模型，數值模型使用收集到的氣象參數、地理邊界等初始條件，并根據物理守恒方程預測天氣變化。然而，地球系統演化的固有不穩定性和隨機性特征使得全球天氣系統的預報變得極具挑戰性。特別是，隨著近幾十年來全球氣候變化造成的地球系統復雜性、不確定性特征的增強，傳統的數值預報模型往往無法捕捉到地球演化系統中的復雜時
技術實現思路
1、有鑒于此，本專利技術提供了基于深度學習極端風場預報的船舶航線規劃方法及系統，引入增量主成分分析法，構建基于深度可分離卷積的大尺度海表面極端風速預報模型；其中深度可分離卷積模塊可提高預測效率和性能，同時降低模型的計算量和硬件內存需求，與傳統卷積相比，深度可分離卷積大大減少了模型參數的數量和計算要求。這對于實現船舶在海上航行時的船載天氣預報具有較強的實用性和可行性。其中增量主成分分析法通過降低數據維度和冗余噪聲效應，可以高效過濾極端風速的演化特征，提高預報精度。此外，通過不同地理區域的極端風速場預報，驗證了預報模型的知識可轉移能力和泛化性能。進而基于高分辨率極端風速預報的航向規劃設計方面的研究技術空缺。本專利技術能夠對大尺度二維海表面極端風速進行精細化動態預報，準確探測極端風速海域及其邊界，提前預報并掌握海上極端風速的間歇性突變規律，幫助船舶駕駛員實時動態調整船舶航線，規避惡劣風浪天氣，進而保證航行安全。
2、為此，本專利技術提供了以下技術方案：
3、一方面，本專利技術公開了一種基于深度學習大尺度極端風場預報的航線規劃方法，包括：
4、s1、收集兩個不同地區的高精度海表面極端風速場信息；
5、s2、歸一化風場數據，計算極端風速二維場的歷史時序依賴性和自相關系數，獲取風場歷史時間序列的權重因子，根據權重因子以及風場的時序依賴階數確定模型輸入數據的張量尺寸；所述張量尺寸包括時序階數、長、寬和深，時序依賴用來確定張量的第一個尺寸時序階數；
6、s3、引入增量主成分分析法，構建基于深度可分離卷積的大尺度海表面極端風速預報模型；增量主成分分析法對模型的二維場輸入數據進行降維去噪預處理，保留風場要素變化的主要成分進行有效風場數據的重建計算；所述模型以重建后的極端風場的時序依賴階數作為輸入，輸出極端風場預報結果；所述模型通過整合注意力機制模塊和殘差學習算法，將潛在的物理突變擾動信息解碼保留在變量的高維映射空間；注意力機制模塊將極端風場時間序列中的高維特征信息映射到編碼解碼器的多維特征矩陣；
7、s4、對所述模型進行訓練，使用訓練好的模型對兩個不同地理位置的大尺度海上極端風速場信息進行預報；
8、s5、根據極端風場預報信息，探測惡劣海況區域，動態調整預定計劃航線。
9、進一步地，收集兩個不同地區的高精度海表面極端風速場信息，包括：
10、選定并收集兩個不同地理位置的極端風速場信息，匯總選定區域的風場預報范圍，作為極端風場潛在空間變化分布的目標變量。
11、進一步地，采用min-max?normalization歸一化風場數據。
12、進一步地，計算極端風速二維場的歷史時序依賴性和自相關系數，獲取風場歷史時間序列的權重因子，根據權重因子以及風場的時序依賴階數確定模型輸入數據的張量尺寸，包括：
13、建立極端風場時間序列相關函數和偏自相關分析函數；
14、計算極端風場時序信息的均值序列，采用相關分析函數計算歷史極端風場因子與未來目標風場因子的相關性權重；
15、根據相關系數確定極端風場歷史數據的時序依賴階數。
16、進一步地，采用huber?loss函數作為模型的預報損失函數，計算預報值與目標值之間的誤差：
17、
18、其中，ψ為海上極端風速場預報數據，o表示極端風速場的再分析數據。
19、進一步地，對所述模型進行訓練，使用訓練好的模型對兩個不同地理位置的大尺度海上極端風速場信息進行預報，包括：
20、采用蒙特卡羅交叉驗證方法，進行數據集劃分；
21、將歸一化的海上風速數據集分為訓練集和測試集兩部分；
22、將數據集隨機分為訓練和驗證，進行模型的學習訓練，實現隨機子采樣驗證；
23、采用huber?loss誤差為標準，計算模型的預報性能，將模型的平均預報性能作為最終參考；
24、采用訓練好的模型，對兩個不同地理區的極端風場進行預報。
25、進一步地，根據極端風場預報信息，探測惡劣海況區域，動態調整預定計劃航線，包括：
26、可視化極端風場預報時空圖，根據預報探測到的極端風速海域，動態調整航向。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，收集兩個不同地區的高精度海表面極端風速場信息，包括：
3.根據權利要求1所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，采用min-max?normalization歸一化風場數據。
4.根據權利要求2或3所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，計算極端風速二維場的歷史時序依賴性和自相關系數，獲取風場歷史時間序列的權重因子，根據權重因子以及風場的時序依賴階數確定模型輸入數據的張量尺寸，包括：
5.根據權利要求1所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，采用Huber?loss函數作為模型的預報損失函數，計算預報值與目標值之間的誤差：
6.根據權利要求5所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，對所述模型進行訓練，使用訓練好的模型對兩個不同地理位置的大尺度海上極端風速
7.根據權利要求6所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，根據極端風場預報信息，探測惡劣海況區域，動態調整預定計劃航線，包括：
8.一種基于深度學習大尺度極端風場預報的航線規劃系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，收集兩個不同地區的高精度海表面極端風速場信息，包括：
3.根據權利要求1所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，采用min-max?normalization歸一化風場數據。
4.根據權利要求2或3所述的一種基于深度學習大尺度極端風場預報的航線規劃方法，其特征在于，計算極端風速二維場的歷史時序依賴性和自相關系數，獲取風場歷史時間序列的權重因子，根據權重因子以及風場的時序依賴階數確定模型輸入數據的張量尺寸，包括...
【專利技術屬性】
技術研發人員：張澤國，曹亮，王立軍，尹建川，
申請(專利權)人：廣東海洋大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。