一种多站位在线波周期数据的预测诊断方法技术

本发明专利技术公开了一种多站位在线波周期数据的预测诊断方法，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练和空间模型测试训练两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型，本发明专利技术所公开的方法在单个站位时间序列数据自分析基础上，增加多个站位间的空间互分析，将单站位时间分析与多站位空间分析有效结合，提高了预测诊断精度和准确性。

A prediction and diagnosis method of online wave period data of multiple stations

【技术实现步骤摘要】
一种多站位在线波周期数据的预测诊断方法
本专利技术涉及海洋波浪监测领域，特别涉及一种多站位在线波周期数据的预测诊断方法。
技术介绍
现在，针对海洋波浪监测单站位所监测到的在线波周期数据，只能进行简单的海陆通讯过程的发送与接收校验来判断通讯环节是否有数据错误。现有的数据在线接收软件也只能进行数据范围(如大于等于0小于30秒)的简单判断，针对具体的数据不能进行实质性的诊断。针对海洋测波仪器所测得数据是否异常存在预测与诊断方法的缺失，海洋测波仪器异常、空缺数据不能及时有效的发现和补充，需要人工进行有针对性的判断和识别。现有的数据预测诊断技术主要有自回归移动平均模型，神经网络模型等，用于时间序列预测的神经网络模型主要有线性神经网络，BP神经网络和RBF神经网络等。现有的自回归移动平均模型和神经网络模型大多针对既有数据进行处理，模型往往是静态不变的或者是复杂耗时的，这样导致模型准备率低或者运行速度慢，未考虑到在线监测过程中数据的实时更新，在线海洋监测过程中，需要及时有效地判断出异常数据，并对空缺时次数据进行及时预测补充。同时，空间地理距离相近的多个海洋监测站位间，海洋监测数据是有相关性的，然而，现有技术没有对多个站间的数据的关联性进行考虑，这导致站位间的联系性不强，数据分析不够完整准确。
技术实现思路
为解决上述技术问题，本专利技术提供了一种多站位在线波周期数据的预测诊断方法，以达到在单个站位时间序列数据自分析基础上，增加多个站位间的空间互分析，将单站位时间分析与多站位空间分析有效结合，提高预测诊断精度和准确性的目的。为达到上述目的，本专利技术的技术方案如下：一种多站位在线波周期数据的预测诊断方法，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型。上述方案中，所述预测诊断方法具体包括如下过程：(1)利用时间样本进行训练得到RBF神经网络初始时间模型，利用空间样本进行训练得到线性神经网络初始空间模型；(2)加载已经训练好的RBF神经网络初始时间模型和线性神经网络初始空间模型，根据波浪传感器获得的实时海洋波最新的时间序列输入和空间序列输入，逐一进行实际预测计算，分别得到时间预测结果和空间预测结果，时间预测结果和空间预测结果根据加权计算得到时空综合预测结果；(3)将得到的时空综合预测结果与下一时刻的实测结果判断数据是否异常，若当前时刻数据缺测或者数据异常，则用预测值补充作为当前值；对判断为有效值的实测值，作为最新数据形成新时间样本和新空间样本，分别用于RBF神经网络动态时间模型的再训练调整和线性神经网络动态空间模型的再训练调整，在模型的不断训练调整中进行数据的动态预测诊断。进一步的技术方案中，所述步骤(1)中，RBF神经网络初始时间模型的训练包括如下过程：选取单个站位的波周期数据作为处理训练样本集，设置RBF神经网络时间模型的训练参数，包括初始输入层数量、隐含层节点数量和迭代精度；测试性训练确定输入层数量、训练样本数量和隐含层中心节点数量；训练得到RBF神经网络初始时间模型。进一步的技术方案中，所述步骤(1)中，线性神经网络初始空间模型的训练包括如下过程：1)选取N个空间监测站位，对各站位波周期数据进行归一处理，得到空间样本集；2)选取1个站位P作为空间模型计算的对象，其余N-1个站位数据作为线性神经网络的输入；3)用不同数量的训练样本进行测试性训练，确定使训练精度最高的空间模型Ms；4)Ms对应的样本数量为Np，Np为空间模型动态调整时的训练样本数量。通过上述技术方案，本专利技术提供的多站位在线波周期数据的预测诊断方法综合海洋监测数据的时间与空间特征，对单个站位自身的时间序列数据采用RBF神经网络模型，对多个站位的空间分布数据采用线性神经网络模型，对时间计算结果和空间计算结果进行加权计算，形成最终预测数值。将最终预测数值用于海洋在线监测活动数据的实时诊断。本专利技术具有以下有益效果：1、神经网络相比传统模型具有优势神经网络具有很强的非线性映射能力。能够完成高度复杂的输入、输出非线性映射，具有良好的非线性拟合能力，这是传统的基于最小二乘法的预测方法所无法比拟的。神经网络拟合结果比数学模型拟合结果要更精确。ARMA模型要求时间序列是平稳的，所以在建模时对数据集先取对数再做差分，建模神经网络模型的建立要复杂麻烦地多，而神经网络在不知道其内在数学模型的情况下，经过训练也能够找到规律逼近现实模型。2、运算速度快，可适应性强，准确性高RBF神经网络时间模型运算速度快，模型的动态学习调整过程快；线性神经网络空间模型，空间数据点位的数量规模决定了空间模型的输入少，计算速度快，动态训练样本量少，这保证了线性神经网络空间模型动态训练速度快。在实际海洋监测数据诊断过程中，随着新的数据到来，不断反馈于RBF神经网络时间模型和线性神经网络空间模型的学习和调整，使整个计算模型可适应性强，从而保证了在长期海洋在线监测活动中数据诊断的有效性和准确性。3、有效结合了海洋监测数据的时间特性和空间特性时空分析相结合，克服了单纯的单站位时间序列与样本集和中心集距离很大时会导致模拟计算结果偏差很大的问题，同时也克服了单纯的多站位空间分析只注重空间因素而导致空间分析结果误差普遍较大的问题。附图说明为了更清楚地说明本专利技术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。图1为本专利技术实施例所公开的一种多站位在线波周期数据的预测诊断方法原理示意图；图2为本专利技术实施例所公开的时间模型样本测试训练流程图；图3为本专利技术实施例所公开的空间模型样本测试训练流程图；图4为本专利技术实施例所公开的多站位在线波周期数据的预测诊断方法具体流程示意图(分两页显示)。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。本专利技术提供了一种多站位在线波周期数据的预测诊断方法，如图1所示，具体实施例如下：本实施例的多站位在线波周期数据的预测诊断方法，包括时空样本测试训练阶段和时空模型动态计算调整阶段，时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；时间模型采用RBF神经网络模型，空间模型采用线性神经网络模型。一、时空样本测试训练阶段利用时间样本进行训练得到RBF神经网络初始时间模型，利用空间样本进行训练得到线性神经网络初始空间模型。本文档来自技高网...

【技术保护点】
1.一种多站位在线波周期数据的预测诊断方法，其特征在于，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型。/n

【技术特征摘要】
1.一种多站位在线波周期数据的预测诊断方法，其特征在于，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型。


2.根据权利要求1所述的一种多站位在线波周期数据的预测诊断方法，其特征在于，所述预测诊断方法具体包括如下过程：
(1)利用时间样本进行训练得到RBF神经网络初始时间模型，利用空间样本进行训练得到线性神经网络初始空间模型；
(2)加载已经训练好的RBF神经网络初始时间模型和线性神经网络初始空间模型，根据多站位波浪传感器获得的实时海洋波浪最新的时间序列输入和空间序列输入，逐一进行实际预测计算，分别得到时间预测结果和空间预测结果，时间预测结果和空间预测结果根据加权计算得到时空综合预测结果；
(3)将得到的时空综合预测结果与下一时刻的实测结果判断数据是否异常，若当前时刻数据缺测或者数据异常，则用预测值补充作为当前值；对判断为有效值的实测值，...

【专利技术属性】
技术研发人员：李文庆，宋苗苗，陈世哲，王文彦，付晓，
申请(专利权)人：山东省科学院海洋仪器仪表研究所，
类型：发明
国别省市：山东;37