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技术

本发明专利技术公开了基于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。型对海湾的水温进行预测。型对海湾的水温进行预测。

【技术实现步骤摘要】
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


[0001]本专利技术涉及水温预测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]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：
[0008]S1、收集海湾的水温数据和气象数据，并进行数据预处理；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]优选地，步骤S2的具体过程为：
[0015]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；
[0016]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；
[0017]S23、对水温数据进行一阶差分；
[0018]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。
[0019]优选地，步骤S21中归一化处理的计算公式为：
[0020][0021]其中，X是原始实测数据，X
normal
是归一化后的数据，X
mean
和X
std
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。
[0022]优选地，步骤S3的具体过程为：
[0023]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；
[0024]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。
[0025]优选地，步骤S31中反归一化公式为：
[0026]X
final
＝X
pre
*X
std
+X
mean
[0027]其中，X
pre
是原始预测值，X
final
是反归一化的最终预测值，X
mean
和X
std
分别是训练集的均值和方差；
[0028]步骤S32中所述水温预警等级准确率的计算公式为：
[0029][0030]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；
[0031]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。
[0032]优选地，步骤S4中纯差分回归预测模型的构建方法为：
[0033]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x
k
，当前时刻为t，则第1天水温预测值的计算公式为：
[0034][0035]第n(2≤n≤7)天水温预测值的计算公式为：
[0036][0037]其中，w
p1
,w
p2
,w
p3
和为权重，通过构建线性回归方程的方式进行选取；x
t
‑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。
[0038]通过线性回归方程的方式选取w
p1
,w
p2
,w
p3
和的具体方式为：
[0039]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x
k
，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w
p1
,w
p2
,w
p3
和
[0040][0041][0042]其中，x
t+1
‑
n
为第t+1
‑
n天的水温实测值。
[0043]优选地，步骤S4中混差分回归本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；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。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，X
normal
是归一化后的数据，X
mean
和X
std
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：X
final
＝X
pre
*X
std
+X
mean
其中，X
pre
是原始预测值，X
final
是反归一化的最终预测值，X
mean
和X
std
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x
...

【专利技术属性】
技术研发人员：陈能汪，赖晓倩，余镒琦，
申请(专利权)人：厦门大学，
类型：发明
国别省市：