海浪高度预测及模型训练方法、电子设备及存储介质技术

本发明专利技术涉及一种海浪高度预测及模型训练方法、电子设备及计算机存储介质，其方法包括：构建样本数据集，样本数据集包括不同区域的海浪高度时空序列；构建模型对样本数据集中的样本数据进行前向传播处理，输出预测结果，其中，预测结果包括不同区域下一时刻的海浪高度时空预测序列，模型是基于ConvGRU的编码器解码器网络结构进行构建的；利用预测结果进行反向传播以对模型参数进行更新；多次迭代上述传播过程，在模型达到收敛时获得训练完成的海浪高度预测模型。本发明专利技术通过利用ConvGRU结构的特征，结合区域海浪的时间信息特征与空间信息特征，并进行多尺度学习，提高预测大规模海浪数据的预测精度。据的预测精度。据的预测精度。

【技术实现步骤摘要】
海浪高度预测及模型训练方法、电子设备及存储介质


[0001]本专利技术涉及模型预测
，尤其涉及一种海浪高度预测及模型 训练方法、电子设备及计算机存储介质。

技术介绍

[0002]随着水运需求的不断提升，人们对海上航行的安全、经济、绿色标 准有了更高的要求。水文气象条件对船舶安全有着重大影响，因此如何 综合考虑水文气象条件，为船舶规划安全可靠、经济绿色的航线，以此 来保障航运业的健康快速发展成为了如今水上交通运输业研究的热点之 一。
[0003]船舶在海上航行时，会受到各种水文气象要素的影响，而海浪高度 预测是远洋船舶气象水文保障的重要组成部分。准确的水文气象要素的 预报既能保证船舶航行安全，又能尽量节省航时和燃油。海浪高度预测 能为远洋客船的正常运营提供保障。
[0004]基于传统参数模型的预测模型训练方法难以捕获数据中的非线性特 征；基于传统机器学习的预测模型训练方法可以自动捕获数据中的非线 性特征，在小样本上具有很好的泛化能力，但是预测大规模波浪数据时 由于区域海浪缺乏空间信息特征，预测精度下降。

技术实现思路

[0005]有鉴于此，有必要提供一种海浪高度预测及模型训练方法、电子设 备及计算机存储介质，用以解决现有技术在预测海浪高度时由于缺乏区 域海浪空间信息特征导致预测精度较低的问题。
[0006]为了解决上述问题，第一方面，本专利技术提供一种海浪高度预测模型 训练方法，包括：
[0007]构建样本数据集，所述样本数据集包括不同区域的海浪高度时空序 列；r/>[0008]构建模型对所述样本数据集中的样本数据进行前向传播处理，输出 预测结果，其中，所述预测结果包括不同区域下一时刻的海浪高度时空 预测序列，所述模型是基于ConvGRU的编码器解码器网络结构进行构建 的；
[0009]利用所述预测结果进行反向传播以对模型参数进行更新；
[0010]多次迭代上述传播过程，在模型达到收敛时获得训练完成的海浪高 度预测模型。
[0011]进一步的，所述构建样本数据集，包括：
[0012]获取原始数据集，所述原始数据集包括不同区域携带海浪高度的气 象数据集；
[0013]将所述原始数据集转化为二维数组，得到每一区域的二维矩阵形式 的第一数据集，其中，每一区域的网格大小为预设数量；
[0014]对每一区域的二维矩阵形式的第一数据集进行预处理操作，得到每 一区域的三维矩阵形式的第二数据集，并将所述第二数据集确定为所述 样本数据集。
[0015]进一步的，所述对每一区域的二维矩阵形式的第一数据集进行预处 理操作，得到
每一区域的三维矩阵形式的第二数据集，包括：
[0016]基于时间顺序，在每一区域内将预设时间段内的二维矩阵形式的第 一数据集进行组合，得到每一区域的三维矩阵形式的第二数据集，其中 所述第二数据集表示该区域海浪高度时空序列，矩阵维度为维度、经度 与时间步长。
[0017]进一步的，在进行模型训练之前，所述方法还包括：
[0018]设置模型的超参数，所述超参数包括批次大小及学习率；
[0019]设置训练方式及训练次数，所述训练方式为批量训练；
[0020]设置模型在训练过程中的优化器及激活函数，所述优化器为Adam， 所述激活函数为LeakyReLU。
[0021]进一步的，所述模型是基于ConvGRU的编码器解码器网络结构构建 的；
[0022]其中，ConvGRU的编码器网络由12个ConvGRU2D层和8个 groupnorm规范化层组成，利用所述编码器网络将输入的样本数据编码为 连续特征空间中的向量；
[0023]ConvGRU的解码器网络由13个ConvGRU2D层和8个groupnorm 组规范化层组成，利用所述解码器网络将编码后的输入序列进行解码并 输出目标序列。
[0024]进一步的，所述构建模型对所述样本数据集中的样本数据进行前向 传播处理，输出预测结果，包括：
[0025]利用ConvGRU神经元的前向传播公式对所述样本数据集中的样本 数据进行前向传播处理；
[0026]其中，所述ConvGRU神经元的前向传播公式包括：
[0027]Z
t
＝σ(W
xz
*X
t
+W
hz
*H
t
‑1+b
z
)
[0028]R
t
＝σ(W
xr
*X
t
+W
hr
*H
t
‑1+b
r
)
[0029]H
′
t
＝f(W
xh
*X
t
+R
t
o(W
hh
*H
t
‑1)+b
h
)
[0030]H
t
＝(1
‑
Z
t
)oH
′
t
+Z
t
oH
t
‑1[0031]R
t
为重置门，Z
t
为更新门，H
′
t
为当前记忆信息，H
t
为最终记忆信息。 X
t
当前时刻的信息输入，H
t
‑1为上一时刻的隐藏层输出，b
i
和W
ij
为各项偏 置和权重矩阵，f表示卷积核，*表示卷积算子，表示Hadamard乘积， σ表示Sigmoid函数。
[0032]进一步的，所述样本数据集包括训练集、验证集及测试集；
[0033]在模型达到收敛时获得训练完成的海浪高度预测模型后，所述方法 还包括：
[0034]基于测试集测试所述海浪高度预测模型的预测精度；
[0035]若所述预测精度小于预设精度，调整所述海浪高度预测模型的网络 结构或对所述海浪高度预测模型中的参数进行处理。
[0036]第二方面，本专利技术还提供一种海浪高度预测方法，包括：
[0037]获取预设时间段内的第一海浪卫星云图，海浪卫星云图颜色表征海 浪高度；
[0038]提取所述第一海浪卫星云图的第一海浪高度时空序列；
[0039]将所述第一海浪高度时空序列输入训练完成的海浪高度预测模型 中，输出预设时间段下一时间段的第二海浪高度时空序列，所述海浪高 度预测模型是基于ConvGRU的编码器解码器网络结构进行构建的；
[0040]将所述第二海浪高度时空序列进行可视化处理，输出预测的预设时 间段下一时间段的第二海浪卫星云图。
[0041]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器以及 存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机 程序时实现上述海浪高度预测模型训练方法或海浪高度预测方法中的步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海浪高度预测模型训练方法，其特征在于，包括：构建样本数据集，所述样本数据集包括不同区域的海浪高度时空序列；构建模型对所述样本数据集中的样本数据进行前向传播处理，输出预测结果，其中，所述预测结果包括不同区域下一时刻的海浪高度时空预测序列，所述模型是基于ConvGRU的编码器解码器网络结构进行构建的；利用所述预测结果进行反向传播以对模型参数进行更新；多次迭代上述传播过程，在模型达到收敛时获得训练完成的海浪高度预测模型。2.根据权利要求1所述的海浪高度预测模型训练方法，其特征在于，所述构建样本数据集，包括：获取原始数据集，所述原始数据集包括不同区域携带海浪高度的气象数据集；将所述原始数据集转化为二维数组，得到每一区域的二维矩阵形式的第一数据集，其中，每一区域的网格大小为预设数量；对每一区域的二维矩阵形式的第一数据集进行预处理操作，得到每一区域的三维矩阵形式的第二数据集，并将所述第二数据集确定为所述样本数据集。3.根据权利要求2所述的海浪高度预测模型训练方法，其特征在于，所述对每一区域的二维矩阵形式的第一数据集进行预处理操作，得到每一区域的三维矩阵形式的第二数据集，包括：基于时间顺序，在每一区域内将预设时间段内的二维矩阵形式的第一数据集进行组合，得到每一区域的三维矩阵形式的第二数据集，其中所述第二数据集表示该区域海浪高度时空序列，矩阵维度为维度、经度与时间步长。4.根据权利要求1所述的海浪高度预测模型训练方法，其特征在于，在进行模型训练之前，所述方法还包括：设置模型的超参数，所述超参数包括批次大小及学习率；设置训练方式及训练次数，所述训练方式为批量训练；设置模型在训练过程中的优化器及激活函数，所述优化器为Adam，所述激活函数为LeakyReLU。5.根据权利要求1所述的海浪高度预测模型训练方法，其特征在于，所述模型是基于ConvGRU的编码器解码器网络结构构建的；其中，ConvGRU的编码器网络由12个ConvGRU2D层和8个groupnorm规范化层组成，利用所述编码器网络将输入的样本数据编码为连续特征空间中的向量；ConvGRU的解码器网络由13个ConvGRU2D层和8个groupnorm组规范化层组成，利用所述解码器网络将编码后的输入序列进行解码并输出目标序列。6.根据权利要求5所述的海浪高度预测模型训练方法，其特征在于，所述构建模型对所述样本数据集中的样本数据进行前向传播处理，输出预测结果，包括：利用ConvGRU神经元的前向传播公式对所述样本数据集中的样本数据进行前向传播处理；其中，所述ConvGRU神经元的前向...

【专利技术属性】
技术研发人员：张华军，孙幼军，苏义鑫，张丹红，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：