System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于PSO-LSTM的潮位预测方法及系统技术方案_技高网

一种基于PSO-LSTM的潮位预测方法及系统技术方案

技术编号:43207646 阅读:14 留言:0更新日期:2024-11-01 20:25
本发明专利技术提出了一种基于PSO‑LSTM的潮位预测方法及系统,属于海洋工程领域;本发明专利技术提出了基于PSO‑LSTM(粒子群优化长短期记忆网络)优化模型的潮位预测方法;和系统;本发明专利技术的优点为:优化超参数和网络结构,提高了模型的性能;能够处理复杂模型,而传统的预测方法可能无法很好地处理复杂建模任务;具有更高的预测精度:PSO‑LSTM相比于单一的线性和非线性方法,具有更高的预测精度;因此,基于PSO‑LSTM的潮位预测方法在神经网络算法下,然后通过粒子群(PSO)算法对上述LSTM神经网络模型关键参数进行自动优化,从而实现更高准确度的潮位预测,而且还可以降低神经网络模型参数优化的时间和成本。

【技术实现步骤摘要】

本专利技术涉及海洋工程领域,具体而言,涉及一种基于pso-lstm的潮位预测方法及系统。


技术介绍

1、海岸和河口区域,地势平坦,拥有海陆相通的区位优势,人口密集、工农业发达,是一个地区的经济中心和交通枢纽以及对外交往频繁的口岸,是社会经济发展的发动机之一;但是该地区地处潮汐作用带,常年受到潮汐影响,直接或间接地影响人民正常生产活动并对人民生命财产造成威胁。

2、潮位预测是一种科学预测方法,用于预测在特定时间和地点的潮汐变化;准确的潮位预报对于航海、海洋工程和海洋环境保护等领域,沿海地区的水安全保障和生产作业的调度等都至关重要;现有较为成熟的潮位预测方法主要是调和分析法,该方法源自考虑天体间周期性运动导致的引潮力,通过借助工具包提取验潮站的逐时潮位资料的调和常数,分析潮汐特征,并对比不同时间段内潮位的调和分析结果,它的假设使得其能预测天文潮引起的波动。

3、调和分析法是经典的潮汐预报方法,该方法源自考虑天体间周期性运动导致的引潮力,使得其能预测天文潮引起的波动;但在预测潮位时,采用调和分析法则需要大量的历史潮位数据,且对数据质量要求较高;当水位中包含非天文潮因素引起的波动时(如气象和河口径流等因素),调和分析方法的预报精度将受到影响与限制。

4、随着人工智能技术的发展,神经网络模型也逐渐被引入用来预测潮位;例如长短期记忆(lstm)神经网络模型;lstm神经网络模型可以更好地挖掘潮位发展的内在规律和提升潮位预测的准确度;但另一方面,lstm神经网络模型相比传统潮位预测方法更加复杂,特别是神经网络模型参数的取值不当会导致模型欠拟合或过拟合,进而对预测结果影响很大。

5、本文为了解决上述问题,提出了基于pso-lstm(粒子群优化长短期记忆网络)优化模型的潮位预测方法;pso-lstm通过粒子群优化算法优化超参数和网络结构,提高了预测准确性和处理复杂模型的能力,相比于传统的lstm有更好的性能。


技术实现思路

1、本专利技术的目的在于克服现有技术存在的以上问题,以及在原有技术基础上大大提高其技术效果;首先,本专利技术提供了一种基于pso-lstm的潮位预测方法,该方法包括:

2、1.数据预处理;获取潮位历史数据并对数据进行预处理,并对海洋潮位数据进行归一化处理;数据预处理后,将归一化后的潮位数据划分为训练集、验证集和预测集;

3、2.pso参数寻优;所述pso指粒子群优化算法;初始化lstm神经网络模型参数包括神经元个数、迭代次数、丢弃层概率和学习率;作为pso算法的优化对象,初始化自适应pso算法,划分粒子群;

4、3.lstm模型构建;计算每个粒子的适应度值,以各粒子对应参数构建lstm模型,通过训练集数据进行训练,验证集数据进行预测;将预测结果的均方根误差rmse作为各粒子的适应度值;

5、4.根据粒子适应度值与种群划分结果,确定全局最优粒子位置pit和局部最优粒子位置pgt;

6、5.根据pso算法分别对普通粒子和局部最优粒子位置进行更新,并判断终止条件;若满足终止条件,返回最优超参数取值;否则,返回步骤2;

7、6.利用最优超参数构建lstm模型;模型通过训练集和验证集进行训练,最后通过预测集进行预测,得到潮位预测结果。

8、所述数据预处理包括:采集的海洋潮位数据包括月球与太阳的引力、地球自转、地球在轨道中的位置、气象变化和潮位高度;数据预处理包括数据缺失值、重复值处理和归一化处理:针对缺失数据缺失值采用三次多项式插值的方法进行插值处理,对重复数据进行删除重复的数据的操作;进行归一化处理包括:将除潮位高度之外的其他数据进行0到1的归一化处理,使得其他数据大小均在(0,1)范围内,计算公式为:

9、

10、其中,λ为海洋潮位数据中某个元素的一个取值,λi为海洋潮位数据中对应元素的第i个取值,i的取值为1到n,n表示共有n个样本数据;λ*为λ归一化后对应的数据;

11、所述归一化后的潮位数据划分为训练集、验证集和预测集包括:按照提取的时间序列顺序将归一化后的海洋潮位数据中多个元素共同组成影响海洋潮位数据的向量,将影响海洋潮位数据的向量和对应的潮位高度共同组成训练集、测试集和预测集,要求预测集尽量为近期的海洋潮位数据。

12、所述初始化lstm神经网络模型参数包括神经元个数、迭代次数、丢弃层概率和学习率包括:使用pso优化算法对lstm模型的参数进行优化调整,以提高模型的收敛速度和准确性;pso优化算法包括更有效的粒子更新策略和更灵活的参数调整机制;所述划分粒子群采用整体群体的划分方式,使得群体能够快速寻找到最优解,且符合lstm神经网络模型参数优化结构和过程;所述pso优化算法包括:初始化粒子群、计算适应度、更新粒子位置和速度;假设d维空间中有n个粒子构成粒子群x={x1,x1,…xn},在种群中任意一个粒子xi=[xi1,xi2,…xid],在t时刻该粒子的速度为vit=[vi1t,vi2t,…vidt],位置为xit=[xi1t,xi2t,…xidt];在每一次的寻优迭代中,粒子通过跟踪个体最优位置pit=[pi1t,pi2t,…pidt]t,全局最优位置pgt=[pg1t,pg2t,…pgdt]t,来更新自己;粒子更新的位置和速度公式为:

13、

14、

15、其中,w表示惯性权重,取值为0.9~1.2,因需要pso优化算法符合lstm参数的寻优过程,因此,w的取值越小越好,取0.9就足够;c1为惯性系数、取值为0~2,c2为自身认知系数,取值为0~2;rt1和rt2为均匀分布在0~1范围内的随机数;为粒子速度分量下一时刻更新的分量速度,为粒子位置分量下一时刻更新的分量位置。

16、所述lstm模型构建包括:所述lstm为长短时记忆神经网络;基于经过pso算法优化的参数,构建长短时记忆神经网络模型;长短时记忆神经网络能够更好地捕捉潮位数据中的时序信息,提高预测的准确性;长短时记忆神经网络由输入门、遗忘门和输出门三个存储门组成;通过长短时记忆神经网络的三个存储门的计算可以建立不同时间点的潮位数据信息之间的联系,建立未来潮位的预测模型。

17、所述lstm模型构建包括:使用预处理后的潮位数据训练集对构建的lstm模型进行训练,以使模型学习并适应潮位数据的时序规律;模型训练完成后,利用训练好的lstm模型对潮位数据验证集进行验证,检验模型的性能。

18、所述确定全局最优粒子位置pit和局部最优粒子位置pgt包括:通过划分粒子群,确定粒子适应度值与种群划分结果,最终确定全局最优粒子位置pit和局部最优粒子位置pgt。

19、所述根据pso算法分别对普通粒子和局部最优粒子位置进行更新,并判断终止条件包括:所述终止条件包括:规定达到设定的迭代次数上限、目标函数的阈值和误差容忍度均能够达到终止条件。

20、所述利用最优超参数构建lstm模型包括:通过pso本文档来自技高网...

【技术保护点】

1.一种基于PSO-LSTM的潮位预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述数据预处理包括:采集的海洋潮位数据包括月球与太阳的引力、地球自转、地球在轨道中的位置、气象变化和潮位高度;数据预处理包括数据缺失值、重复值处理和归一化处理:针对缺失数据缺失值采用三次多项式插值的方法进行插值处理,对重复数据进行删除重复的数据的操作;进行归一化处理包括:将除潮位高度之外的其他数据进行0到1的归一化处理,使得其他数据大小均在(0,1)范围内,计算公式为:

3.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述初始化LSTM神经网络模型参数包括神经元个数、迭代次数、丢弃层概率和学习率包括:使用PSO优化算法对LSTM模型的参数进行优化调整,以提高模型的收敛速度和准确性;PSO优化算法包括更有效的粒子更新策略和更灵活的参数调整机制;所述划分粒子群采用整体群体的划分方式,使得群体能够快速寻找到最优解,且符合LSTM神经网络模型参数优化结构和过程;所述PSO优化算法包括:初始化粒子群、计算适应度、更新粒子位置和速度;假设D维空间中有N个粒子构成粒子群X={X1,X1,…XN},在种群中任意一个粒子xi=[xi1,xi2,…xiD],在t时刻该粒子的速度为Vit=[Vi1t,Vi2t,…ViDt],位置为Xit=[Xi1t,Xi2t,…XiDt];在每一次的寻优迭代中,粒子通过跟踪个体最优位置Pit=[Pi1t,Pi2t,…PiDt]T,全局最优位置Pgt=[Pg1t,Pg2t,…PgDt]T,来更新自己;粒子更新的位置和速度公式为:

4.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述LSTM模型构建包括:所述LSTM为长短时记忆神经网络;基于经过PSO算法优化的参数,构建长短时记忆神经网络模型;长短时记忆神经网络能够更好地捕捉潮位数据中的时序信息,提高预测的准确性;长短时记忆神经网络由输入门、遗忘门和输出门三个存储门组成;通过长短时记忆神经网络的三个存储门的计算可以建立不同时间点的潮位数据信息之间的联系,建立未来潮位的预测模型。

5.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述LSTM模型构建包括:使用预处理后的潮位数据训练集对构建的LSTM模型进行训练,以使模型学习并适应潮位数据的时序规律;模型训练完成后,利用训练好的LSTM模型对潮位数据验证集进行验证,检验模型的性能。

6.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述确定全局最优粒子位置Pit和局部最优粒子位置Pgt包括:通过划分粒子群,确定粒子适应度值与种群划分结果,最终确定全局最优粒子位置Pit和局部最优粒子位置Pgt。

7.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述根据PSO算法分别对普通粒子和局部最优粒子位置进行更新,并判断终止条件包括:所述终止条件包括:规定达到设定的迭代次数上限、目标函数的阈值和误差容忍度均能够达到终止条件。

8.根据权利要求1所述的一种基于PSO-LSTM的潮位预测方法,其特征在于,所述利用最优超参数构建LSTM模型包括:通过PSO算法获得最优超参数,通过获得的最优超参数对LSTM模型进行训练,获得训练好的LSTM模型;随后通过验证集进行训练对模型进行验证,若通过验证确定训练好的LSTM模型符合标准;则通过将预测集输入训练好的LSTM模型进行预测,得到潮位预测结果。

9.一种基于PSO-LSTM的潮位预测系统,其特征在于,所述系统包括:潮位数据输入模块、LSTM序列建模模块、PSO参数寻优模块和评估预测模块;所述潮位数据输入模块与PSO参数寻优模块和LSTM序列建模模块相连接,用于对海洋潮位数据进行预处理,并将预处理后的数据输入PSO参数寻优模块和LSTM序列建模模块;所述LSTM序列建模模块与潮位数据输入模块、PSO参数寻优模块和评估预测模块相连接,用于对接收到的潮位数据输入模块输入的潮位数据进行训练,并通过PSO参数寻优模块对模块训练的参数进行调优;所述PSO参数寻优模块与潮位数据输入模块和LSTM序列建模模块相连接,用于对潮位数据输入模块进行粒子状态初始化和LSTM序列建模模块中的参数进行寻优,使得建立的预测模型将会更加精确;所述评估预测模块与LSTM序列建模模块,用于通过训练好的LSTM模型对潮位结果进行预测,预测潮位高度是否在安全范围内。

...

【技术特征摘要】

1.一种基于pso-lstm的潮位预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的一种基于pso-lstm的潮位预测方法,其特征在于,所述数据预处理包括:采集的海洋潮位数据包括月球与太阳的引力、地球自转、地球在轨道中的位置、气象变化和潮位高度;数据预处理包括数据缺失值、重复值处理和归一化处理:针对缺失数据缺失值采用三次多项式插值的方法进行插值处理,对重复数据进行删除重复的数据的操作;进行归一化处理包括:将除潮位高度之外的其他数据进行0到1的归一化处理,使得其他数据大小均在(0,1)范围内,计算公式为:

3.根据权利要求1所述的一种基于pso-lstm的潮位预测方法,其特征在于,所述初始化lstm神经网络模型参数包括神经元个数、迭代次数、丢弃层概率和学习率包括:使用pso优化算法对lstm模型的参数进行优化调整,以提高模型的收敛速度和准确性;pso优化算法包括更有效的粒子更新策略和更灵活的参数调整机制;所述划分粒子群采用整体群体的划分方式,使得群体能够快速寻找到最优解,且符合lstm神经网络模型参数优化结构和过程;所述pso优化算法包括:初始化粒子群、计算适应度、更新粒子位置和速度;假设d维空间中有n个粒子构成粒子群x={x1,x1,…xn},在种群中任意一个粒子xi=[xi1,xi2,…xid],在t时刻该粒子的速度为vit=[vi1t,vi2t,…vidt],位置为xit=[xi1t,xi2t,…xidt];在每一次的寻优迭代中,粒子通过跟踪个体最优位置pit=[pi1t,pi2t,…pidt]t,全局最优位置pgt=[pg1t,pg2t,…pgdt]t,来更新自己;粒子更新的位置和速度公式为:

4.根据权利要求1所述的一种基于pso-lstm的潮位预测方法,其特征在于,所述lstm模型构建包括:所述lstm为长短时记忆神经网络;基于经过pso算法优化的参数,构建长短时记忆神经网络模型;长短时记忆神经网络能够更好地捕捉潮位数据中的时序信息,提高预测的准确性;长短时记忆神经网络由输入门、遗忘门和输出门三个存储门组成;通过长短时记忆神经网络的三个存储门的计算可以建立不同时间点的潮位数据信息之间的联系,建立未来潮位的预测模型。

5.根据权利要求1所述的一种基于p...

【专利技术属性】
技术研发人员:应宗权沈文耿林美鸿王雪刚左华楠
申请(专利权)人:中交四航工程研究院有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1