申请/专利权人：天津大学

申请日：2021-10-26

公开（公告）日：2024-04-09

公开（公告）号：CN113985496B

主分类号：G01W1/10

分类号：G01W1/10;G06N3/0442;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明公开了一种基于LSTM‑GM神经网络模型的风暴潮智能预报方法，步骤依次包括收集处理观测站点历史风暴潮数据资料与收集观测站点的历史风暴潮数据，包括观测站点气象因素数据与台风因素数据；将归一化后的数据按比例随机分为训练集和预测集；将训练集数据输入LSTM神经网络模型中进行迭代训练并用测试集数据对训练结果进行验证，直至预测误差满足预设预报精度标准；LSTM神经网络模型的预测误差序列输入GM模型中，利用GM模型对误差序列进行修正，将预测数据进行反归一化处理，输出风暴潮潮位预测值；预测结果评价。本发明一种基于LSTM‑GM神经网络模型的风暴潮智能预报方法具有风暴潮预报精度高、模型收敛时间短的特点。

主权项：1.一种基于LSTM-GM神经网络模型的风暴潮智能预报方法，依次包括如下步骤：1、收集处理观测站点历史风暴潮数据资料，收集观测站点的历史风暴潮数据，上述数据包括观测站点气象因素数据与台风因素数据，上述气象因素数据包括观测站点的风速、风向、气压、前序潮位；上述台风因素数据包括历史台风的台风中心最低气压、台风中心最大风速、台风中心最大风速半径、台风中心距观测站点的最短距离；所述的历史风暴潮数据t时刻观测站点的风速为风向为气压为前序潮位为以及t时刻台风中心的最低气压为台风中心的最大风速为台风中心的最大风速半径为台风中心距观测站点的最短距离为台风中心的最大风速半径由公式1表示如下： 式中：φt为t时刻台风中心的纬度2、数据预处理，采用归一化法对步骤1获取的观测站点气象因素数据与台风因素数据进行预处理，将归一化后的数据按比例随机分为训练集和预测集；归一化数据预处理归一化后的数值由公式2表示如下： 式中：是归一化后的数值，是t时刻观测站点i要素的历史数据，和分别表示t时刻观测站点历史风暴潮监测数据中的最大值和最小值，和分别表示和对应的归一化最大值和最小值，T为观测站点历史风暴潮监测数据的总时长；以归一化处理后历史风暴潮数据的0.9作为LSTM神经网络模型的训练集，0.1作为LSTM神经网络模型的测试集，归一化处理后的数据表示如下： 3、LSTM神经网络模型建立，初步拟定LSTM神经网络模型的参数，LSTM神经网络模型的参数设定为输入维度为8，输出维度为1，隐含层中的隐含节点数为200，最大迭代次数为500，最小批量数为10，梯度阈值为1，为了减少过拟合对预测模型的影响，添加dropout正则化，数值为0.2；训练选用的模型优化器为Adma算法，将步骤2得到的训练集数据输入LSTM神经网络模型中进行迭代训练，并用测试集数据对训练结果进行验证，直至预测误差满足预设预报精度评价标准平均绝对误差MAE≤5％，输出预测误差序列；若不满足预设精度评价标准平均绝对误差MAE≤5％，则对LSTM神经网络模型的参数进行逐一微调，直至预测误差满足预设预报精度标准平均绝对误差MAE≤5％；LSTM神经网络模型的预报精度评价标准平均绝对误差MAE，由公式3表示如下： 式中：n为模型测试集的总样本数，Wi为样本i的风暴潮潮位预测值，为样本i对应的风暴潮潮位实测值；4、GM模型建立，将步骤3得到的LSTM神经网络模型的预测误差序列输入GM模型中，利用GM模型对误差序列进行修正，将预测数据进行反归一化处理，输出风暴潮潮位预测值；5、预测结果评价，将步骤4得到的LSTM-GM神经网络模型的风暴潮潮位预测值与步骤3LSTM神经网络模型预测结果进行对比与分析。

全文数据：

权利要求：

百度查询： 天津大学 一种基于LSTM-GM神经网络模型的风暴潮智能预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD