[发明专利]基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质

说明书

本发明公开了一种基于深度学习的台风期间近海海浪波高预测系统，属于时空序列预测技术领域。该系统包括基于双向门控循环单元(BiGRU)模型，所述的双向门控循环单元模型包括两个门控循环单元(GRU)组成的序列处理模型，一个输入是向前输入，另一个输入是反向输入，是一个只有输入门和忘记门双向递归神经网络。模型的输入为台风期间沿海浮标获取的实时数据与台风的实时数据，包括近海浮标获得的实时波高、气压和风速、台风中心的最低气压和实时风速、计算出的台风中心与浮标之间的距离等6个参数作为模型输入，最终输出为未来3小时、6小时、12小时以及24小时的预测波高。

技术领域

本发明涉及时空序列预测技术领域，特别涉及基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质。

背景技术

准确的波高预测在港口，海上运输，渔业以及各种类型的军事行动等中都发挥着重要作用，为了计划和执行安全有效的操作，海上油气行业在一段时间内对周围的波浪特征有重要的需求。台风是世界上破坏力最大的自然灾害之一，台风过境会的强风携带大量降雨和巨大风浪，造成巨大的浪高。因此，在台风期间，波高预测具有非常重要的作用，在台风期间，实时预测可用于灾难准备和各种海上作业的早期撤离，但是台风期间对台风波高预测还依赖于数值模式方法，该方法消耗大量计算资源且运算时间长，对于台风这种实时性要求极高的极端天气事件，其作用受到一定的限制。

海洋和气象领域逐步开始借助人工智能技术进行各类预测任务，而且有很多成功的案例，在厄尔尼诺现象的长期预测方面，人工智能技术已经超过所有传统的方法，台风期间的浪高对实时性和准确性要求极高，亟需人工智能识别手段进行快速有效地预测，不仅无需大量计算资源，而且具有极高的实时性。

发明内容

本发明实施例提供了一种基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了基于深度学习的台风期间近海海浪波高预测系统。

在一些可选实施例中，所述系统包括双向门控循环单元(BiGRU)模型，所述的双向门控循环单元模型包括两个门控循环单元(GRU)组成的序列处理模型，一个输入是向前输入，另一个输入是反向输入，是一个只有输入门和忘记门双向递归神经网络。模型的输入为台风期间沿海浮标获取的实时数据与台风的实时数据，包括近海浮标获得的实时波高、气压和风速、台风中心的最低气压和实时风速、计算出的台风中心与浮标之间的距离等6个参数作为模型输入，最终输出为未来3小时、6小时、12小时以及24小时的预测波高。

可选的，所述的门控循环单元(GRU)对多元时间序列进行充分的特征提取，不断学习多元时间序列的长期依赖关系，其具体包括：首先通过上一个传输下来的状态和当前节点的输入来获取两个门控状态，分别是控制重置的门控(reset gate)和控制更新的门控(update gate)，得到门控信号之后，使用重置门控来得到“重置”之后的数据，将该数据与当前节点的输入进行拼接，再通过双曲正切函数将数据缩放到-1～1的范围内，最后使用上文所述的更新门控进行“遗忘”和“记忆”功能，将状态进行更新到0～1之间，门控信号越接近1，代表“记忆”下来的数据越多。