基于LSTM-GM神经网络模型的风暴潮增水预报方法.pdf
《基于LSTM-GM神经网络模型的风暴潮增水预报方法.pdf》由会员分享,可在线阅读,更多相关《基于LSTM-GM神经网络模型的风暴潮增水预报方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 水 资 源 保 护 年 月.基金项目:国家重点研发计划项目()国家自然基金委创新团队项目()科技部重点领域创新团队项目()天津大学自主创新基金项目()作者简介:苑希民()男教授博士主要从事防洪减灾与智慧水利研究:.通信作者:田福昌()男助理研究员博士主要从事防洪减灾与应急决策研究:.:/基于 神经网络模型的风暴潮增水预报方法苑希民黄玉啟田福昌曹鲁赣(.天津大学水利工程仿真与安全国家重点实验室天津.浙江省水利水电勘测设计研究院有限责任公司浙江 杭州)摘要:为充分挖掘风暴潮增水的时序关联特性提高风暴潮增水的预报精度综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响结合长短期记忆
2、()神经网络和灰色模型()的优势提出基于 神经网络模型的风暴潮增水预报方法 利用该方法采用 场历史台风数据对小清河入海口风暴潮增水进行模拟预报并将预报结果与 神经网络、神经网络的预报结果进行对比 结果表明:相较于 神经网络和 神经网络 神经网络模型的纳什效率系数分别提高了.和.均方根误差分别降低了.和.平均相对误差分别降低了 和.神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系提高风暴潮增水预报的精度关键词:风暴潮增水 神经网络模型 误差修正小清河入海口中图分类号:.文献标志码:文章编号:()/(.):()().:风暴潮是一种由于强风和气压骤变等剧烈的大气扰动导致海水升降异常的自然灾
3、害现象 风暴潮灾害是我国主要海洋灾害之一其成灾频率高致灾强度大给沿海经济发展和人民生命财产安全带来巨大威胁 据 年中国海洋灾害公报数据统计我国沿海共发生风暴潮过程 次其中致灾 次累计死亡(含失踪)人直接经济损失达 亿元约占海洋灾害直接经济总损失的.因此开展风暴潮增水预报研究对提升沿海防灾减灾能力和保障沿海人民生命财产安全具有重要意义目前风暴潮增水预报方法主要分为经验统计预报、数值模拟预报以及人工智能预报 种 经验统计预报利用数理统计方法建立监测站当地气象特征与特定港口风暴潮增水值之间的经验预报方程如罗志发等基于监测站点多年历史潮位资料研究其风暴潮的基本特征并通过线性拟合得到监测站点的风暴潮经验
4、预报公式 数值模拟预报包括数值天气预报和风暴潮数值计算如苑希民等联合不同维度水动力数值模型计算优势建立漫溃堤洪水多维耦联数值仿真模型精确模拟了洪水演进变化规律及分流特征为风暴潮数值模型计算提供了新思路蒋昌波等综合考虑了地形因素和台风因素的影响利用()模型和()模型建立了风暴潮与天文潮耦合的数值预报模型 然而经验统计预报过分依赖历史数据且预报方程仅适用于特定港口数值模拟预报需对风暴潮增水的生成机制和传播过程进行准确模拟但由于风暴潮增水的内部物理机制和动力学规律复杂很难建立起准确稳定的预报模型 随着人工智能的发展以人工神经网络()为代表的机器学习算法由于具有较强的非线性拟合和自适应能力已被广泛应用
5、于水文预报领域 例如:卢君峰等综合考虑了风暴潮增水的主要影响因素利用 神经网络对厦门沿岸的风暴潮增水进行预报周寅杰等建立了基于被囊群算法优化的 神经网络模型并将其应用于温州站风暴潮增水预报中刘媛媛等将风速、风向、气压和前时序潮位等要素作为输入对长短期记忆()神经网络进行训练建立了风暴潮增水的临近预报模型 等考虑了台风因素和地理因素对风暴潮增水的影响利用 神经网络构建了适用于台湾东北部沿海的风暴潮增水预报模型 等均使用人工神经网络对风暴潮增水进行预报朱佩京等综合考虑了台风风暴潮增水的 个影响因素利用随机森林模型对风暴潮增水进行预报姚帏利用()和()合成台风风暴潮数据集并利用 对南海北部沿岸的风暴
6、潮增水进行预报吕忻等通过 折滑动时间序列交叉验证结合网格搜索方法确定 的最佳参数构建了吴淞口潮位预报模型苗庆生等利用信息流理论确定了风暴潮增水的影响因素并利用 对厦门风暴潮增水进行预报薛明等利用 神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测 上述人工智能预报方法的研究部分只考虑了风暴潮增水数据与其影响因素间的静态关系没有充分挖掘风暴潮增水的时序关联特性部分虽然综合考虑了风暴潮增水的影响因素及其时序关联性但预报精度有待进一步完善为了克服现有风暴潮增水预报方法的不足本文综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响结合 神经网络泛化能力好、非线性预报准确率高的优势以及灰色模型
7、()可弱化数据的波动性和随机性的优势提出一种基于 神经网络模型的风暴潮增水预报方法 由于特殊的地理位置和水文气象等条件影响小清河入海口风暴潮灾害频发灾害损失严重 因此选取小清河入海口的风暴潮增水预报为例运用该组合模型进行风暴潮增水预报并将预报结果与 神经网络和 神经网络的预报结果对比对 神经网络模型进行验证 预报方法.神经网络 神经网络是一种基于递归神经网络()的机器学习算法其通过独特的门控设计进行信息传递信息传递机制更为精细能够充分挖掘序列数据的长期依赖关系可有效避免长序列训练过程中的梯度消失和梯度爆炸问题 神经网络由输入层、隐藏层、全连接层和输出层组成其中隐藏层是链状结构主要包括输入门、输
8、出门、遗忘门和记忆模块其模型结构如图 所示.灰色模型灰色系统理论通过对原始数据的整理和分析来挖掘离散数据间的规律性将杂乱无章的离散数据转换为有较强规律的新数据序列进而建立起相应微分方程形式的模型其可有效处理数据的波动性和随机性问题 灰色模型是灰色系统理论的重要组成部分其在充分认识和鉴别系统内各因素间不确定性关系和相异程度的基础上利用建立起的微分方程充分挖掘系统本质进而对系统未来发展趋势进行预测适用于处理数据波动较大和信息不全等不确定性问题 改进的()模型主要包括新信息()模型(预测出的数据作为原始变量数据递推预测数据)和新陈代谢()模型(预测出的数据作为原始变量数据同时去掉最老的数据递推预测数
9、据)其利用新信息替换旧信息保持模型在预报过程中的动态更新注:、分别为输入门限、遗忘门限和输出门限 为 激活函数为 时刻的单元内部状态为 时刻的单元候选状态 为 时刻的单元外部状态图 神经网络结构.预报流程为提升风暴潮增水的预报精度将 神经网络和灰色模型的优势相结合构建 神经网络模型并提出基于 神经网络模型的风暴潮增水预报方法其预报流程(图)主要包括风暴潮增水影响因素分析、数据预处理、神经网络参数设置、灰色模型误差修正以及模型性能评估等图 神经网络模型预报流程.风暴潮增水影响因素分析 风暴潮增水内部物理机制和动力学规律复杂主要受台风、气象、天文潮、地理和潮流波浪等多种因素影响各影响因素间存在着复
10、杂的非线性关系且随机性强台风因素主要包括台风中心位置、台风风力风速、台风中心气压、台风移速移向以及台风风圈半径等台风自身特征气象要素主要包括台风影响期间测站当地的风向、风速和气压等气象特征地理因素主要包括测站位置、坡度以及海岸形状和海底地形等地理特征 对于特定监测站点地理特征的变化通常较小对风暴潮增水的影响可忽略不计 然而在台风影响期间台风自身特征以及测站当地气象特征的变化是显著的且当风暴潮与天文潮同时发生时可能会引起部分地区水位暴增引发巨大潮灾 因此台风因素、气象要素和天文潮因素对风暴潮增水的影响是不可忽略的.数据预处理 数据预处理是为了提高模型的收敛速度和预报精度避免不同指标数值区间的差异
11、性消除不同量纲对预报结果的影响 采用 函数对风暴潮增水及各影响因素监测数据进行归一化处理经处理后的指标数值按固定比例缩放至范围内 归一化公式为()()()式中:为风暴潮增水及各影响因素监测值归一化的值、分别为风暴潮增水及各影响因素监测值对应的最大值和最小值、分别为 和归一化后对应的最大值和最小值 为风暴潮增水及各影响因素监测值.神经网络参数设置 影响 神经网络模型训练效果的关键参数主要有学习率、隐藏层神经元个数、批尺寸和迭代次数等 其中学习率控制模型更新方向与收敛速度隐藏层神经元个数决定模型的非线性拟合能力批尺寸主要影响模型训练速度迭代次数主要影响权值更新的效率通常将平均绝对误差()设为损失函
12、数即通过预报值与监测值的 对模型进行训练 为保证模型的鲁棒性和使损失函数最小采用基于自适应学习原理的 算法优化 神经网络内部参数通过网格搜索法确定模型的各关键参数.利用灰色模型修正 神经网络的误差将 神经网络训练样本预报值与监测值相比较得到的训练样本误差序列作为灰色模型的原始数据序列利用灰色模型弱化误差序列数据间的随机波动性挖掘误差系列的规律从而对预报误差进行修正本文选用传统()模型、新信息()模型和新陈代谢()模型分别对 神经网络模型的预报误差进行修正选用修正后预报误差最小的模型进行风暴潮增水预报 最后将满足精度要求的预报结果进行反归一化处理得到风暴潮增水值.模型性能评估 风暴潮增水是一种典
13、型的时间序列问题对风暴潮增水预报模型性能的评估不仅应考虑模型总体稳定和平均误差还应考虑最大增 水 值 间 的 误 差 本 文 采 用 纳 什 效 率 系 数()、均 方 根 误 差()、平 均 相 对 误 差()和最大增水值相对误差()等评估指标从鲁棒性和泛化性等方面对不同预报模型的性能进行评估 其中 常用来量化水文预报模型的预报精度反映监测增水值与预报增水值之间的一致性 越接近于 代表一致性程度越高模型预报效果越好 和 反映监测增水值与预报增水值之间的差异程度 和 越小代表模型预报精度越高 实例验证.研究区概况小清河发源于山东省济南市南部山区自西向东流经济南、滨州、淄博、东营和潍坊 市于寿光
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM GM 神经网络 模型 风暴 潮增水 预报 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。