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

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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。
6.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。
7.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。
8.可选的，所述的双向门控循环单元(bigru)模型能够让数据从正反两个方向同时输入，使每一时刻的信息都包含了前后时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。bigru的基本思想是将每个训练序列向前和向后呈现给两个单独的隐藏层，这两个层都连接到相同的输出层。因此输出层就具有了输入序列中每个点的完整过去和未来的信息，bigru的前向计算跟单向gru一样，但是双向gru的输入序列对于两个隐含层是相反方向的，而且输出层直到两个隐含层处理完所有的全部输入序列才更新。bigru的后向计算也与gru相似，所有的输出层项首先被计算，然后再返回给两个不同方向的隐含层。
9.可选的，所述系统的输入为选定的6个变量，输入变量含有气象部门实时发布的台风基础数据，包含台风中心的最低气压和实时风速、位置数据(计算出的台风中心与浮标之间的距离)；输入变量含有浮标获取的即时数据，包括实时波高、气压和风速。
10.可选的，对所述的双向门控循环单元模型利用已有的大量台风观测数据以及大量台风期间中国近海浮标的相关数据进行训练，并获得了完善的模型参数。
11.根据本发明的实施的第二方面，提供一种计算机设备。
12.在一些可选实施例中，所述计算机设备，包括存储器，显卡，中央处理器，以及存储在所述存储器上的可被所述中央处理器以及显卡并行处理的可执行程序，器特征在于，所述中央处理器所执行所述程序时实现一下步骤：构建目标检测与目标分割模型，所述目标检测与目标分割模型包括：特征提取网络，以及两个分支网络包括目标检测网络和目标分割网络，首先利用特征提取网络对输入的腹部ct图像进行卷积池化等操作特征提取；将提取的特征图利用目标检测网络进行回归以及分类，输出胆结石的位置与概率；同时，图像分割网络利用反卷积将卷积和池化的特征图进行上采样，将图像恢复到原图像大小，并最终得到胆结石的分割后的轮廓，即掩膜，可以清晰地定量分析胆结石的大小及形状等特征。
13.可选的，所述的门控循环单元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和控制更新的门控，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。
14.所选的，所述的双向门控循环单元(bigru)模型能够让数据从正反两个方向同时输入，使每一时刻的信息都包含了前后时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。bigru的基本思想是将每个训练序列向前和向后呈现给两个单独的隐藏层，这两个层都连接到相同的输出层。因此输出层就具有了输入序列中每个点的完整过去和未来的信息，bigru的前向计算跟单向gru一样，但是双向gru的输入序列对于两个隐含层是相反方向的，而且输出层直到两个隐含层处理完所有的全部输入序列才更新。bigru的后向计算也与gru相似，所有的输出层项首先被计算，然后再返回给两个不同方向的隐含层。
15.可选的，所述系统的输入为选定的6个变量，输入变量含有气象部门实时发布的台
风基础数据，包含台风中心的最低气压和实时风速、位置数据(计算出的台风中心与浮标之间的距离)；输入变量含有浮标获取的即时数据，包括实时波高、气压和风速。
16.可选的，对所述的双向门控循环单元模型利用已有的大量台风观测数据以及大量台风期间中国近海浮标的相关数据进行训练，并获得了完善的模型参数。
17.本发明实施例提供的技术方案可以包括以下有益效果：
18.利用工智能技术对海洋大气领域时空序列进行智能处理，能够避免地球数值模式的消耗大量计算资源且无法实时预测的难题，快速且有效的确定浮标附近的波高，能够协助灾害撤离和各类海上作业的预警，处理速度快，计算资源小，有利于集成和大规模的应用。
19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
21.图1是根据一示例性示出的一种基于深度学习的台风期间近海海浪波高预测系统的框图。
具体实施方式
22.以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
23.图1出示了基于深度学习的台风期间近海海浪波高预测系统的一个可选实施架构。
24.该可选实例中，所述系统包括双向门控循环单元模型，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(bidirectional recurrent neural networt)。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。
25.可选的，所述门控循环单元对多元时间序列(multivariate time series)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和控制更新的门控，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。
26.可选的，所述的双向门控循环单元模型能够让数据从正反两个方向同时输入，使每一时刻的信息都包含了前后时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。bigru的基本思想是将每个训练序列向前和向后呈现给两个单独的隐藏层，这两个层都连接到相同的输出层。因此输出层就具有了输入序列中每个点的完整过去和未来的信息，bigru的前向计算跟单向gru一样，但是双向gru的输入序列对于两个隐含层是相反方向的，而且输出层直到两个隐含层处理完所有的全部输入序列才更新。bigru的后向计算也与gru相似，所有的输出层项首先被计算，然后再返回给两个不同方向的隐含层。
27.可选的，所述的系统的输入为选定的6个变量，输入变量含有气象部门实时发布的台风基础数据，包含台风中心的最低气压和实时风速、位置数据(计算出的台风中心与浮标之间的距离)；输入变量含有浮标获取的即时数据，包括实时波高、气压和风速。
28.可选的，所述双向门控循环单元模型利用已有的大量台风观测数据以及大量台风期间中国近海浮标的相关数据进行训练，并获得了完善的模型参数。
29.可选的，所述模型还包括双向门控循环单元模型训练过程，下边给出双向门控循环单元模型的训练过程的一个具体实施例。
30.该实施例中,在目标检测与目标分割模型的训练过程中,首先,将台风的实时数据与浮标获取的数据进行融合，将台风数据按照浮标的时间分辨率进行插值，以此构成训练数据,训练过程中使用批处理归一化(batch normalization)对输入层重新定心和重新缩放进行归一化，从而使人工神经网络更快、更稳定，bigru的单元数设置为64(cell)，然后进行训练，初始学习率为0.01，并设置损失函数(loss fuction)为平均绝对误差损失(mae loss)，在训练过程中通过计算预测值与真实值之间的误差，利用rmsprop优化器调节网络参数,调整模型参数的权重，然后通过不断迭代，不断降低损失函数值，使网络最终收敛。
31.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由处理器执行以完成以下步骤:构建双向门控循环单元(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。
32.可选的，所述的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和控制更新的门控，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。
33.可选的，所述的bigru模型能够让数据从正反两个方向同时输入，使每一时刻的信息都包含了前后时刻的序列信息，相当于网络在某个特定时刻的序列信息增多，充分利用历史数据的信息，从而使预测更加准确。bigru的基本思想是将每个训练序列向前和向后呈现给两个单独的隐藏层，这两个层都连接到相同的输出层。因此输出层就具有了输入序列中每个点的完整过去和未来的信息，bigru的前向计算跟单向gru一样，但是双向gru的输入序列对于两个隐含层是相反方向的，而且输出层直到两个隐含层处理完所有的全部输入序列才更新。bigru的后向计算也与gru相似，所有的输出层项首先被计算，然后再返回给两个不同方向的隐含层。
34.可选的，所述系统的输入为选定的6个变量，输入变量含有气象部门实时发布的台风基础数据，包含台风中心的最低气压和实时风速、位置数据(计算出的台风中心与浮标之间的距离)；输入变量含有浮标获取的即时数据，包括实时波高、气压和风速。
35.可选的，对所述的双向门控循环单元模型利用已有的大量台风观测数据以及大量台风期间中国近海浮标的相关数据进行训练，并获得了完善的模型参数。
36.上述非临时性计算机可读存储介质可以是只读存储器(read only memory,rom)、随机存取存储器(random access memory,ramd、磁带和光存储设备等。
37.本发明利用工智能技术对海洋大气领域时空序列进行智能处理，能够避免地球数值模式的消耗大量计算资源且无法实时预测的难题，快速且有效的确定浮标附近的波高，能够协助灾害撤离和各类海上作业的预警，处理速度快，计算资源小，有利于集成和大规模的应用。
38.本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
39.本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，
所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
40.应当理解的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。