因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的潮位预报方法,并分别对TPXO9全球潮汐模型模拟潮位的2021年6...因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的潮位预报方法,并分别对TPXO9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站(日照、鲅鱼圈、三亚、北.海)的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90.0.001、200。对4个验潮站进行潮位预报,结果表明:当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3~5cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。展开更多
文摘因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的潮位预报方法,并分别对TPXO9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站(日照、鲅鱼圈、三亚、北.海)的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90.0.001、200。对4个验潮站进行潮位预报,结果表明:当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3~5cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。
