基于递归神经网络的风暴潮增水预测

《基于递归神经网络的风暴潮增水预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第１２卷第５期智能系统学报Ｖｏｌ．１２№．５２０１７年１０月ＣＡＡＩＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＳｙｓｔｅｍｓＯｃｔ．２０１７ＤＯＩ：１０．１１９９２／ｔｉｓ．２０１７０６０１５网络出版地址：ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１５３８．ＴＰ．２０１７０８３１．１０５８．０１０．ｈｔｍｌ基于递归神经网络的风暴潮增水预测１１１２２２雷森，史振威，石天阳，高松，李亚茹，钟山（１．北京航空航天大学宇航学院图像处理中心，北京１００１９１；２．国家海洋局北海预

2、报中心，山东青岛２６６０００）摘要：风暴潮增水的准确预测能极大地减少人员伤害和经济损失，具有重要的实用价值。传统的风暴潮预报方法主要包括经验和数值预报，很难建立起相对准确的模型。现有的基于机器学习风暴潮预报方法大都只提取出静态数据间的关系，并没有充分挖掘出风暴潮数据背后的时序关联特性。文中提出了一种基于递归神经网络的风暴潮增水预测方法。本文对风暴潮时序数据进行特定的处理，并设计合适结构的递归神经网络，从而完成时序数据的预测。相较于传统的ＢＰ神经网络，递归神经网络能更好地应对时序数据的预测问题。将该方法用于

3、潍坊水站的增水预测中，结果表明，相对于ＢＰ神经网络，递归神经网络能得到更好的预测结果，误差更小。关键词：风暴潮增水；预测；数值预报；机器学习；静态数据；时序特性；ＢＰ神经网络；递归神经网络中图分类号：ＴＰ７５１文献标志码：Ａ文章编号：１６７３－４７８５（２０１７）０５－０６４０－０５中文引用格式：雷森，史振威，石天阳，等．基于递归神经网络的风暴潮增水预测［Ｊ］．智能系统学报，２０１７，１２（５）：６４０－６４４．英文引用格式：ＬＥＩＳｅｎ，ＳＨＩＺｈｅｎｗｅｉ，ＳＨＩＴｉａｎｙａｎｇ，ｅｔａｌ．Ｐｒｅｄｉ

4、ｃｔｉｏｎｏｆｓｔｏｒｍｓｕｒｇｅｂａｓｅｄｏｎｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＣＡＡＩｔｒａｎｓａｃｔｉｏｎｓｏｎｉｎｔｅｌｌｉｇｅｎｔｓｙｓｔｅｍｓ，２０１７，１２（５）：６４０－６４４．Ｐｒｅｄｉｃｔｉｏｎｏｆｓｔｏｒｍｓｕｒｇｅｂａｓｅｄｏｎｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ１１１２２２ＬＥＩＳｅｎ，ＳＨＩＺｈｅｎｗｅｉ，ＳＨＩＴｉａｎｙａｎｇ，ＧＡＯＳｏｎｇ，ＬＩＹａｒｕ，ＺＨＯＮＧＳｈａｎ（１．ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＣｅｎｔｅｒ，ＳｃｈｏｏｌｏｆＡｓｔｒｏ

5、ｎａｕｔｉｃｓ，ＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９１，Ｃｈｉｎａ；２．ＢｅｉｈａｉＦｏｒｅｃａｓｔＣｅｎｔｅｒｏｆＳｔａｔｅＯｃｅａｎｉｃＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｑｉｎｇｄａｏ２６６０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｃｃｕｒａｔｅｌｙｆｏｒｅｃａｓｔｉｎｇｓｔｏｒｍｓｕｒｇｅｓｃａｎｇｒｅａｔｌｙｒｅｄｕｃｅｐｅｒｓｏｎｎｅｌｉｎｊｕｒｉｅｓａｎｄｅｃｏｎｏｍｉｃｌｏｓｓｅｓ，ａｎｄｓｏｈａｓｇｒｅａｔｐｒａｃｔｉｃａｌｖａｌｕｅ．Ｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓ

6、ｆｏｒｐｒｅｄｉｃｔｉｎｇｓｔｏｒｍｓｕｒｇｅｍａｉｎｌｙｉｎｖｏｌｖｅｅｘｐｅｒｉｅｎｃｅａｎｄｎｕｍｅｒｉｃａｌｆｏｒｅｃａｓｔｉｎｇ，ｗｈｉｃｈｍａｋｅｓｉｔｖｅｒｙｈａｒｄｔｏｅｓｔａｂｌｉｓｈａｃｃｕｒａｔｅｍｏｄｅｌｓ．Ｍｏｓｔｏｆｔｏｄａｙ’ｓｓｔｏｒｍｓｕｒｇｅｆｏｒｅｃａｓｔｍｅｔｈｏｄｓｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇｏｎｌｙｅｘｔｒａｃｔｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｓａｍｏｎｇｓｔａｔｉｃｄａｔａａｎｄｆａｉｌｔｏｉｄｅｎｔｉｆｙｔｈｅｒｅｌｅｖａｎｔｔｉｍｅｓｅｒｉｅ

7、ｓｐｒｏｐｅｒｔｉｅｓｏｆｔｈｅｓｅｄａｔａ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｐｒｏｐｏｓｅａｓｔｏｒｍｓｕｒｇｅｆｏｒｅｃａｓｔｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｓｔｏｒｍｓｕｒｇｅｄａｔａｉｓｒｅａｒｒａｎｇｅｄｗｉｔｈｐａｒｔｉｃｕｌａｒｔｒｅａｔｍｅｎｔｓ，ａｎｄａｎａｐｐｒｏｐｒｉａｔｅｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｄｅｓｉｇｎｅｄｔｏｐｅｒｆｏｒｍｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｔｉｍｅｓｅｒｉｅｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔ

8、ｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ｔｈｅｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｃａｎｂｅｔｔｅｒｆｏｒｅｃａｓｔｔｉｍｅｓｅｒｉｅｓｄａｔａ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｗｅｕｓｅｄａｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｐｒｅｄｉｃｔｓｕｒｇｅｓａｔｔｈｅＷｅｉｆａｎｇｇａｕｇｅｓｔａｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｏｄｕｃｅ