李亞蒙, 孫寶楠, 丁軍航, 官 晟

基于LSTM的海洋表面短期風速預測研究

李亞蒙1, 2, 孫寶楠2, 3, 4, 5, 丁軍航1, 6, 7, 官 晟2, 3, 4, 5

(1. 青島大學自動化學院, 山東 青島 266071; 2. 自然資源部第一海洋研究所, 山東 青島 266061; 3. 自然資源部海洋環(huán)境科學與數值模擬重點實驗室, 山東 青島 266061; 4. 山東省海洋環(huán)境科學與數值模擬重點實驗室, 山東 青島 266061; 5. 青島海洋科學與技術試點國家實驗室區(qū)域海洋動力學與數值模擬功能實驗室, 山東 青島 266237; 6. 山東省工業(yè)控制技術重點實驗室, 山東 青島 266071; 7. 青島大學山東省生態(tài)紡織協同創(chuàng)新中心, 山東 青島 266071)

為實現對海面風速精確的短期預測, 提出了一種基于長短期記憶(LSTM, long short-term memory)神經網絡的短期風速預測模型, 選取OceanSITES數據庫中單個浮標站點采集的風速歷史數據作為模型輸入, 經過訓練設置最佳參數等步驟, 實現了以LSTM方法, 對該站點所在海區(qū)海面風速在各季節(jié)性代表月份海面風速的24 h短期預測。同時通過不同預測時長的實驗以及與BP(back propagation)神經網絡神經網絡和徑向基函數神經網絡(radial basis function neural network, RBF)的預測效果對比實驗, 證明了LSTM預測方法相比上述兩種神經網絡預測方法, 在海表面風速預測應用中的優(yōu)越性。最后通過多個海域對應的站點風速數據預測實驗, 證明了LSTM神經網絡模型的普遍適用性, 由相關系數和預測誤差的分析可知該方法具備應對急劇變化數據的預測穩(wěn)定性, 可以作為海洋表面風速短期預測的一種可靠方法。

神經網絡; 長短期記憶網絡模型; 海面風速; 短期預測

20世紀以來, 全球氣候變暖加劇, 世界各地的自然災害事件頻繁發(fā)生, 其中海洋災害造成的損失迅速增長[1]。20世紀90年代末, 中國海洋災害年經濟損失高達100億元, 其中由于風暴潮災害造成的損失占80%以上, 并且在2017年中, 風暴潮災害造成的直接經濟損失在全部海洋災害直接經濟損失中占比突破90%[2]。此外, 隨著人類海上活動增多, 對海洋環(huán)境及相互作用的觀測需求更為迫切。例如, 近年發(fā)展的海上航天發(fā)射活動, 對包括風速等要素的觀測提出更高需求; 風力發(fā)電要實現并網調配, 保障安全運行, 也需要具備對風速的預報、預警能力。因此針對海面10 m高度風速(以下統稱海面風速)的預測研究, 對于海上作業(yè)、海洋環(huán)境安全預警、海洋觀測環(huán)境預報等應用領域有重要的意義。

目前常用的風速預報研究方法包括: 經驗預報、數值預報、統計預報和神經網絡預報[3]等。其中, 神經網絡和深度學習在風速預報中的應用成為近年研究熱點。包括誤差法反向傳播(back propagation, BP)神經網絡、多層感知機器(multilayer perceptron, MLP)、循環(huán)神經網絡(recurrent neural network, RNN)、自適應神經模糊推斷系統(adaptive network-based fuzzy inference system, ANFIS)、支持向量機(support vector machine, SVM)、卡爾曼濾波器等。

長短期記憶(long short-term memory, LSTM)神經網絡是一種基于RNN的改進算法, 作為非線性模型, LSTM可以用于構造更大型的深度神經網絡[4]。熊一橙等[5]基于LSTM構建多輸入-多輸出智能網絡, 利用SWAT(soil and water assessment tool)模型對4個水文站點的徑流過程進行了模擬研究。針對河流水質的變化趨勢[6-7]和海洋水質預測[8]問題, 建立LSTM預測模型或基于LSTM的組合預測模型均具有良好的預測效果。武雙新[9]利用LSTM氣溫預測模型對每日最高氣溫進行預測并與其他模型對比, 實驗證明了該模型預測效果的優(yōu)越性。在河流水溫預測[10]以及沿海異常高水溫預測[11]方面, LSTM預測模型均體現出了優(yōu)質的潛力。Liu等[12]提出了一種基于LSTM的城市內、外河短期水位實時滾動預測方法, 并以福州市為研究區(qū)域, 證實了LSTM在水位實時滾動預報中的可行性。Yan等[13]設計了一種基于深度學習的海雜波信號檢測方法, 利用LSTM的優(yōu)點對預測誤差進行頻域轉換, 提高了檢測性能。Jrges等[14]開發(fā)了一種基于LSTM神經網絡的機器學習模型, 用于預測近岸海水的有效波高, 實驗證明LSTM的性能優(yōu)于深度前饋神經網絡和其他先進的機器學習算法。

在風速預測領域, LSTM模型能成功學習不同方向風速預報特點, 對于不同方向風速預報誤差結果相近, 具有一定的抗干擾能力, 可以忽略掉部分相關性和質量差的變量[15]。魏昱洲等[16]設計了一種雙層網絡結構的LSTM預測模型, 通過實驗證明了預測模型的高精度性。李冰等[17]以風機歷史數據為輸入, 建立了基于LSTM深度神經網絡的短期風速預測模型, 預測誤差與其他預測方法相比更小。王俊等[18]提出一種基于變分模態(tài)分解(variational mode decom-po-sition, VMD)和LSTM的超短期預測算法, 對比分析證明該模型在超短期風速預測上精度較高。

在風速預測問題上, 目前已經有了大量的研究, 然而大部分均聚焦在城市、風場和鐵路附近等陸上領域, 對于海面風速研究極為匱乏。原因在于海洋氣象環(huán)境多變并且風速變化幅度強烈。此外由于海洋環(huán)境復雜, 對于海面風速的數據采集相較陸地更為困難, 導致數據的連續(xù)性和代表性也因此降低。

本文利用浮標測量風速數據, 將LSTM預測模型應用到海面風速的短期預測中。首先研究了LSTM算法對于季節(jié)性海面風速的預測效果, 并與BP神經網絡和徑向基函數(radial basis function, RBF)神經網絡預測方法進行對比, 證明了該方法的預測準確性。然后通過多個浮標站點采集的數據進行預測實驗, 驗證了LSTM預測方法對于不同海域的普遍適用性。為海面風速的短期預測研究提供了一種思考路線。

1 相關理論和數據來源

1.1 LSTM網絡結構

LSTM網絡是一種時間循環(huán)神經網絡, 用于消除RNN在處理長期依賴問題時產生的梯度消失或梯度爆炸現象[19]。相比普通RNN的簡單重復模塊鏈結構, LSTM擁有4層以特殊形式交互的重復模塊結構, 因此在長序列訓練過程中, LSTM表現更好。

LSTM具有刪除或添加信息到細胞狀態(tài)的能力, 該能力由一種名為“門”的可選式信息通過方式賦予,“門”的結構由sigmoid神經網絡層和點乘法運算組成。相較于RNN的隱藏層中只有單個傳遞狀態(tài), LSTM網絡增加了一個狀態(tài)單元c, 并由LSTM中的3個“門”: 輸入門i、輸出門o和遺忘門f進行保護和控制。LSTM單元在當前時刻有3個控制輸入: 輸入值x、上一時刻輸出值h–1和上一時刻狀態(tài)值c–1, 2個輸出: 輸出值h和狀態(tài)值c。輸入門控制即時輸入信息送入狀態(tài)單元; 輸出門控制狀態(tài)單元中部分信息輸出并繼續(xù)自循環(huán)迭代; 遺忘門控制信息的刪除與保留, 并重置狀態(tài)單元。LSTM網絡結構如圖1所示。

圖1 LSTM網絡結構圖

單個LSTM主要分為以下4個步驟:

(1) 確定要從狀態(tài)單元中刪除哪些信息。這項工作由“遺忘門”中的sigmoid神經網絡層實現, 它基于前一時刻輸出h–1和當前時刻輸入x, 為上個時刻狀態(tài)值c–1中每個值輸出0到1之間的數字, 1表示全部保留, 0表示徹底遺忘。

其中,f是遺忘門激活函數,是sigmoid函數,W是遺忘門權重矩陣,b是遺忘門偏置向量。

其中,i是輸入門激活函數,W、W是輸入門、狀態(tài)單元權重矩陣,b、b是輸入門、狀態(tài)單元偏置向量。

(3) 更新上一時刻狀態(tài)值c–1, 得到當前時刻狀態(tài)值c。

其中, “·”指按元素相乘符號。

(4) 確定輸出信息。首先運行sigmoid 層決定要輸出哪些部分, 其次將狀態(tài)值通過tan層, 并結合sigmoid 層輸出決定信息輸出的程度。

其中,o是輸出門激活函數,W是輸出門權重矩陣,b是輸出門偏置向量。

1.2 數據來源

本文采用的海面風速數據是OceanSITES數據庫(OceanSITES是一個全球范圍的, 長期、開放的海洋觀測站系統, 每個站位可以測量獲取從海氣界面到海底, 全海深的數十個海洋環(huán)境變量。https://dods. ndbc.noaa.gov/oceansites/)中, 位于各個海域, 靠近海岸線的浮標站點實時監(jiān)測的現場數據。包括東太平洋T8S165E站(8°S, 165°E)、西太平洋T2S95W站(2°S, 95°W)、北大西洋PIRATA站(21°N, 23°W)、南大西洋PIRATA站(14°S, 32°W)和北印度洋RAMA站(15°N, 90°E)。上述站位, 分布在主要大洋, 且位置相對較遠, 測試結果具有較強的獨立性, 因而研究結果的普適性更有說服力。

本文下載使用的NC(Net Common Data Format, NetCDF)數據包中, 包含了近年來對應站點的風速、氣溫、相對濕度和大氣壓等氣象觀測數據。浮標風速傳感器每10 min啟動一次用時2 min的檢測, 共采樣240次, 以240次采樣平均值作為這10 min的風速值。這種檢測方法將浮標運動及傳感器隨機誤差對風速測量造成的影響大大降低, 測量值基本反映了風速本身的變化規(guī)律, 更有利于開展預測方法的研究。本文采用Matlab軟件及其機器學習工具箱進行短期風速預測。首先對獲取的數據進行數據集劃分和標準化, 將處理后的數據輸入構建的LSTM網絡進行訓練, 通過重復訓練計算出損失函數和模型誤差, 從而調整網絡參數得到基于LSTM的短期風速預測模型。

2 風速預測的具體實現

2.1 預測模型構建

本文采用的短期風速預測模型, 隱含層由一個LSTM層、一個Dropout層和一個Dense層構成。Dropout方法能夠有效解決神經網絡在訓練過程中, 訓練結果較好而測試效果較差的過擬合問題。Dense層中每個神經元與上一層全部神經元輸出相連[20], 因此LSTM的輸出不僅包含預測所需信息, 還能反映出特征信息與預測結果之間的函數關系。

LSTM模型具體實現風速預測由3個步驟構成。首先, 對采集到的數據進行劃分和標準化處理; 其次, 在訓練過程中, 確定網絡模型訓練和預測所需具體參數如隱藏層神經元個數、學習率、訓練迭代次數等, 完成模型的構建; 最后, 通過去標準化的數據進行測試集預測, 完成對模型的檢驗。預測模型框架如圖2所示。

2.2 數據處理和模型參數

本文數據來源于實時監(jiān)測采集海面風速的太平洋浮標站點, 選取其中一定序列長度的數據, 按一定比例劃分訓練集和測試集?？紤]到神經網絡中神經元的飽和特性, 以及激活函數的輸入輸出數值范圍, 數據劃分完畢后需要進行標準化處理, 標準化公式為:

其中, st是標準化后的數值, dt是訓練集中每個時刻的數據值, μtra是訓練數據的均值, σtra是訓練數據的標準差。

構建基于LSTM網絡的海表短期風速預測模型需要確定部分特征參數。本文建立的預測模型只考慮到海面風速數據, 因此輸入層維數設為1。隱藏層維數代表了隱藏層神經元的個數, 當時間序列數據較為復雜時, 神經元個數設置越多模擬效果越好, 但同時也帶來了訓練時間過長以及過擬合的缺點, 在訓練過程中需要折衷考慮模擬效果和訓練時間長短問題, 因此在隱藏層中, 選取LSTM層神經元個數為144, Dropout層舍棄神經元比例為0.2, Dense layer層輸出向量為1維。同時可知輸出層維數為1。訓練天數即訓練數據的序列長度, 選擇時需要充分考慮模型進行網絡訓練時的實際情況, 當序列長度太短時, 模型訓練程度不足以模擬出數據變化的規(guī)律, 預測性能較差; 當序列長度太長時, 會導致訓練時間過長, 且有概率因為突兀數據造成預測性能惡化, 本文在實驗過程中, 通過設置不同的訓練天數來確定最佳的序列長度。訓練迭代次數epoch與訓練天數類似, 選擇的大小會影響模型生成時間和預測準確率, 因此同樣通過實驗設置不同的迭代次數進行對比, 從而選擇出最佳次數。

LSTM網絡的訓練采用的是反向傳播算法(back-propagation through time, BPTT), 首先前向計算出每個神經元的輸出值, 其次反向計算出每個神經元的誤差項, 最后通過誤差項計算出權重梯度值。本文實驗中在每一步的預測完成后, 利用該時刻的風速預測值計算誤差項, 進而預測出下一步的風速值。其他的網絡參數設置如下: 損失函數采用均方根誤差函數、優(yōu)化算法使用學習率自適應(adaptive moment estimation, Adam)算法、初始學習率設置為0.005。

2.3 預測效果評價指標

在短期風速預測中, 一般選取平均絕對誤差(mean absolute error,MA)和均方根誤差(root mean squared error,RMS)對預測結果進行評價, 兩者的計算公式如下:

其中,表示模型樣本數,f表示時刻風速實際值,y表示時刻風速預測值。

同時, 利用皮爾遜相關系數(Pearson correlation coefficient)作為反映預測值與實際值之間相關性程度的統計指標。計算公式為:

3 實驗結果與分析

3.1 樣本選擇

首先從T8S165E站提供的海洋數據中, 篩選出對應位置2021年各季節(jié)代表月份中16 d的實時數據, 進行海面風速的季節(jié)性預測研究討論, 分別為1月、4月、7月和10月, 每天數據的采樣周期為10 min。在實驗過程中, 通過設定LSTM模型中不同的訓練天數對應的樣本數據和訓練迭代次數, 來實現對各月份后144個樣本數據的預測。同時與BP神經網絡模型和RBF神經網絡模型的各季節(jié)風速預測結果進行對比?？紤]到缺損值和突兀點對神經網絡模型訓練的影響, 首先需要對采集到的數據進行預處理。剔除野點后, T8S165E站各月份選取的16 d海面風速變化曲線如圖3所示。

圖3 T8S165E站各季節(jié)海面風速變化曲線

3.2 預測結果及性能分析

通常情況下, 隨著訓練天數和訓練迭代次數的增加, LSTM模型的預測效果越理想, 但同時訓練時間也隨之增加。當參數選擇過小時, 模型無法完成收斂, 預測精度較低; 當參數選擇過大時, 模型的誤差和損失函數等下降幅度會減弱, 此時參數中過多的無用信息以及增加的訓練時間則拉低了預測模型的整體性能。因此綜合考慮到訓練天數和訓練迭代次數對模型預測精準度和訓練時間的影響, 將T8S165E站2021年各月份數據對應的訓練時間分別設置為15 d、10 d、5 d和3 d, 即對應的訓練數據樣本個數為2 160、1 440、720和432。訓練迭代次數分別設置為40、60和80, 形成的參數組合如表1所示。

根據不同的參數組合, 繪出對應的模型平均絕對誤差和均方根誤差如圖4所示。

表1 訓練時間和訓練迭代次數參數選取

圖4 各月份不同參數組合下的MAE/RMSE

結合訓練誤差對各季節(jié)的LSTM風速預測模型參數進行如下設置: 1月, 4月, 7月, 10月訓練時間均為10 d, 迭代次數均為60。BP神經網絡預測模型輸入層維數為1, 中間層神經元數通過訓練得出最佳值7, 輸出層維數為1, 各月份訓練時間通過實驗, 同樣選擇為10 d。RBF神經網絡預測模型參數選擇與BP模型基本相同。利用設置的參數代入各模型對各月份后144個樣本數據進行預測, 如圖5所示為各季節(jié)海面風速預測效果的對比情況。

各模型預測結果的平均絕對誤差和均方根誤差如表2所示。

通過預測結果和誤差分析可知, 對于不同季節(jié)的數據, 各神經網絡預測模型都可以有效模擬出海面風速的變化趨勢, 體現出在不同季節(jié)的海洋環(huán)境影響下, 預測模型均具備一定的適應性, 可以全方位地預測出整年的海面風速數據。

根據浮標實際檢測值可知, 海面風速的隨機性較強, 變化幅度較大, 當各月份出現急劇變化的風速值時, LSTM神經網絡的預測效率更強, 對于風速的擬合度相較另外兩種神經網絡更高。對于整體預測效果而言, LSTM的預測最小MA和RMS達到0.328和0.445, RBF預測的最小MA和RMS分別為0.334和0.463, BP預測的最小MA和RMS分別為0.373和0.476, 因此LSTM神經網絡模型的預測更精準有效。

各種神經網絡模型對于海面風速的預測可以進一步討論, 通過調整不同的測試集長度, 驗證出神經網絡模型的最佳預測周期。設置預測時長為6、12、18和24 h, 利用3種神經網絡模型對各季節(jié)海面風速預測進行對比, 選擇出預測的最佳測試集長度, 預測值的平均絕對誤差如下圖6所示。

圖5 海面風速預測結果與實測對比

表2 各模型預測結果的MAE和RMSE

由實驗結果可知, 隨著測試集預測時長的變化, LSTM神經網絡模型的預測誤差始終低于其他神經網絡模型。由于海面風速的變化幅度較大且隨機性較強, 因此隨著預測時長的變化, 預測的誤差變化較小。在實際工程中進行測試集的選擇時還需綜合考慮預測成本與準確性, 因此在保證風速預測的時效性前提下, 可以選擇24 h作為測試集最佳預測周期。

3.3 多站點預測驗證實驗

基于對比實驗的研究分析, 為了驗證LSTM神經網絡預測模型的普遍適用性, 選擇4個站點的海面風速數據進行預測驗證, 由于數據較多, 選取各站點在2021年中單季節(jié)的預測結果進行展示, 分別為RAMA站(15°N, 90°E)1月數據、PIRATA站(14°S, 32°W)4月數據、PIRATA站(21°N, 23°W)7月份數據和T2S95W站(2°S, 95°W)10月數據。模型參數通過上述實驗后均選取最佳值, 各站點數據采樣周期仍為10 min, 預測時長為24 h。通過各海域浮標站點的代表性海面風速數據驗證LSTM神經網絡模型的預測普遍適用性。預測結果如圖7所示。

利用相關系數(Pearson correlation coefficient)作為反映預測值與實際值之間相關性程度的統計指標,越接近1, 則預測值與實際值之間相關性程度越高。相關性曲線如圖8所示。

圖6 各季節(jié)代表月份海面風速預測平均絕對誤差

圖7 各站點海面風速預測結果

圖8 各站點海面風速預測相關性曲線

預測結果指標如表3所示。

表3 各站點預測性能指標和相關系數

通過多站點預測實驗結果的預測誤差分析和相關系數可知, LSTM神經網絡模型對于海面風速的預測具備多海域普遍適用性, 能夠精確擬合出各海域及各季節(jié)海洋數據的變化趨勢。當某季節(jié)風速變化頻率較快且幅度較大時, 模型預測效果仍然可以保證一定的相關程度, 這表明盡管海面風速等海洋數據受諸多不穩(wěn)定因素影響, 而具備隨機性、高非線性的特點, 但使用LSTM神經網絡能夠進行高精度預測, 并且具備應對急劇變化數據的預測穩(wěn)定性。

4 結論

針對海洋領域中氣象環(huán)境復雜多變、海面風速隨機性強而導致的難以精準預測的問題, 本文提出了一種基于LSTM神經網絡的短期風速預測方法。在Matlab環(huán)境下搭建了基于LSTM神經網絡的預測模型, 同時搭建了BP神經網絡和RBF神經網絡模型用作預測性能對比。

首先考慮到海面風速受季節(jié)性影響較大, 選取東太平洋單浮標站點各季節(jié)代表月份的海面風速歷史數據作為模型輸入, 通過訓練選取最佳模型參數, 對固定測試集海面風速數據進行了預測。結果證明, 3種神經網絡模型均能模擬出海面風速的變化趨勢, 對季節(jié)性變化均可進行一定時間范圍內有效的預測; 但相比之下, LSTM神經網絡擁有更高的精準性能。

其次基于3種神經網絡預測模型對測試集預測時長進行擴展討論, 對各模型不同預測時長下的預測值平均絕對誤差進行比較, 得出海面風速的最佳預測周期為24 h。證明了LSTM神經網絡整體預測效果始終優(yōu)于BP神經網絡和RBF神經網絡。

最后利用LSTM神經網絡對不同海域中多個站點進行預測驗證, 通過選取靠近海岸線的海洋浮標站點, 以及各浮標季節(jié)性相關的海面風速進行預測實驗, 驗證了本文提出的LSTM神經網絡模型的普遍適用性。通過相關系數的計算, 證明了當數據波動較為頻繁時, 模型預測結果保持了較強的一致性。

在以后的研究方向中可以進一步考慮優(yōu)化模型參數的設置, 如增加輸入維數(包括添加海表海溫、濕度、風向等海洋數據作為輸入), 這些變量可以看作海面風速影響因子。因此可以探討增加的輸入參數與需要預測的參數之間的相關性, 并且對比出不同程度相關性數據輸入時對于預測精度的影響, 進而使得神經網絡對于海洋數據的預測達到更高的精確度。

[1] 許飛瓊. 災害損失評估及其系統結構[J]. 災害學, 1998, 13(3): 80-83.

XU Feiqiong. Disaster loss assessment and its system structure[J]. Disaster Science, 1998, 13(3): 80-83.

[2] 肖茹水, 郭佩芳, 解曉茹. 風暴潮災害損失評估研究綜述[J]. 海洋湖沼通報, 2021, 43(2): 67-73.

XIAO Rushui, GUO Peifang, XIE Xiaoru. Overview of the study on the assessment of storm surge disaster losses[J]. Bulletin of Oceans and Lakes, 2021, 43(2): 67-73.

[3] 耿逍懿, 郝坤, 史振威. 一種基于深度學習的熱帶氣旋路徑集成預報方法[J]. 海洋科學, 2022, 46(2): 74-86.

GENG Xiaoyi, HAO Kun, SHI Zhenwei. An Integrated prediction method of tropical cyclone paths based on depth learning[J]. Marine Sciences, 2022, 46(2): 74-86.

[4] 陳亮, 王震, 王剛. 深度學習框架下LSTM網絡在短期電力負荷預測中的應用[J]. 電力信息與通信技術, 2017, 15(5): 8-11.

CHEN Liang, WANG Zhen, WANG Gang. Application of LSTM network in short-term power load forecasting under the framework of deep learning[J]. Power Infor-mation and Communication Technology, 2017, 15(5): 8-11.

[5] 熊一橙, 徐煒, 張銳, 等. 基于LSTM網絡的長江上游流域徑流模擬研究[J]. 水電能源科學, 2021, 39(9): 22-24, 40.

XIONG Yicheng, XU Wei, ZHANG Rui, et al. Study on runoff simulation of the upper reaches of the Yang-tze River based on LSTM network[J]. Hydropower and Energy Science, 2021, 39(9): 22-24, 40.

[6] 張貽婷, 李天宏. 基于長短時記憶神經網絡的河流水質預測研究[J]. 環(huán)境科學與技術, 2021, 44(8): 163-169.

ZHANG Yiting, LI Tianhong. Research on prediction of river water quality based on Long-term and Short- term Memory neural network[J]. Environmental Scien-ce and Technology, 2021, 44(8): 163-169.

[7] 胡衍坤, 王寧, 劉樞, 等. 時間序列模型和LSTM模型在水質預測中的應用研究[J]. 小型微型計算機系統, 2021, 42(8): 1569-1573.

HU Yankun, WANG Ning, LIU Shu, et al. Research on the application of time series model and LSTM model in water quality prediction[J]. Minicomputer System, 2021, 42(8): 1569-1573.

[8] 李彥杰, 賀鵬飛, 馮巍巍, 等. 基于LSTM模型的海洋水質預測[J]. 計算機與數字工程, 2020, 48(2): 437- 441.

LI Yanjie, HE Pengfei, FENG Weiwei, et al. Marine water quality prediction based on LSTM model[J]. Computer and Digital Engineering, 2020, 48(2): 437- 441.

[9] 武雙新. 基于LSTM的氣溫數據建模研究[J]. 數據通信, 2021(2): 47-51.

WU Shuangxin. Research on temperature data mode-ling based on LSTM[J]. Data Communication, 2021(2): 47-51.

[10] QIU R J, WANG Y K, RHOADS B, et al. River water temperature forecasting using a deep learning me-thod[J]. Journal of Hydrology, 2021, 595: 126016.

[11] CHOI H M, KIM M K, YANG H. Abnormally high water temperature prediction using LSTM deep lear-ning model[J]. Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology, 2021, 40(4): 8013-8020.

[12] LIU Y, WANG H, FENG W W, HUANG H C, et al. Short term real-time rolling forecast of urban river water levels based on LSTM: acase study in Fuzhou city, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(17): 9287.

[13] YAN Y, XING H Y. A sea clutter detection method based on LSTM error frequency domain conversion[J]. Alexandria Engineering Journal, 2022, 61(1): 883-891.

[14] JRGES C, BERKENBEINK C, STUMPE B. Prediction and reconstruction of ocean wave heights based on bathymetric data using LSTM neural networks[J]. Ocean Engineering, 2021, 232: 109046.

[15] 王國松, 王喜冬, 侯敏, 等. 基于觀測和再分析數據的LSTM深度神經網絡沿海風速預報應用研究[J]. 海洋學報, 2020, 42(1): 67-77.

WANG Guosong, WANG Xidong, HOU Min, et al. Study on the application of LSTM depth neural net-work to coastal wind speed prediction based on observation and reanalysis data[J]. Haiyang Xuebao, 2020, 42(1): 67-77.

[16] 魏昱洲, 許西寧. 基于LSTM長短期記憶網絡的超短期風速預測[J]. 電子測量與儀器學報, 2019, 33(2): 64-71.

WEI Yuzhou, XU Xining. Ultra short term wind speed prediction based on LSTM long-term and short-term memory network[J]. Journal of Electronic Measure-ment and Instrumentation, 2019, 33(2): 64-71.

[17] 李冰, 張妍, 劉石. 基于LSTM的短期風速預測研究[J]. 計算機仿真, 2018, 35(11): 456-461.

LI Bing, ZHANG Yan, LIU Shi. Research on short- term wind speed prediction based on LSTM[J]. Computer Simulation, 2018, 35(11): 456-461.

[18] 王俊, 李霞, 周昔東, 等. 基于VMD和LSTM的超短期風速預測[J]. 電力系統保護與控制, 2020, 48(11): 45-52.

WANG Jun, LI Xia, ZHOU Xidong, et al. Ultra short term wind speed prediction based on VMD and LSTM[J]. Power System Protection and Control, 2020, 48(11): 45-52.

[19] 張博一, 胡雄, 唐剛, 等. 基于二元LSTM神經網絡的船舶運動預測算法研究[J]. 海洋科學, 2021, 45(9): 69-74.

ZHANG Boyi, HU Xiong, TANG Gang, et al. Research on ship motion prediction algorithm based on binary LSTM neural network[J]. Marine Sciences, 2021, 45(9): 69-74.

[20] WANG Q L, GUO Y F, YU L X, et al. Earthquake prediction based on spatio-temporal data mining: an LSTM network approach[J]. IEEE Transactions on Emerging Topics in Computing, 2017, 8(1): 148-158.

Short-term wind-speed prediction of ocean surface based on LSTM

LI Ya-meng1, SUN Bao-nan2, 3, 4, 5, DING Jun-hang1, 6, 7, GUAN Sheng2, 3, 4, 5

(1. School of Automation, Qingdao University, Qingdao 266071, China; 2. First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China; 3. Key Laboratory of Marine Science and Numerical Modeling, Ministry of Natural Resources, Qingdao 266061, China; 4. Shandong Key Laboratory of Marine Science and Numerical Modeling, Qingdao 266061, China; 5. Laboratory for Regional Oceanography and Numerical Modeling, Pilot National Laboratory for Marine Science and Technology (Qingdao), Qingdao 266237, China; 6. Shandong Key Laboratory of Industrial Control Technology, Qingdao 266071, China; 7. Collaborative Innovation Center for Eco-Textiles of Shandong Province, Qingdao University, Qingdao 266071, China)

Sea surface wind speed plays a critical role in production and operation activities such as marine space launches and wind power deployment. However, because sea surface wind speed is highly nonlinear and stochastic, it is relatively challenging to estimate precisely. A short-term wind-speed prediction model based on long short-term memory (LSTM) neural network is suggested to accomplish reliable short-term prediction of sea surface wind speed. The historical wind speed data gathered by a single buoy station in the OceanSITES database is chosen as the model input, and the LSTM techniques are implemented by training the best parameters. Using this LSTM method, a 24-hour short-term forecast of the sea surface wind speed where the station is located in each seasonal representative month is realized. Simultaneously, through experiments involving various prediction durations and comparison experiments of prediction effects with back propagation neural network and radial basis function neural network, it is demonstrated that the LSTM prediction approach is superior to the above two neural network prediction methods in the application of sea surface wind–speed prediction. Finally, the LSTM neural network model is demonstrated to be globally applicable to wind speed prediction experiment data at stations representing diverse marine areas. The analysis of correlation coefficient and prediction error reveals that this method has the prediction stability to deal with quickly changing data and can be employed as a reliable method for short-term prediction of ocean surface wind speed.

neural network; LSTM network model; sea surface wind speed; short-term prediction

Nov. 16, 2021

P714.1

A

1000-3096(2022)11-0055-12

10.11759/hykx20211116001

2021-11-16;

2022-01-23

科技部重大科學儀器專項項目(2018YFF01014100)

[Major Scientific Instrument Project of Ministry of Science and Technology, No. 2018YFF01014100]

李亞蒙(1996—), 女, 山東煙臺人, 碩士研究生, 主要從事智能控制與數據資料預測分析研究, E-mail: 516553884@qq.com; 官晟(1972—),通信作者, 男, 山東青島人, 研究員, 博士, 主要從事海洋環(huán)境觀測技術與智能控制研究, E-mail: gsh30@163.com

(本文編輯: 叢培秀)