پیش بینی ارتفاع موج قابل توجه بر اساس شبکه واحد بازگشتی دریچه ای در تنگه تایوان و آب های مجاور آن

1 و

دریافت: 2 دسامبر 2020 / تجدید نظر: 19 دسامبر 2020 / پذیرش: 29 دسامبر 2020 / انتشار: 2 ژانویه 2021

چکیده

پیش بینی ارتفاع موج قابل توجه (SWH) یک فرآیند کلیدی برای مهندسی دریایی و ساحلی است. با این حال، پیش بینی دقیق SWH به دلیل تصادفی بودن و ویژگی های نوسانی امواج بسیار چالش برانگیز است. این مقاله از یک روش یادگیری عمیق جدید، شبکه واحد مکرر دروازه ای (GRU)، برای پیش بینی SWH با زمان های 3، 6، 12 و 24 ساعت استفاده می کند. مجموعه داده های مورد استفاده در این مطالعه شامل سرعت باد 3 ساعت گذشته و SWH فعلی به عنوان ورودی است که از شش ایستگاه شناور در تنگه تایوان و آب های مجاور آن به دست آمده است. نتایج GRU با نتایج شبکه عصبی پس انتشار (BP)، ماشین یادگیری افراطی (ELM)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) مقایسه شده است. اگرچه شاخص های خطای شش ایستگاه متفاوت است، عملکرد کلی GRU رضایت بخش است، با سرعت پیش بینی سریع تر، نوسانات کمتر و سازگاری بهتر. با استفاده از ایستگاه شناور 46714D به عنوان مثال، ریشه میانگین مربعات خطا (RMSE) پیش بینی شده توسط GRU به ترتیب به 0. 234، 0. 299، 0. 371، و 0. 479 با زمان های سرب 3، 6، 12 و 24 ساعت می رسد.

1. مقدمه

بلایای دریایی تهدیدی جدی برای بسیاری از کشورهای جهان است که منجر به تلفات و خسارات اقتصادی بسیار زیادی می شود. برای این منظور، بررسی ویژگی های امواج اقیانوس، به ویژه ارتفاع موج قابل توجه (SWH)، برای فعالیت های دریایی و مهندسی سواحل اهمیت اساسی دارد. یک پیش بینی دقیق و قابل اعتماد SWH به پیشرفت روان فعالیت هایی مانند شیلات، بهره برداری از منابع دریایی، ناوبری ایمن و ساخت و نگهداری سازه های ساحلی کمک می کند [1،2]. با این حال، بی نظمی امواج اقیانوس چالش های بزرگی را در پیش بینی SWH ارائه می دهد.

به طور کلی، سه رویکرد اصلی برای پیش بینی SWH وجود دارد، از جمله روش های تجربی، عددی و یادگیری ماشین. مدل های مبتنی بر تجربی کلاسیک مانند میانگین متحرک رگرسیون خودکار (ARMA) مدت هاست که تثبیت شده اند، اما توانایی محدودی برای ثبت غیرایستایی و غیرخطی بودن در سری داده ها دارند [3]. در دهه های گذشته، تعدادی از محققین به دنبال پیش بینی SWH با استفاده از مدل های مبتنی بر فیزیک بوده اند که عمدتاً بر شکلی از انرژی طیفی یا معادله تعادل عمل متکی هستند. اگرچه مدل های عددی ثابت کرده اند که در پیش بینی ارتفاع موج در گستره مکانی و زمانی بزرگ مؤثر هستند، معایب آنها نیز مورد توجه قرار گرفته است و هزینه منابع محاسباتی و زمان بسیار بالا است، به ویژه برای محاسبات یک شبکه با وضوح بالاتر درمناطق نزدیک ساحل که توپوگرافی بستر دریا پیچیده است [4،5].

پیشرفت های سریع و فزاینده در یادگیری ماشینی، حجم عظیمی از تحقیقات نوآورانه را در پیش بینی SWH به راه انداخته است. روش های یادگیری ماشینی از آمار برای به دست آوردن بینشی عمیق تر از پیوند مکانی و زمانی پنهان در سری های زمانی تاریخی استفاده می کنند.

زامانی و همکاران.[6] یک مطالعه دقیق از چندین مدل داده محور بر اساس شبکه های عصبی مصنوعی (ANN) و یادگیری مبتنی بر نمونه (IBL) انجام داد. آزمایشات نشان داد که ANN ها برتری کمی نسبت به IBL دارند ، و ANN نیز در پیش بینی شرایط موج شدید مزایای رقابتی دارد. قابلیت پیش بینی چندین رویکرد یادگیری ماشین از جمله دستگاه بردار پشتیبانی (SVM) ، شبکه بیزی (BN) ، ANN و سیستم استنباط عصبی فازی سازگار توسط Malekmohamadi و همکاران بررسی شده است.[7]نتایج نشان می دهد که رفتار این مدل ها به جز نتایج BN قابل قبول است. Altunkaynak و Wang با ترکیب یک الگوریتم ژنتیکی با فیلتر Kalman ، Altunkaynak و Wang [8] یک روش جدید برای پیش بینی SWH ایجاد کردند. برتری این روش نسبت به ANN با میانگین خطای نسبی و میانگین خطای مربع نشان داده شد. Nitsure و همکاران.[9] برای پیش بینی ارتفاع موج با استفاده از اطلاعات باد به عنوان ورودی ، از برنامه نویسی ژنتیکی استفاده کرد. نتایج پیش بینی با زمان سرب تا 12 ساعت و 24 ساعت رضایت بخش بود ، جایی که ضرایب همبستگی بین مقادیر پیش بینی شده و اندازه گیری شده بالاتر از 87/0 بود. Prahlada و Deka [10] در تلاش بودند تا یک مدل ترکیبی از موجک و یک شبکه عصبی مصنوعی را برای پیش بینی SWH در طول زمان سرب چند مرحله ای با ترکیب ویژگی های مفید هر دو ارائه دهند. ثابت شده است که روش ارائه شده مؤثر و امکان پذیر است. Coejo-Bueno و همکاران.[11] یک روش گروهی گروهی ترکیبی الگوریتم - روش یادگیری برای کاربردهای انرژی دریایی در SWH و پیش بینی شار را ارائه داد و نتایج مطلوب را بدست آورد. نیکو و همکاران.[12] پیش بینی SWH را بر اساس یک مدل همسایه K-Nearest Fuzzy (FKNN) انجام داد که در آن تغییر جهت باد بر طول واکشی تأثیر می گذارد. نتایج پیش بینی FKNN از نتایج به دست آمده توسط BN ، القاء درخت رگرسیون و رگرسیون بردار پشتیبانی ، به ویژه در پیش بینی ارتفاعات موج بزرگتر از 2 متر عمل می کند. وی و هسیه [13] آن را در دو موقعیت مجزا برای ارزیابی عملی پیش بینی امواج با استفاده از داده های جمع آوری شده از شناور مجاور ، تصویب کردند. این مطالعه نشان داد که مدل مربوط به اطلاعات از شناور مجاور ، بدون داده های اضافی از آن خارج می شود. با توجه به لبه های شبکه های عصبی انتشار پشت (BP) و الگوریتم های جستجوی فاخته (CS) ، یانگ و همکاران.[14] به طور خلاقانه سعی در پیش بینی SWH بر اساس یک مدل C S-BP داشت ، و مدل پیشنهادی پتانسیل امیدوار کننده ای را برای پیش بینی ارتفاع موج ارائه می دهد.

مطالعه اخیری که توسط ژانگ و دای [15] انجام شد، ماشین بولتزمن محدود شده مشروط را در شبکه باور عمیق کلاسیک برای پیش بینی SWH انجام داد. معیار اندازه گیری نشان داد که روش پیشنهادی جدید توانایی قوی برای پیش بینی رویدادهای کوتاه مدت و شدید دارد.

اخیراً، شبکه حافظه کوتاه مدت بلند مدت (LSTM) [16]، که شکل بهبود یافته یک شبکه عصبی بازگشتی (RNN) است، علاقه های قابل توجهی را به خود جلب کرده است. سون و همکاران[17] یک چشم انداز جدید برای پیش بینی SWH با ارزش واقعی از یک سری تصاویر اقیانوسی متوالی با استفاده از مدل LSTM کانولوشنال دو جهته پیدا کرد و شاخص های خطای کم به دست آمد. فن و همکاران[18] از LSTM برای پیش بینی SWH برای افق های زمانی مختلف پیش بینی با دقت بالاتر استفاده کرد و یک شبیه سازی امواج نزدیک ساحل-LSTM را برای پیش بینی تک نقطه ای پیشنهاد کرد. بسیاری از تحقیقات قبلی در مورد پیش بینی SWH بر استفاده از انواع مدل های کم عمق یادگیری ماشین مانند BP، SVM و غیره متمرکز شده اند، اما آنها نتوانسته اند به طور کامل از همبستگی های درونی بین اطلاعات تاریخی در دراز مدت بهره برداری کنند. LSTM با موفقیت برای پیش بینی SWH استفاده شده است. با این حال، یک نقص آشکار با LSTM این است که شامل تعداد زیادی پارامتر برای آموزش است. در نتیجه، فرآیند آموزش زمان بر است و به راحتی بیش از حد برازش می شود.

شبکه واحد بازگشتی دروازه ای (GRU) بر اساس LSTM بهینه سازی و متراکم شده است که دارای دو گیت به نام های گیت تنظیم مجدد و گیت به روزرسانی برای کنترل جریان اطلاعات است. با بهره مندی از ساختار، سرعت پیش بینی GRU به طور موثر بهبود یافته و همزمان قدرت LSTM را حفظ می کند [19]. GRU به عنوان یک ابزار قدرتمند در کاربردهای مختلف شامل پیش بینی سری های زمانی، مانند پایش سلامت ماشین [20،21]، پیش بینی سرعت باد [22،23،24] و پیش بینی جریان ترافیک [25،26] ظاهر شده است.

با این وجود، از نظر نویسندگان، تحقیقات بسیار کمی انجام شده است که به دنبال پیش بینی SWH با استفاده از روش جدید یادگیری عمیق GRU در یک بازه بزرگ و فاصله پیش بینی طولانی است. بنابراین، مطالعه آینده نگر به پیش بینی SWH بر اساس GRU در شش ایستگاه شناور در تنگه تایوان و آب های مجاور آن و مقایسه نتایج پیش بینی GRU با نتایج بدست آمده توسط BP، ماشین یادگیری شدید (ELM)، SVM و تصادفی می پردازد. جنگل (RF).

ساختار کلی این مقاله در قالب پنج بخش است. بخش دوم به تشریح مواد مطالعه مورد استفاده در این تحقیق می پردازد. بخش سوم توضیحی در مورد شبکه واحد بازگشتی دروازه ای و شاخص ارزیابی می دهد. بخش زیر نتایج به دست آمده را همراه با بحث ارائه می کند. بخش پایانی خلاصه ای از کار را ارائه می دهد.

2. مواد

تنگه تایوان بزرگترین تنگه چین است که دریای چین شرقی و دریای چین جنوبی را به هم متصل می کند، که نه تنها یک منطقه دریایی مهم برای مسیرهای تجاری تاریخی، بلکه یک نقطه استراتژیک ژئوپلیتیک مدرن است. بنابراین، از شهرت بالایی به عنوان "راهروی دریایی" برخوردار است. توپوگرافی تنگه تایوان به شدت مواج است. در جنوب پهن، در شمال باریک و به شکل شاخ است و جلوه لوله باریک برجسته ای را به ارمغان می آورد. از آنجایی که تعداد فعالیت های تولیدی و کشتیرانی در این منطقه به طور مداوم در حال افزایش است، نیاز مبرمی به پیش بینی به موقع و دقیق موج در این تنگه احساس می شود.

برای آزمایش عملکرد GRU، شش ایستگاه شناور توزیع شده در سایت های مختلف در تنگه تایوان و آب های مجاور آن انتخاب شدند. داده های ساعتی مورد استفاده برای پیش بینی SWH متعلق به مرکز ملی داده های دریایی (http://mds. nmdis.org. cn/) و شبکه مشاهده و داده دریایی اروپا (http://www. emodnet-physics) است. eu/map/). جدول 1 جزئیات ایستگاه های انتخاب شده، از جمله مکان های دقیق، عمق آب، دوره داده ها، حداکثر SWH و سرعت باد در طول دوره مربوطه هر ایستگاه شناور و تعداد کل داده های موجود را نشان می دهد. شکل 1 توزیع و عمق آب ایستگاه های انتخاب شده را نشان می دهد.

بخش کلیدی پیش بینی موج باد، پیش بینی SWH با زمان های هدایت چند ساعته یا چند روزه با استفاده از اطلاعات تاریخی است. با توجه به [27]، سرعت باد به عنوان یک عامل اصلی کمک کننده در تولید امواج شناسایی شده است. علاوه بر این، SWH قبلی نیز به دلیل تداوم امواج، یک اثر غالب را اعمال می کند. بنابراین، مشاهدات قبلی موجود از سرعت باد و SWH به عنوان ورودی به مدل داده می شود.

در این مطالعه 80 درصد از داده های موجود برای آموزش مدل و 20 درصد باقی مانده برای آزمون استفاده شد.

3. روش شناسی

3. 1. مدل پیش بینی موج

از آنجایی که شبکه های عصبی سنتی از طریق اتصال کامل منتقل می شوند و هر گره در همان لایه به هم متصل نیست، ممکن است هنگام برخورد با مشکلات زمانی از کار بیفتد.

در این زمینه ، ثابت شده است که RNN با ایجاد اتصالات خود حلقه از یک گره به خود و به اشتراک گذاری پارامترهای در مراحل مختلف زمانی ، در استخراج الگوهای زمانی نسبت به شبکه های عصبی سنتی قدرتمندتر است.

RNN استاندارد ورودی خود را از ورودی فعلی x t به همراه آنچه قبلاً برداشت کرده اند ، می گیرد.

جایی که h t - 1 حالت پنهان قبلی است. x t ورودی جدید است. W و U ماتریس وزن هستند. B بردار تعصب و F یک تابع فعال سازی غیرخطی است. سپس حالت فعلی به صورت محاسبه می شود

اگرچه RNN توانایی قوی در مدل سازی سریال های زمانی غیرخطی را به روشی مؤثر نشان می دهد ، اما نمی تواند از شیب ناپدید شده و انفجار مشکلات شیب فرار کند و با طولانی تر شدن طول مدت ، دقت آن کاهش می یابد.

یک شبکه حافظه کوتاه مدت طولانی مدت (LSTM) برای کاهش مشکلات فوق الذکر پیشنهاد شده است ، اما روند آموزش وقت ممکن است مانع از پذیرش گسترده LSTM در زمان واقعی و پیش بینی سریع SWH شود. در مقاله ما ، از یک نوع قابل توجه RNN دیگر ، یک شبکه واحد مکرر دروازه (GRU) استفاده می کنیم. شکل 2 ساختار داخلی GRU را نشان می دهد.

هر دو RNN و GRU ماژول های زنجیره ای مانند دارند ، اما ماژول های تکرار شونده GRU پیچیده تر هستند. هر ماژول تکرار شده GRU شامل دو دروازه به نام Gate Update و Reset Gate است که به GRU امکان کنترل جریان اطلاعات را می دهد. دو دروازه واحد سیگموئید هستند که متغیرها را در [0 ، 1] ترسیم می کنند ، جایی که مقدار بین 0 تا 1 نسبت حافظه است. بنابراین ، GRU می تواند همبستگی را با سری زمانی با اصطلاحات طولانی و کوتاه مقابله کند.

در مرحله اول ، Reset Gate R T کنترل می کند که چه مقدار اطلاعات از حالت پنهان قبلی به حالت پنهان فعلی منتقل می شود ، جایی که

نامزد جدید حافظه H ˜ t توسط R T با یک لایه TanH تولید می شود ، که از موارد زیر ناشی می شود:

به روز رسانی دروازه z t تعیین می کند که آیا حالت پنهان با یک حالت پنهان جدید ، جایی که به روز می شود

در معادله (3) به معادله (6) ، W R ، W Z ماتریس های وزن ، B R ، B Z بردارهای تعصب مربوطه هستند.

3. 2معیارهای پیش پردازش داده و ارزیابی

به منظور نگه داشتن تمام متغیرها در همان مقیاس و تضمین همگرایی پایدار در مدل توسعه یافته در مطالعه حاضر ، از فرمول استاندارد سازی زیر استفاده می شود

برای ارزیابی کمی از عملکرد مدل ، سه معیار آماری ، میانگین خطای مربع ریشه (RMSE) ، ضریب همبستگی (R) و شاخص توافق (IA) ، در نظر گرفته شده است:

جایی که x i در زمان اول مقدار مشاهده شده است ، y من مقدار پیش بینی شده در همان لحظه است ، n تعداد مراحل زمانی است ، x ¯ میانگین داده های مشاهده شده است ، و y ¯ میانگین مقدار مقادیر پیش بینی شده است.

4- نتایج و بحث ها

طبق این تئوری که موج با تعامل باد با سطح اقیانوس ایجاد می شود ، SWH فعلی به همراه سرعت باد در طی سه ساعت گذشته به عنوان متغیرهای ورودی برای پیش بینی SWH با استفاده از GRU برای افق های مختلف پیش بینی ایجاد می شود. آزمایش چهار الگوریتم یادگیری ماشین به طور گسترده استفاده شده ، BP ، ELM ، SVM و RF برای مقایسه انجام شد.

پارامترهای GRU با استفاده از آزمایش و خطا تنظیم شد ، در حالی که پارامترهای چهار روش دیگر طبق مطالعه قبلی انتخاب شدند. آزمایشات نشان داد که پارامترهای مدل بیش از حد ممکن است یک فرایند آموزش وقت گیر را بدون پیشرفت قابل توجهی در اثربخشی پیش بینی ایجاد کند. بنابراین ، تنظیم پارامتر باید در برابر عملکرد پیش بینی و مصرف زمان متعادل باشد. در جدول 2 پارامترهای مدل کلیدی پنج الگوریتم ذکر شده است ، جایی که M تعداد لایه های پنهان است ، S تعداد نورون ها در هر لایه پنهان است ، G نشان دهنده میزان یادگیری است ، K مخفف تعداد دوره های آموزش است ، C است. پارامتر مجازات ، ε تحمل خطا ، n تعداد درختان در RF است و MaxDeep حداکثر عمق هر درخت است. در مقاله زیر بهترین نتایج با فونت جسورانه برجسته می شود.

4. 1پیش بینی SWH با زمان سرب 3 ساعت

در این بخش ، سرعت فعلی SWH و باد 3 ساعت قبل به عنوان ورودی برای پیش بینی SWH با زمان سرب 3 ساعت تغذیه می شود.

شاخص های خطای پنج الگوریتم در شش ایستگاه مختلف انتخاب شده از تنگه تایوان و آبهای مجاور آن در جدول 3 ارائه شده است. بدیهی است که تمام شاخص های GRU بهتر از چهار الگوریتم دیگر هستند. توانایی GRU در پیش بینی SWH از سایرین از دیگران خارج می شود ، که ممکن است به این دلیل باشد که GRU می تواند بدون داشتن شیب ناپدید شده و انفجار مشکلات شیب ، از اطلاعات مفید از حالتهای قبلی استفاده کند. آنچه در این جدول برجسته است این است که عملکرد SVM و ELM بسیار فقیرتر از سایرین است ، که نشان می دهد SVM و ELM گزینه های خوبی برای پیش بینی SWH نیستند. در ایستگاه C6W08 ، RMSE GRU 46. 3 ٪ پایین تر از ELM است ، و R و Ia از GRU به 0. 950 و 0. 972 می رسد ، در حالی که همان شاخص های ELM فقط 0. 844 و 0. 914 است. با توجه به BP ، RF و SVM ، عملکرد همه شش ایستگاه نسبت به GRU تا حد بیشتری یا کمتر از GRU پایین تر است.

شکل 3 نمودارهای پراکندگی مقادیر مشاهده شده را نشان می دهد و SWH به دست آمده توسط GRU با زمان سرب 3 ساعت برای شش ایستگاه پیش بینی می شود.

همانطور که از شکل 3 مشاهده می شود ، مقادیر مشاهده شده و پیش بینی شده تولید شده توسط GRU به مدت 3 پیش بینی ساعتی مطابق قابل توجهی هستند. به خصوص در ایستگاه C6V27 ، SWH پیش بینی شده بسیار خوب با مقادیر مشاهده شده ارتباط دارد. با این وجود ، آنچه را نمی توان نادیده گرفت این است که برخی از فضای باز وجود دارند که در نزدیکی بیسکتور متمرکز نیستند. محتمل ترین علت این است که اکثریت قریب به اتفاق SWH مشاهده شده در این ایستگاه ها کمتر از 4 متر است ، در حالی که هنوز چند واقعه شدید وجود دارد.

برای آشکار کردن تفاوت عملکرد پیش بینی بین GRU و چهار روش دیگر به وضوح ، ما به طور تصادفی یک قطعه از نتایج پیش بینی کننده برای هر ایستگاه را انتخاب می کنیم تا در شکل 4 نشان دهد ، که در آن تعداد نقاط داده 100 است.

با توجه به بازرسی دقیق تر از شکل 4 ، می توان دریافت که نتایج آزمون SVM و ELM تمایل به نوسانات بزرگتر از GRU دارند. یکی از دلایل شناخته شده ای که نوسانات را به وجود می آورد این است که ELM و SVM مستعد انتخاب پارامترها هستند. در کاربرد عملی ، هر دو احتمالاً به حداقل می رسند ، بنابراین ثبات نسبتاً فقیرتر است. در مقابل ، بر اساس مکانیسم دروازه ، دروازه تنظیم مجدد اطلاعات ناخواسته را دور می کند و دروازه بروزرسانی زمینه مفیدی را از حالت های پنهان قبلی منتشر می کند ، که GRU را با توانایی قوی در بهره برداری از آینده و اطلاعات قبلی بدون تنظیم پارامتر پیشرفته ، به وجود می آورد. از این رو ، پیش بینی انجام شده توسط GRU در تمام ایستگاه های منتخب با زمان سرب 3 ساعت از دقت و ثبات بالایی برخوردار است.

4. 2پیش بینی SWH با زمان سرب 6 ساعت

آزمایشات با زمان سرب تا 6 ساعت در این بخش شرح داده شده است. مقایسه عمودی جدول 3 ، جدول 4 و جدول 5 نشان می دهد که دقت پیش بینی با افزایش افق زمانی پیش بینی کاهش می یابد ، با افزایش RMSE در حالی که R و IA کاهش می یابد.

با توجه به تجزیه و تحلیل افقی به جدول 4 ، مدل GRU هنوز از 4 مدل دیگر با توجه به کلیه معیارهای ارزیابی بهتر است ، زیرا ساختار ذاتی GRU را قادر می سازد تا خاطرات را در دراز مدت حفظ کند. RMSE GRU 54. 4 ٪ پایین تر از ELM در ایستگاه 46714D است. عملکرد پیش بینی در ایستگاه نانجی در بین شش ایستگاه بهترین است (RMSE = 0. 265 ، R = 0. 902 ، IA = 0. 946) ، که ممکن است به دلیل کمترین تعداد داده و میانگین SWH در این ایستگاه باشد.

نمودارهای پراکندگی SWH مشاهده شده و پیش بینی شده برای زمان سرب 6 ساعت در شکل 5 نشان داده شده است. اگرچه افزایش افق های پیش بینی منجر به سطح بالاتری از پراکندگی می شود ، اما این نقاط هنوز هم نسبتاً نزدیک به خط مورب توزیع می شوند. نتایج پیش بینی شده به دست آمده توسط GRU در ایستگاه 46714D ، C6V27 و Nanji هنوز رضایت بخش است ، که ممکن است به داده های کمتری در این منطقه نسبت داده شود.

شکل 6 مقایسه پنج الگوریتم مختلف را برای پیش بینی 6 ساعت ارائه می دهد. اگرچه دقت پیش بینی برای همه مدل ها کاهش یافت، روش یادگیری عمیق GRU نتایج پیش بینی بهتری را به همراه داشت و روند داده ها را نسبتاً خوب ثبت کرد. برتری استفاده از GRU در مقایسه با چهار روش دیگر به این دلیل است که GRU در شناسایی اطلاعات ضروری قبلی برای برآورد وضعیت فعلی مهارت دارد. برعکس، SVM، BP، RF و ELM متعلق به مدل های کم عمق یادگیری ماشین هستند. ناکافی بودن مدل های یادگیری ماشین کم عمق، کاربرد آن ها را در پیش بینی سری های زمانی بلندمدت محدود کرده است.

چیزی که نمی توان نادیده گرفت این است که تفاوت زیادی در SVM نسبت به سایرین در پانل اول شکل 4 و شکل 6 وجود دارد. ممکن است دو دلیل برای توضیح این پدیده وجود داشته باشد. از یک سو، تنظیم پارامتر SVM با توجه به مطالعه قبلی و در تعادل با زمان محاسباتی در نظر گرفته شده است. بنابراین، تنظیم پارامتر SVM ممکن است برای هر ایستگاه شناور بهینه نباشد. از طرف دیگر میانگین SWH 46714D در دوره انتخاب شده کمتر از 1 متر است که در مقایسه با سایرین نسبتاً کوچک است.

4. 3. پیش بینی بلند مدت SWH

نتایج پیش بینی با زمان های 12 ساعت و 24 ساعت در جدول 5 و جدول 6 فهرست شده اند. هر چه افق پیش بینی طولانی تر باشد، پیوند در سری داده ها ضعیف تر است. بنابراین، شکی نیست که RMSE افزایش می یابد، در حالی که R و IA همزمان کاهش می یابد. با این حال، عملکرد GRU هنوز در بین این پنج الگوریتم بهترین است و خطای پیش بینی آن در محدوده قابل قبولی با زمان های سرب تا 12 ساعت و 24 ساعت بود. مشاهده می شود که نتایج به دست آمده توسط ELM و SVM نامعتبر است. در ایستگاه 46714D، RMSE به دست آمده توسط GRU برای پیش بینی 12 ساعته فقط 0. 371 است، در حالی که همان شاخص های ELM و SVM بالا هستند، تا 0. 840 و 0. 663، که نشان می دهد GRU سازگاری و قابلیت اطمینان قوی تری برای پیش بینی افق بلندمدت دارد..

همانطور که در شکل 7 نشان داده شده است، یک پسماند آشکار در پیش بینی 24 ساعته وجود دارد، اما روند کلی SWH پیش بینی شده با مقادیر مشاهده شده سازگار است. این ممکن است به این دلیل باشد که وابستگی SWH به ویژگی های موج قبلی در یک افق زمانی بزرگ پیش بینی کاهش می یابد.

علاوه بر این ، تا حدودی ناامید کننده است که متوجه شوید GRU SWH را به مدت 12 ساعت و 24 ساعت دست کم گرفته است ، به خصوص در حوادث شدید در همه ایستگاه ها. یک توضیح احتمالی برای این نتایج ممکن است آن دریا و دریای متوسط باشد که بخش قریب به اتفاق در روند آموزش GRU را به خود اختصاص داده است.

اوج SWH 7. 4 متر مشاهده شده در 8 آگوست 2015 در ساعت 13:00 به عنوان 5. 744 ، 5. 699 ، 5. 373 ، 3. 961 متر توسط GRU برای زمان سرب 3 ساعت ، 6 ساعت ، 12 ساعت و 24 ساعت در ایستگاه 46714D پیش بینی شده است. ایستگاه C6V27 در 20 اکتبر 2016 ، در آنجا SUPER TYPHOON HAIMA متحمل شد ، جایی که SWIC مشاهده شده در ساعت 18 11. 7 متر بود. پیش بینی اوج ساخته شده توسط GRU به ترتیب برای 3 ساعت ، 6 ساعت ، 12 ساعت و 24 ساعت به ترتیب 9. 818 ، 9. 383 ، 8. 211 ، 6. 464 متر است. محتمل ترین علت دست کم گرفتن برای ارتفاعات موج بزرگتر این است که معمولاً مجموعه داده های آموزشی حاوی داده های مشابه کافی برای ارتفاع موج اوج نیستند.

5. نتیجه گیری ها

GRU یک روش جدید یادگیری عمیق است که در حفظ اطلاعات طولانی مدت با راندمان بالا انجام می شود ، که می تواند بینش تازه ای در مورد پیش بینی سری زمانی ارائه دهد. در این مقاله ، عملکرد GRU برای پیش بینی SWH با زمان سرب 3 ، 6 ، 12 و 24 ساعت مورد بررسی قرار گرفت. برای آزمایش عملکرد GRU ، سرعت فعلی SWH و باد 3 ساعت گذشته از شش ایستگاه شناور توزیع شده در سایت های مختلف در تنگه تایوان و آبهای مجاور آن به عنوان ورودی تغذیه می شدند و شاخص های خطا RMSE ، R و IA بودندبرای ارزیابی صحت استفاده شده است.

به طور کلی ، می توان نتیجه گرفت که GRU توانایی تولید مقادیر پیش بینی بهتر و ضبط روند کلی داده ها را دارد. در مقایسه ، پیش بینی های انجام شده توسط SVM و ELM نسبتاً نادرست است و تمایل به نوسانات بزرگتر دارند. برای BP و RF ، مهارت پیش بینی کمی نسبت به GRU پایین است. از آنجا که GRU در پیش بینی سریال های بلند مدت از لبه قوی برخوردار است ، عملکرد با زمان سرب 3 و 6 ساعت رضایت بخش و قابل اعتماد است. با افزایش زمان پیش بینی ، میانگین خطای مربع ریشه افزایش یافته و ضریب همبستگی برای همه مدل ها کاهش یافته است. با این حال ، آمار خطا GRU هنوز در محدوده قابل قبولی است. اگرچه GRU در پیش بینی ارتفاعات موج اوج برای وقایع شدید به طور کامل به موفقیت نمی رسد ، اما بخش اعظم تخمین را می توان به عدم وجود ارتفاعات موج بزرگ مشابه در پایگاه داده آموزش نسبت داد.

با بهره گیری از ساختار مکرر و مکانیسم ویژه دروازه ، اعتقاد بر این است که GRU می تواند پیش بینی های SWH را با زمان سرب چند مرحله ای به روشی قابل اعتماد و سریع ارائه دهد ، که برای کاهش خطر و کاهش خطر در برابر بلایای ساحلی مطلوب است. تا زمانی که پیش بینی ها از سطح آستانه از پیش تعریف شده فراتر رود ، هشدارهای خطر با مقیاس دقیق بلافاصله صادر می شود ، که ممکن است به مقامات و تصمیم گیرندگان کمک کند تا به خاطر جوامع مسکونی ساحلی و عملیات ایمن در خارج از کشور ، آمادگی بهتری ایجاد کنند. پیشرفت بیشتر در دقت پیش بینی SWH با ارائه ویژگی های ورودی بیشتر مانند جهت باد و جهت موج امکان پذیر است.

کمک های نویسنده

مفهوم سازی ، J. W. و Y. W. ؛روش شناسی ، J. W. ؛نرم افزار ، Y. W. ؛اعتبار سنجی ، J. W. ، Y. W. و J. Y. ؛تجزیه و تحلیل رسمی ، J. Y. ؛نوشتن - پیش نویس آماده سازی ، Y. W. ؛نوشتن - بررسی و ویرایش ، J. W. و J. Y. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این کار تا حدودی توسط پروژه ملی تحقیق و توسعه ملی چین تحت کمک هزینه 2018yfc1406200 تأمین شد ، بخشی از آن توسط بنیاد ملی علوم طبیعی چین تحت کمک مالی 41406007 ، و بخشی از آن توسط صندوق های تحقیقاتی اساسی برای دانشگاه های مرکزی تحت کمک هزینه 19CX05003A-5

بیانیه هیئت بررسی نهادی

بیانیه رضایت آگاهانه

صورت در دسترس بودن داده ها

تضاد علاقه

1. منابع
2. ژنگ ، C.-W. ؛وو ، G.-X. ؛چن ، ایکس ؛وانگ ، س. ؛گائو ، Z.-S. ؛چن ، Y.-G. ؛Luo ، X. Projection Energy Wave مبتنی بر CMIP5: مطالعات موردی از دریای چین جنوبی و دریای شرقی چین. IEEE Access 2019 ، 7 ، 82753-82763.[Google Scholar] [CrossRef]
3. ژنگ ، C. W. ؛لی ، C. Y. تنوع انرژی موج و ارتفاع موج قابل توجه در دریای چین و آبهای مجاور. تجدیدپایدارانرژیRev. 2015 ، 43 ، 381-387.[Google Scholar] [CrossRef]
4. Agrawal ، J. D. ؛Deo ، M. C. پیش بینی موج آنلاین. ساختار دریایی. 2002 ، 15 ، 57-74.[Google Scholar] [CrossRef]
5. Guner ، H. A. A. ؛یوکسل ، ی. ؛Cevik ، E. O. برآورد پارامترهای موج بر اساس همبستگی موج باد نزدیک. ENG اقیانوس. 2013 ، 63 ، 52-62.[Google Scholar] [CrossRef]
6. یون ، ح. جون ، س .- سی. ؛Hyun ، Y. ؛Bae ، G.-O. ؛لی ، K.-K. یک مطالعه مقایسه ای از شبکه های عصبی مصنوعی و دستگاه های بردار پشتیبانی برای پیش بینی سطح آب زیرزمینی در یک آبخوان ساحلی. J. هیدرول. 2011 ، 396 ، 128 138.[Google Scholar] [CrossRef]
7. زمانی، ع. سولوماتین، دی. عظیمیان، ع. Heemink، A. یادگیری از داده ها برای پیش بینی موج باد. مهندس اقیانوس2008، 35، 953-962.[Google Scholar] [CrossRef]
8. ملک محمدی، ط. بازرگان لاری، م. ر. کراچیان، ر. نیکو، م. ر. فلاح نیا، م. ارزیابی کارایی SVMs، BNs، ANNs و ANFIS در پیش بینی ارتفاع موج. مهندس اقیانوس2011، 38، 487-497.[Google Scholar] [CrossRef]
9. آلتونکایناک، ع. وانگ، K.-H. برآورد ارتفاع موج قابل توجه در دریاچه های کم عمق با استفاده از تکنیک های سیستم خبره. سیستم خبرهAppl. 2012، 39، 2549-2559.[Google Scholar] [CrossRef]
10. نیتسور، S. P. لونده، اس. ن. خاره، ک. ک. پیش بینی امواج با استفاده از اطلاعات باد و برنامه ریزی ژنتیکیمهندس اقیانوس2012، 54، 61-69.[Google Scholar] [CrossRef]
11. پراهلادا، آر. دکا، پی سی. پیش بینی ارتفاع موج قابل توجه سری زمانی با استفاده از شبکه عصبی تجزیه شده موجک. در مجموعه مقالات کنفرانس بین المللی منابع آب، مهندسی سواحل و اقیانوس (icwrcoe'15)، کارناتاکا، هند، 11 تا 14 مارس 2015؛Dwarakish، G. S.، Ed. الزویر: آمستردام، هلند، 2015; جلد 4، ص 540 547.[Google Scholar]
12. Coejo-Bueno، L.; نیتو-بورگه، جی. سی. گارسیا دیاز، پی. رودریگز، جی. Salcedo-Sanz، S. ارتفاع موج قابل توجه و پیش بینی شار انرژی برای کاربردهای انرژی دریایی: یک الگوریتم ژنتیک گروه بندی - رویکرد ماشین یادگیری افراطی. تمدید کنید. انرژی 2016، 97، 380-389.[Google Scholar] [CrossRef]
13. نیکو، م. ر. کراچیان، ر. علیزاده، M. R. یک مدل مبتنی بر KNN فازی برای پیش بینی ارتفاع موج قابل توجه در دریاچه های بزرگ. Oceanologia 2018، 60، 153-168.[Google Scholar] [CrossRef]
14. وی، سی.-سی. هسیه، سی.-جی. استفاده از اطلاعات شناور مجاور برای پیش بینی ارتفاع موج طوفان های فراساحلی شمال شرقی تایوان. Water 2018، 10، 1800. [Google Scholar] [CrossRef][Green Version]
15. یانگ، اس. شیا، تی. ژانگ، ز. ژنگ، سی. لی، ایکس. لی، اچ. Xu, J. پیش بینی ارتفاعات موج قابل توجه بر اساس مدل CS-BP در دریای چین جنوبی. دسترسی IEEE 2019، 7، 147490 147500.[Google Scholar] [CrossRef]
16. ژانگ، ایکس. دای، اچ. پیش بینی ارتفاع موج قابل توجه با مدل CRBM-DBN. J. Atmos. Oceanic Technol. 2019، 36، 333-351.[Google Scholar] [CrossRef]
17. هوکرایتر، اس. Schmidhuber, J. حافظه کوتاه مدت طولانی. محاسبات عصبی1997، 9، 1735-1780.[Google Scholar] [CrossRef]
18. ترانه.؛چوی، اچ. لی، جی. اچ. کانگ، پی. رگرسیون ارتفاع موج قابل توجه از تصویر اقیانوس خام با شبکه های کانولوشنال LSTM و سه بعدی. J. Korean Op. Res. مدیریتعلمیSoc. 2020، 45، 11-24.[Google Scholar] [CrossRef]
19. فن، اس. شیائو، ن. دونگ، اس. یک مدل جدید برای پیش بینی ارتفاع موج قابل توجه بر اساس شبکه حافظه کوتاه مدت بلند مدت. مهندس اقیانوس2020، 205، 107298. [Google Scholar] [CrossRef]
20. چو، ک. Merriënboer، B. V. گلچهره، سی. بهداناو، د. بوگارس، اف. شونک، اچ. Bengio، Y. آموزش نمایش عبارات با استفاده از رمزگذار-رمزگشا RNN برای ترجمه ماشینی آماری. در مجموعه مقالات کنفرانس EMNLP 2014 در مورد روشهای تجربی در پردازش زبان طبیعی، دوحه، قطر، 25-29 اکتبر 2014. صفحات 1724-1734.[Google Scholar] [CrossRef]
21. ژائو، آر. وانگ، دی. یان، آر. مائو، ک. شن، اف. Wang, J. نظارت بر سلامت ماشین با استفاده از شبکه های واحد مکرر دروازه دار مبتنی بر ویژگی محلی. IEEE Trans. الکترون صنعتی2018، 65، 1539-1548.[Google Scholar] [CrossRef]
22. تره فرنگی.؛کیم، جی.-کی. کیم، جی. هور، ک. طرح ترکیبی کیم، اچ. CNN و GRU برای تشخیص ناهنجاری بلبرینگ در پایش سلامت ماشین آلات دوار. در مجموعه مقالات اولین کنفرانس بین المللی IEEE 2018 در مورد نوآوری و اختراع دانش، جزیره ججو، کره، 23 تا 27 ژوئیه 2018؛Meen, T. H., Ed. الزویر: آمستردام، هلند، 2018; صص 102-105.[Google Scholar]
23. لیو، اچ. مخلوط کردن.؛لی، ی. دوان، ز. Xu, Y. مدل پیش بینی چند مرحله ای مبتنی بر یادگیری عمیق سرعت باد هوشمند با استفاده از تجزیه و تحلیل طیف منفرد، شبکه واحد بازگشتی دروازه ای کانولوشنی و رگرسیون بردار پشتیبانی. تمدید کنید. انرژی 2019، 143، 842-854.[Google Scholar] [CrossRef]
24. یو، سی. لی، ی. بائو، ی. تانگ، اچ. ژای، جی. چارچوبی جدید برای پیش بینی سرعت باد بر اساس شبکه های عصبی مکرر و ماشین بردار پشتیبان. مبدل انرژیمدیریت2018، 178، 137-145.[Google Scholar] [CrossRef]
25. پنگ، ز. پنگ، اس. فو، ال. لو، بی. تانگ، جی. وانگ، ک. Li, W. یک مدل مجموعه یادگیری عمیق جدید با حذف نویز داده برای پیش بینی کوتاه مدت سرعت باد. مبدل انرژیمدیریت2020، 207، 112524. [Google Scholar] [CrossRef]
26. ژانگ، دی. کابوکا، M. R. ترکیب داده های وضعیت آب و هوا برای پیش بینی جریان ترافیک: یک رویکرد یادگیری عمیق مبتنی بر GRU. IET Intel. ترانسپسیستم2018، 12، 578-585.[Google Scholar] [CrossRef]
27. دای، جی. مک.؛Xu, X. روش پیش بینی جریان ترافیک کوتاه مدت برای بخش های جاده شهری بر اساس تجزیه و تحلیل فضای زمان و GRU. دسترسی IEEE 2019، 7، 143025 143035.[Google Scholar] [CrossRef]

محجوبی، ج. اعتماد شهیدی، ع. کاظمی نژاد، م. ح. پنهان سازی پارامترهای موج با استفاده از روش های مختلف محاسبات نرم. Appl. Ocean Res. 2008، 30، 28-36.[Google Scholar] [CrossRef]

محجوبی، ج. اعتماد شهیدی، ع. کاظمی نژاد، م. ح. پنهان سازی پارامترهای موج با استفاده از روش های مختلف محاسبات نرم. Appl. Ocean Res. 2008، 30، 28-36.[Google Scholar] [CrossRef]