基于深度学习的水位智能预测技术与应用

发布时间：2024-04-20 19:39

　　内河航道水位是指导船舶合理配载和保障船舶安全航行的重要因素。合理地预测水位短期变化趋势,对于提升航道通行能力、保障船舶航行安全和科学开展航道养护至关重要。为提高内河航道水位预测精度,本文基于深度学习方法,利用门控循环神经网络(GRU)和卷积神经网络(CNN),深入研究了内河水位的智能预测模型,并针对航道信息综合服务的需求,研发了智能水位预测服务系统,实现了水位预测模型的应用。本文的主要工作包括:(1)研究循环神经网络在内河水位预测中的应用,建立了基于GRU的单水位站预测模型,并与基于长短时记忆(LSTM)的模型进行对比,分析出更适合水位预测的循环神经网络结构—GRU。(2)通过水位站时空关系分析,进一步建立了基于GRU的多水位站联动预测模型和基于CNN+GRU的多水位站联动预测模型。在长江下游多个水位站30年8时水位观测数据集上的实验结果表明,基于CNN+GRU的多站联动水位预测模型能够减小了单水位站数据随机性的影响,并更好地综合利用上下游水位站间的水位值关联性,因此具更高的预测精确度。而且,通过纳什效率系数(Nash-Sutcliffe efficiency coefficient,...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图２．２水位样本数据散点图??Ｆｉｇ．?２．２?Ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｓｃａｔｔｅｒ?ｐｌｏｔ??

?基于深度学习的水位智能预测技术与应用???概念如下：先将一组数据升序排列，然后四等分。一组数据被分为四等分需要有三个点，??分别被称为：第一四分位数（下四分位数，记为Ｑ１）、第二四分位数（中位数）、第三??四分位数（上四分位数，记为Ｑ３）。Ｑ１和Ｑ３之间的差距被称为四分位距，记....

图２．３水位数据箱形图??Ｆｉｇ．?２．３?Ｗａｔｅｒ?ｌｅｖｅｌ?ｄａｔａ?ｂｏｘ?ｐｌｏｔ??

?大连海事大学硕士学位论文???Ｉ??８．２?？??８．０?■??５?７８－??ａ??Ｂ）??〇?７．６?■??７ａ－??７．２?■??７．０?■?〇?！??１＿??图２．３水位数据箱形图??Ｆｉｇ．?２．３?Ｗａｔｅｒ?ｌｅｖｅｌ?ｄａｔａ?ｂｏｘ?ｐｌｏｔ??图２．３中，两个....

图２．４?２００日水位样本数据??Ｆｉｇ．?２．４?Ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｆｏｒ?２００－ｄａｙ??

?基于深度学习的水位智能预测技术与应用???７?—原始数据?广??“：?＾??１Ｊ?ｒｗｊＪ??：?ｒ??１??０」?，???，?，?，?，?，?，?，???０?２５?５０?７５?ｌｏｏ?１２５?１５０?１７５?２０Ｃ??Ｄａｙｓ??图２．４?２００日水位样本数据??Ｆｉｇ．?２....

图２．５水位样本数据在ＳＧ滤波前后的对比??Ｆｉｇ．?２．５?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｗａｔｅｒ?ｌｅｖｅｌ?ｓａｍｐｌｅ?ｄａｔａ?ｂｅｆｏｒｅ?ａｎｄ?ａｆｔｅｒ?ＳＧ?ｆｉｌｔｅｒｉｎｇ??

?大连海事大学硕士学位论文???Ｊ?—原始数据?广??１???ＳＧ；虑；皮?／??６?Ｉ??－５?５］??ＩＪ??＼?／ＶｙＶ??ｒ?．??１?＾ｗ＼／ｖＶ??〇＼?，?：?，?，?，?，?，?，?，?！??０?２５?５０?７５?１００?１２５?１５０?１７５?２００??Ｄａｙｓ....

本文编号：3959864