基于LSTM的海表面高度异常预测方法

作     者：江璟瑜 徐丹亚 韩宁生 王子赫 JIANG Jingyu;XU Danya;HAN Ningsheng;WANG Zihe

作者机构：中国石油大学(华东)计算机与科学技术学院青岛266580 南方海洋科学与工程广东省实验室(珠海)珠海519080 

出 版 物：《舰船电子工程》 (Ship Electronic Engineering)

年 卷 期：2021年第41卷第2期

页      面：97-99页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金重大研发计划(编号:41890851) 国家自然科学基金项目(编号:61873280,61873281,61672033,61672248,61972416) 山东省泰山学者专项基金项目(编号:tsqn201812029) 山东省自然科学基金项目(编号:ZR2019MF012) 中央高校建设基金项目(编号:18CX02152A,19CX05003A-6)资助 

主　　题：海表面高度异常 深度学习 长短期记忆神经网络 数据驱动 

摘      要：海表面高度异常(SSHA)是海洋系统中重要的参数之一,论文首次利用深度学习中的长短期记忆神经网络(LSTM)对海表面高度异常(SSHA)进行预测。将SSHA的预测当作时间序列预测问题,采用stacked-LSTM,建立海表面高度异常预测模型。该模型能够捕捉SSHA序列变化的规律,处理序列变化长期依赖问题。通过实验探索了stacked-LSTM预测模型的最佳参数设置,并使用中国南海海域的CORA再分析海表面高度异常数据进行验证,在预测未来24h、48h、72h、96h、120h的SSHA值上准确率(平均值±标准差)分别达到了90.10±10.64%、84.68±14.34%、78.29±17.37%、72.65±18.96%、66.41±20.91%,并与ANN、RNN、TCN等模型进行了对比,该基于数据驱动的模型能够运行在PC终端,为海洋工程提供移动服务。