[发明专利]基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质

权利要求书

1.一种基于深度学习的海面风场风速智能预测预报系统，其特征在于，包括混合递归神经网络预测模型，所述模型建立包括以下流程：采集并预处理海面风场风速数据，重构数据时空连续性，搭建混合神经网络模型，以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理；其次对海面风速数据进行维度重构，以坐标格点为单位，提取出连续的海面风场时间序列；再次搭建混合递归神经网络模型，主要包括一维卷积层、Dropout层和GRU层；最后对模型进行性能评估确定最优参数，再将预测结果转换回以日期为单位，经纬度网格点为坐标轴的形式，并对其进行可视化展示。

2.如权利1所述的系统，其特征在于，所述对风场数据进行采集，具体包括：选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风，随后采用python的numpy库对其进行风速合成。

3.如权利1所述的系统，其特征在于，对所述得到的风速数据集进行预处理，具体包括：通过离差标准化的方法，将其映射到[0,1]之间，方便神经网络更好地进行训练。

4.如权利1所述的系统，其特征在于，对所述海面风速数据进行时空连续性重构，具体包括：海面风场数据主要在气象类NC文件数据中，以日期为单位，经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型，需对海面风场风速数据进行维度转换。以网格点为单位，提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据，最后选取合适的步长形成形如(samples,timestamp,features)的张量数据，以供神经网络的输入。

5.如权利要求1所述的系统，其特征在于,建立所述混合递归神经网络预测模型的步骤包括：

(1)卷积层部分叠加一维卷积层，对输入的张量进行一维的滑动卷积，提取时间序列的有效特征信息；

(2)叠加Dropout层来一定程度的消除过拟合；

(3)递归神经网络部分叠加GRU层，更加精准地挖掘时间序列的深层特征，提高预测精度。

6.如权利5所述的系统，其特征在于，所述对模型进行性能评估，选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准，选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。

7.如权利6所述的系统，其特征在于，所述选用的评价函数RMSE、MAE、MAPE的公式表达分别为

其中P_i是模型预测风速值，R_i是真实观测风速值。

8.如权利1所述的系统，其特征在于，所述对模型预测结果进行可视化展现，具体包括：将预测结果转换回以时间为单位，经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序，其特征在于，所述处理器执行所述程序时实现以下步骤：采集并预处理海面风场风速数据，重构数据时空连续性，搭建混合神经网络模型，以及评估模型性能和对风场风速进行可视化展示。首先下载并对海面风场风速数据集进行预处理；其次对海面风速数据进行维度重构，以坐标格点为单位，提取出连续的海面风场时间序列；再次搭建混合递归神经网络模型，包括输入层、一维卷积层、递归神经网络层和输出层；最后对模型进行性能评估确定最优参数，再将风速数据转换回以日期为单位，经纬度网格点为坐标轴的形式，并对其进行可视化展现。