雷森，史振威，石天陽(yáng)，高松，李亞茹，鐘山

(1.北京航空航天大學(xué) 宇航學(xué)院圖像處理中心，北京 100191； 2. 國(guó)家海洋局 北海預(yù)報(bào)中心，山東 青島 266000)

基于遞歸神經(jīng)網(wǎng)絡(luò)的風(fēng)暴潮增水預(yù)測(cè)

雷森1，史振威1，石天陽(yáng)1，高松2，李亞茹2，鐘山2

(1.北京航空航天大學(xué) 宇航學(xué)院圖像處理中心，北京 100191； 2. 國(guó)家海洋局 北海預(yù)報(bào)中心，山東 青島 266000)

風(fēng)暴潮增水的準(zhǔn)確預(yù)測(cè)能極大地減少人員傷害和經(jīng)濟(jì)損失，具有重要的實(shí)用價(jià)值。傳統(tǒng)的風(fēng)暴潮預(yù)報(bào)方法主要包括經(jīng)驗(yàn)和數(shù)值預(yù)報(bào)，很難建立起相對(duì)準(zhǔn)確的模型?，F(xiàn)有的基于機(jī)器學(xué)習(xí)風(fēng)暴潮預(yù)報(bào)方法大都只提取出靜態(tài)數(shù)據(jù)間的關(guān)系，并沒(méi)有充分挖掘出風(fēng)暴潮數(shù)據(jù)背后的時(shí)序關(guān)聯(lián)特性。文中提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的風(fēng)暴潮增水預(yù)測(cè)方法。本文對(duì)風(fēng)暴潮時(shí)序數(shù)據(jù)進(jìn)行特定的處理, 并設(shè)計(jì)合適結(jié)構(gòu)的遞歸神經(jīng)網(wǎng)絡(luò)，從而完成時(shí)序數(shù)據(jù)的預(yù)測(cè)。相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)能更好地應(yīng)對(duì)時(shí)序數(shù)據(jù)的預(yù)測(cè)問(wèn)題。將該方法用于濰坊水站的增水預(yù)測(cè)中，結(jié)果表明，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)能得到更好的預(yù)測(cè)結(jié)果，誤差更小。

風(fēng)暴潮增水；預(yù)測(cè)；數(shù)值預(yù)報(bào)；機(jī)器學(xué)習(xí)；靜態(tài)數(shù)據(jù)；時(shí)序特性；BP神經(jīng)網(wǎng)絡(luò)；遞歸神經(jīng)網(wǎng)絡(luò)

風(fēng)暴潮(storm surge)是一種由于強(qiáng)烈大氣擾動(dòng)，如熱帶氣旋(臺(tái)風(fēng)、颶風(fēng))、溫帶氣旋等，引起的海面異常升高現(xiàn)象。它具有數(shù)小時(shí)至數(shù)天的周期，通常疊加在正常潮位之上，而風(fēng)浪、涌浪(具有數(shù)秒的周期)則疊加在風(fēng)暴潮和正常潮位之上。它們的結(jié)合所引起的沿岸海水暴漲常常釀成巨大潮災(zāi)[1]。風(fēng)暴潮災(zāi)害的及時(shí)預(yù)報(bào)能極大地減少其對(duì)沿海地區(qū)帶來(lái)的人員傷害和經(jīng)濟(jì)損失，具有很強(qiáng)的實(shí)用價(jià)值。

傳統(tǒng)的風(fēng)暴潮預(yù)報(bào)方法主要分為兩大類：經(jīng)驗(yàn)預(yù)報(bào)方法和數(shù)值預(yù)報(bào)方法。經(jīng)驗(yàn)預(yù)報(bào)方法通常是指預(yù)報(bào)員的主觀經(jīng)驗(yàn)和經(jīng)驗(yàn)統(tǒng)計(jì)預(yù)報(bào)方法，而數(shù)值預(yù)報(bào)方法主要包括諾模圖方法和數(shù)值預(yù)報(bào)方法[2]。曾德美[3]研究了青島港的風(fēng)暴潮概況，提出了青島港極值增減水的經(jīng)驗(yàn)公式。謝亞力和黃世昌[4]將風(fēng)暴潮經(jīng)驗(yàn)預(yù)報(bào)與動(dòng)力線性模型相結(jié)合，建立了經(jīng)驗(yàn)預(yù)報(bào)方程，并在錢塘江風(fēng)暴潮預(yù)報(bào)中取得了不錯(cuò)的效果。高清清等[2]通過(guò)研究位于長(zhǎng)江入?？诘哪贤▎握練v史水文氣象資料，分析該站的風(fēng)暴增水特征，提出了針對(duì)該站臺(tái)風(fēng)風(fēng)暴潮經(jīng)驗(yàn)預(yù)報(bào)公式。

從20世紀(jì)80年代以來(lái)，基于數(shù)值模擬方法的風(fēng)暴潮預(yù)報(bào)技術(shù)取得了較大的發(fā)展和進(jìn)步。朱建榮和朱首賢[5]將原正交的ECOM模式改進(jìn)為非正交曲線坐標(biāo)系下模式，以更好地?cái)M合河岸線的形狀，應(yīng)用于長(zhǎng)江河口、杭州灣及鄰近海區(qū)，取得了不錯(cuò)的效果。黃世昌等[6]基于河口海岸水動(dòng)力二維數(shù)值模型，建立起了風(fēng)暴潮與天文潮相互耦合的數(shù)值模式，可用于浙江沿海增水預(yù)測(cè)。王培濤等[7]提出了一種基于高級(jí)環(huán)流模型(ADCIRC)適合臺(tái)灣海峽及福建沿海區(qū)域的精細(xì)化臺(tái)風(fēng)風(fēng)暴潮數(shù)值預(yù)報(bào)模式。

然而，基于經(jīng)驗(yàn)和數(shù)值的傳統(tǒng)風(fēng)暴潮預(yù)報(bào)通常需要研究員對(duì)風(fēng)暴潮的動(dòng)力學(xué)規(guī)律具有非常深入的研究，操作復(fù)雜難懂，并且很難建立起相對(duì)準(zhǔn)確的模型。后來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展和大數(shù)據(jù)時(shí)代的到來(lái)，許多學(xué)者將基于海量數(shù)據(jù)的機(jī)器學(xué)習(xí)方法用于風(fēng)暴潮預(yù)報(bào)中。T. L. Lee[8]將風(fēng)速、風(fēng)向、壓強(qiáng)等要素作為輸入訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural network, FNN)，用來(lái)進(jìn)行風(fēng)暴潮的預(yù)測(cè)。S. Rajasekaran等[9]則使用支持向量回歸(support vector regression, SVR)來(lái)對(duì)風(fēng)暴潮進(jìn)行預(yù)報(bào)。

現(xiàn)存的基于機(jī)器學(xué)習(xí)的風(fēng)暴潮預(yù)測(cè)方法雖不需要引入風(fēng)暴潮動(dòng)力學(xué)先驗(yàn)，直接通過(guò)數(shù)據(jù)本身進(jìn)行預(yù)測(cè)，但大都只提取出風(fēng)暴潮數(shù)據(jù)間的靜態(tài)關(guān)系，并沒(méi)有充分挖掘其背后的時(shí)序關(guān)聯(lián)特性。遞歸神經(jīng)網(wǎng)絡(luò)[10-12](recurrent neural network, RNN)中隱藏層神經(jīng)元間相互連接構(gòu)成有向圖，網(wǎng)絡(luò)狀態(tài)隨時(shí)間變化，耦合了時(shí)間參數(shù)，非常適合分析具有時(shí)序特征的數(shù)據(jù)。受此啟發(fā)，本文基于遞歸神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行風(fēng)暴潮增水預(yù)測(cè)。風(fēng)暴潮是隨時(shí)間變化發(fā)展的，得到的風(fēng)暴潮數(shù)據(jù)明顯具有時(shí)序特性。相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，遞歸神經(jīng)網(wǎng)絡(luò)更加適用于風(fēng)暴潮預(yù)報(bào)問(wèn)題。本文采用遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)暴潮增水過(guò)程預(yù)測(cè)，并在真實(shí)數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

1 原理說(shuō)明

1.1 前饋神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)是一種常用的進(jìn)行預(yù)報(bào)的方法。它是一種應(yīng)用類似于大腦神經(jīng)連接的結(jié)構(gòu)進(jìn)行信號(hào)處理的數(shù)學(xué)模型，廣泛應(yīng)用于語(yǔ)音識(shí)別、自然語(yǔ)言處理、圖像處理等領(lǐng)域[13-15]。目前，在大數(shù)據(jù)分析中主要采用前饋神經(jīng)網(wǎng)絡(luò)來(lái)提取靜態(tài)數(shù)據(jù)之間的關(guān)系。

前饋神經(jīng)網(wǎng)絡(luò)[16]是一種具有前向結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，一般是多層結(jié)構(gòu)，包含輸入層、隱含層以及輸出層，隱含層可以有多層。每一層神經(jīng)元的輸入是上一層的輸出，并通過(guò)全連接將其輸出傳遞給下一層，且整個(gè)網(wǎng)絡(luò)中沒(méi)有反饋。每一個(gè)神經(jīng)元可以是多輸入的，但是只有一個(gè)輸出。多層前饋神經(jīng)網(wǎng)絡(luò)是感知器的推廣，只要有一層包含足夠多神經(jīng)元的隱含層就能夠以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)[17]。以3層前饋神經(jīng)網(wǎng)絡(luò)為例，結(jié)構(gòu)如圖1所示。

圖1中，Lin表示輸入層，x=[x1x2x3]T是多層感知器輸入；Lhidden表示隱含層，包含4個(gè)神經(jīng)元，表示為h=[h1h2h3h4]T；Lout是輸出層，輸出維數(shù)為3(y=[y1y2y3]T)。前向傳播是指數(shù)據(jù)從輸入到輸出這個(gè)傳播過(guò)程，可以用式(1)表示：

式中：W1∈3×4表示輸入層和隱含層之間的連接權(quán)重，b1∈4×1為隱含層的偏置，W2∈4×3表示隱含層和輸出層之間的連接權(quán)重，b2∈3×1為輸出層的偏置。對(duì)于激活函數(shù)，通常采用雙曲正切函數(shù)、logistic函數(shù)或sigmoid函數(shù)，來(lái)使網(wǎng)絡(luò)獲得逼近非線性函數(shù)的能力。對(duì)于多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，通常采用著名的誤差反向傳播(back propagation, BP)算法[18]，因此也常將多層前饋神經(jīng)網(wǎng)絡(luò)直接稱為BP網(wǎng)絡(luò)。

雖然多層前饋神經(jīng)網(wǎng)絡(luò)能夠一定程度上解決非線性問(wèn)題，但其仍然屬于靜態(tài)網(wǎng)絡(luò)，網(wǎng)絡(luò)當(dāng)前時(shí)刻的輸出與上一時(shí)刻的輸入無(wú)關(guān)，因此對(duì)于具有時(shí)序特征的數(shù)據(jù)無(wú)能為力。為了解決輸入之間前后關(guān)聯(lián)的問(wèn)題，多層前饋神經(jīng)網(wǎng)絡(luò)的隱含層不僅需要接收當(dāng)前的輸入，也要接收上一時(shí)刻的輸出，由此產(chǎn)生了遞歸神經(jīng)網(wǎng)絡(luò)。

1.2 遞歸神經(jīng)網(wǎng)絡(luò)

為了克服前饋神經(jīng)網(wǎng)絡(luò)無(wú)法處理序列數(shù)據(jù)的問(wèn)題，遞歸神經(jīng)網(wǎng)絡(luò)將隱含層之間的節(jié)點(diǎn)相互連接，使得隱含層的輸入不僅僅是當(dāng)前時(shí)刻輸入層的輸出還包括了上一時(shí)刻隱含層的輸出。通過(guò)這種方式，遞歸神經(jīng)網(wǎng)絡(luò)可以將當(dāng)前時(shí)刻以前的信息記憶在網(wǎng)絡(luò)之中[19]。如圖2所示，遞歸神經(jīng)網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)大致相同，不同之處在于隱含層之間的連接關(guān)系，即增加了隱含層間的權(quán)重Wh。

圖2 遞歸神經(jīng)網(wǎng)絡(luò)Fig.2 Recurrent neural networks

若Lhidden隱含層包含m個(gè)神經(jīng)元，則Wh為m×m維的權(quán)重矩陣。遞歸神經(jīng)網(wǎng)絡(luò)的傳播過(guò)程可以用式(2)表示：

式中：W1表示輸入層和隱含層之間的連接權(quán)重；W2表示隱含層和輸出層之間的連接權(quán)重；b1和b2分別表示隱含層和輸出層的偏置；xt、ht和yt分別表示第t時(shí)刻網(wǎng)絡(luò)的輸入、隱含層輸出和網(wǎng)絡(luò)的輸出；ht-1表示第t-1時(shí)刻隱含層的輸出。激活函數(shù)一般是雙曲正切函數(shù)或者Relu函數(shù)。

此外，遞歸神經(jīng)網(wǎng)絡(luò)還可以展開(kāi)成相對(duì)應(yīng)的多層前饋神經(jīng)網(wǎng)絡(luò)，從而可以使用BPTT(back-propagation through time)算法[20]進(jìn)行訓(xùn)練，展開(kāi)過(guò)程如圖3所示。

圖3 遞歸神經(jīng)網(wǎng)絡(luò)展開(kāi)過(guò)程Fig.3 The unfolding of recurrent neural networks

若訓(xùn)練樣本中包含T個(gè)時(shí)刻的數(shù)據(jù)，則遞歸神經(jīng)網(wǎng)絡(luò)將展開(kāi)成一個(gè)包含T個(gè)隱含層的前饋神經(jīng)網(wǎng)絡(luò)。理論上來(lái)說(shuō)，遞歸神經(jīng)網(wǎng)絡(luò)可以處理任意長(zhǎng)度的序列數(shù)據(jù)，但是當(dāng)處理無(wú)限長(zhǎng)的序列數(shù)據(jù)時(shí)，展開(kāi)的多層前饋神經(jīng)網(wǎng)絡(luò)也是無(wú)限層的。因此，在實(shí)際應(yīng)用中通常只假設(shè)當(dāng)前狀態(tài)與之前有限個(gè)狀態(tài)相關(guān)，以降低復(fù)雜度。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同的是，展開(kāi)的遞歸神經(jīng)網(wǎng)絡(luò)有如下特點(diǎn)。

1)每個(gè)隱含層的輸入都由兩部分組成，即對(duì)應(yīng)時(shí)刻輸入層的輸出和上一時(shí)刻隱含層的輸出。而傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的輸入只能是上一層(隱含層或輸入層)的輸出。

2)如圖3所示，展開(kāi)的遞歸神經(jīng)網(wǎng)絡(luò)相同位置的參數(shù)W1、b1、W2、b2、Wh是共享的，而傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)則是非共享的，這也大大地降低了網(wǎng)絡(luò)所要學(xué)習(xí)的參數(shù)。

3)對(duì)于遞歸神經(jīng)網(wǎng)絡(luò)，每一個(gè)時(shí)刻都會(huì)給出一個(gè)輸出，但是并不是必要的，只有t時(shí)刻的輸出yt才是模型的預(yù)測(cè)結(jié)果，其余的輸出結(jié)果都保存在了隱含層中。

1.3 遞歸神經(jīng)網(wǎng)絡(luò)用于風(fēng)暴潮增水預(yù)測(cè)

風(fēng)暴潮增水?dāng)?shù)據(jù)是一維的時(shí)間序列，基于遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)報(bào)的具體做法如下。

假設(shè)樣本數(shù)據(jù)為d={d1,d2,…,dT}，利用前k個(gè)數(shù)據(jù)作為特征預(yù)測(cè)下一個(gè)數(shù)據(jù)，則可以組成訓(xùn)練樣本X和標(biāo)簽y：

X={x1,x2,…,xT-k}=

{{d1,d2,…,dk},{d2,d3,…,dk+1},…,{dT-k,dT-k+1,…,dT-1}}

y={y1,y2,…,yT-k}={dk+1,dk+2,…,dT}

{xT-k-l+1,xT-k-l+2,…,xT-k}}

{yT-k-l+1,yT-k-l+2,…,yT-k}}

2 實(shí)驗(yàn)結(jié)果

本文的實(shí)驗(yàn)數(shù)據(jù)集是濰坊水站從2008～2014年記錄的風(fēng)暴潮增水過(guò)程數(shù)據(jù)。每個(gè)增水過(guò)程共歷時(shí)3天，每隔1 h記錄1個(gè)水位數(shù)據(jù)，總計(jì)72個(gè)數(shù)據(jù)。圖4展示了2008年里的2個(gè)增水過(guò)程。

(a)過(guò)程1

(b)過(guò)程2圖4 風(fēng)暴潮增水過(guò)程Fig.4 The process of storm surge

使用遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，時(shí)間延遲選3，即輸入層的神經(jīng)單元數(shù)目為3，隱含層的神經(jīng)單元數(shù)目為15。訓(xùn)練時(shí)，為了避免因?yàn)閿?shù)據(jù)的數(shù)量級(jí)差別而造成遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較大，首先對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，將它們歸一化到區(qū)間[0,1]之中，采用的歸一化公式如下：

本文選取了2008～2013年記錄到的31個(gè)增水過(guò)程當(dāng)作訓(xùn)練數(shù)據(jù)，訓(xùn)練得到遞歸神經(jīng)網(wǎng)絡(luò)的參數(shù)，并將2014年記錄的5個(gè)增水過(guò)程當(dāng)作測(cè)試數(shù)據(jù)，對(duì)3 h后的水位進(jìn)行預(yù)測(cè)。如圖5所示，實(shí)線表示真實(shí)的觀測(cè)值，虛線表示用訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的結(jié)果。為了便于分析實(shí)驗(yàn)結(jié)果，將測(cè)試數(shù)據(jù)中的5個(gè)增水過(guò)程串聯(lián)在一起進(jìn)行顯示。為了更好地驗(yàn)證遞歸神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)暴潮增水預(yù)測(cè)的效果，圖6展示了使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)采用與遞歸神經(jīng)網(wǎng)絡(luò)一樣的結(jié)構(gòu)，也是3個(gè)輸入層單元，15個(gè)隱含層單元。

從圖5和圖6可以看出，相比于BP神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)的3 h預(yù)測(cè)結(jié)果更加接近真實(shí)的觀測(cè)值。對(duì)于增水過(guò)程中的峰值預(yù)報(bào)，遞歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較BP神經(jīng)網(wǎng)絡(luò)偏離得更小。整體而言，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果波動(dòng)很大，而遞歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果則相對(duì)平滑。

圖5 遞歸神經(jīng)網(wǎng)絡(luò)3 h預(yù)測(cè)結(jié)果Fig.5 The prediction of recurrent neural network for 3 hour later

圖6 BP神經(jīng)網(wǎng)絡(luò)3 h預(yù)測(cè)結(jié)果 Fig.6 The prediction of back propagation network (multilayer perceptron) for 3 hour later

本文采用平均絕對(duì)誤差(mean absolute error, MAE)來(lái)定量地評(píng)價(jià)預(yù)測(cè)誤差，如下式所示：

從表1中可以看出，隨著預(yù)測(cè)時(shí)間的延長(zhǎng)，遞歸神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差是逐漸升高的。但不管預(yù)測(cè)時(shí)間是多少，遞歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。從中可以看出，相當(dāng)于BP神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)更加適合于對(duì)風(fēng)暴潮增水進(jìn)行預(yù)測(cè)。

表12014年增水過(guò)程預(yù)測(cè)的平均絕對(duì)誤差

Table1Themeanabsoluteerrorofthepredictionofstormsurgein2014

預(yù)測(cè)時(shí)間/h123456遞歸神經(jīng)網(wǎng)絡(luò)/cm4．7110．015．721．026．030．3BP神經(jīng)網(wǎng)絡(luò)/cm6．3315．125．234．040．544．5

3 結(jié)束語(yǔ)

本文采用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)暴潮增水進(jìn)行預(yù)測(cè)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)只能用來(lái)提取靜態(tài)數(shù)據(jù)之間的關(guān)系，而由于增添了反饋連接，遞歸神經(jīng)網(wǎng)絡(luò)就更加適合用于時(shí)序數(shù)據(jù)的處理。本文在真實(shí)的數(shù)據(jù)集上進(jìn)行了驗(yàn)證，結(jié)果表明，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)能更好地對(duì)風(fēng)暴潮增水進(jìn)行預(yù)測(cè)，誤差精度更低。

在實(shí)驗(yàn)中發(fā)現(xiàn)，隨著預(yù)測(cè)時(shí)間的增加，遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差會(huì)逐步加大，并且預(yù)測(cè)結(jié)果與真實(shí)測(cè)量值的相位差會(huì)越來(lái)越大。如何采取有效的措施對(duì)這一現(xiàn)象進(jìn)行緩解，是作者下一步需要研究的工作。

[1]王喜年. 風(fēng)暴潮預(yù)報(bào)知識(shí)講座[J]. 海洋預(yù)報(bào), 2001, 18(1): 73-78.

[2]高清清,曹兵,高鑫鑫,等. 南通沿海臺(tái)風(fēng)風(fēng)暴潮分析及其經(jīng)驗(yàn)預(yù)報(bào)初探[J]. 海洋預(yù)報(bào), 2014, 31(1): 29-35.

GAO Qingqing, CAO Bing, GAO Xinxin, et al. Analysis of the typhoon storm surge in the Nantong coastal zone and the forecasting formulas[J]. Marine forecasts, 2014, 31(1): 29-35.

[3]曾德美. 青島港風(fēng)暴潮經(jīng)驗(yàn)統(tǒng)計(jì)預(yù)報(bào)[J]. 海洋預(yù)報(bào), 1992, 9(3): 66-73.

ZENG Demei. A statistical forecasting of storm surge in qingdao harbor[J]. Marine forecasts, 1992, 9(3): 66-73.[4]謝亞力, 黃世昌. 錢塘江河口風(fēng)暴潮經(jīng)驗(yàn)預(yù)報(bào)[J]. 海洋預(yù)報(bào), 2006, 23(1): 54-58.

XIE Yali, HUANG Shichang. Effects on watercourse and hydrological factor in downstrean nanxi river due to water diversion[J]. Marine forecasts, 2006, 23(1): 54-58.

[5]朱建榮, 朱首賢. ECOM模式的改進(jìn)及在長(zhǎng)江河口、杭州灣及鄰近海區(qū)的應(yīng)用[J]. 海洋與湖沼, 2003, 34(4): 364-373.

ZHU Jianrong, ZHU Shouxian. Improvement of the ECOM with application to the changjiang river estuary, Hangzhou bay and adjacent waters[J]. Oceanologia Et limnologia sinica, 2003, 34(4): 364-373.

[6]黃世昌, 李玉成, 趙鑫, 等. 浙江沿海超強(qiáng)臺(tái)風(fēng)作用下風(fēng)暴潮增水?dāng)?shù)值分析[J]. 海洋工程，2008, 26(3): 58-64.

HUANG Shichang, LI Yucheng, ZHAO Xin, et al. Numerical analysis of storm surge due to a super typhoon in coastal region of Zhejiang province[J]. The ocean engineering, 2008, 26(3): 58-64.

[7]王培濤,于福江,劉秋興,等. 福建沿海精細(xì)化臺(tái)風(fēng)風(fēng)暴潮集合數(shù)值預(yù)報(bào)技術(shù)研究及應(yīng)用[J]. 海洋預(yù)報(bào)，2010, 27(5): 7-15.

[8]LEE T L. Neural network prediction of a storm surge[J]. Ocean engineering, 2006, 33(3): 483-494.

[9]RAJASEKARAN S, GAYATHRI S, LEE T L, et al. Support vector regression methodology for storm surge predictions[J]. Ocean engineering, 2008, 35(16): 1578-1587.

[10]WILLIAMS R J, ZIPSER D. A learning algorithm for continually running fully recurrent neural networks[J]. Neural computation, 1989, 1(2): 270-280.

[11]ELMAN J L. Finding structure in time[J]. Cognitive science, 1990, 14(2):179-211.

[12]BOTVINICK M M, PLAUT D C. Short-term memory for serial order: a recurrent neural network model[J]. Psychological review, 2006, 113(2): 201-233.

[13]SAINATH T N, KINGSBURY B, SAON G, et al. Deep convolutional neural networks for large-scale speech tasks[J]. Neural networks, 2015, 64: 39-48.

[14]SARIKAYA R, HINTON G E, DEORAS A, et al. Application of deep belief networks for natural language understanding[J]. IEEE transactions on audio, speech, and language processing, 2014, 22(4): 778-784.

[15]KRIZHEVSKY A, SUTSKEVER I, HINTON G E, et al. ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems. Nevada, America, 2012: 1097-1105.

[16]SVOZIL D, KVASNICKA V, POSPICHAL J, et al. Introduction to multi-layer feed-forward neural networks[J]. Chemometrics and intelligent laboratory systems, 1997, 39(1): 43-62.

[17]HORNIK K, STINCHCOMBE M B, WHITE H, et al. Multilayer feedforward networks are universal approximators[J]. Neural networks, 1989, 2(5): 359-366.

[18]RUMELHART D E, HINTON G E, WILLIAMS R J, et al. Learning representations by back-propagating errors[J]. Nature, 1988, 323(6088): 533-536.

[19]KOSMATOPOULOS E B, POLYCARPOU M M, CHRISTODOULOU M A, et al. High-order neural network structures for identification of dynamical systems[J]. IEEE transactions on neural networks, 1995, 6(2): 422-431.

[20]WERBOS P J. Backpropagation through time: what it does and how to do it[J]. Proceedings of the IEEE, 1990, 78(10): 1550-1560.

雷森，男，1992年生，博士研究生，主要研究方向?yàn)閳D像處理、機(jī)器學(xué)習(xí)、遙感影像質(zhì)量提升。

史振威，男，1977年生，教授，博士生導(dǎo)師，博士，主要研究方向?yàn)閳D像處理、模式識(shí)別、機(jī)器學(xué)習(xí)、遙感影像處理。發(fā)表SCI國(guó)際期刊檢索論文70余篇。

石天陽(yáng)，男，1994年生，碩士研究生，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)和人工智能。

Predictionofstormsurgebasedonrecurrentneuralnetwork

LEI Sen1, SHI Zhenwei1, SHI Tianyang1, GAO Song2, LI Yaru2, ZHONG Shan2

(1. Image Processing Center, School of Astronautics, Beihang University, Beijing 100191, China; 2. Beihai Forecast Center of State Oceanic Administration, Qingdao 266000, China)

Accurately forecasting storm surges can greatly reduce personnel injuries and economic losses, and so has great practical value. Traditional methods for predicting storm surge mainly involve experience and numerical forecasting, which makes it very hard to establish accurate models. Most of today’s storm surge forecast methods based on machine learning only extract the relationships among static data and fail to identify the relevant time series properties of these data. In this paper, we propose a storm surge forecast method based on the recurrent neural network. The storm surge data is rearranged with particular treatments, and an appropriate recurrent neural network is designed to perform the prediction of the time series. Compared with traditional BP neural networks, the recurrent neural network can better forecast time series data. In this study, we used a recurrent neural network to predict surges at the Weifang gauge station. The results show that the recurrent neural network produces a better prediction with a smaller error than the BP neural network.

storm surge; prediction; numerical forecast; machine learning; static data; temporal properties; BP neural networks; recurrent neural network

10.11992/tis.201706015

http://kns.cnki.net/kcms/detail/23.1538.TP.20170831.1058.010.html

TP751

A

1673-4785(2017)05-0640-05

中文引用格式：雷森，史振威，石天陽(yáng)，等.基于遞歸神經(jīng)網(wǎng)絡(luò)的風(fēng)暴潮增水預(yù)測(cè)J.智能系統(tǒng)學(xué)報(bào)， 2017, 12(5): 640-644.

英文引用格式：LEISen,SHIZhenwei,SHITianyang，etal.PredictionofstormsurgebasedonrecurrentneuralnetworkJ.CAAItransactionsonintelligentsystems, 2017, 12(5): 640-644.

2017-06-07. < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期：2017-08-31.

國(guó)家自然科學(xué)基金項(xiàng)目(61671037).

史振威.E-mail:shizhenwei@buaa.edu.cn.