不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略...不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。展开更多
"雪龙"号极地科考船是推动我国极地科学考察事业发展的重要工具,"雪龙"号在数十次的极地科考过程中累积了大量的航迹数据,其中蕴含的巨大价值亟须挖掘。针对科考船的航迹分段是将科考船移动轨迹分为停留与行驶两部..."雪龙"号极地科考船是推动我国极地科学考察事业发展的重要工具,"雪龙"号在数十次的极地科考过程中累积了大量的航迹数据,其中蕴含的巨大价值亟须挖掘。针对科考船的航迹分段是将科考船移动轨迹分为停留与行驶两部分,合理的分段方法可以分离出信息更丰富的航迹段,有利于航迹知识提取。然而,由于原始航迹信息密度分布不均等原因,现有的航迹分段方法往往会造成分段过多等问题,结果并不理想。本文针对该问题,提出了一种针对科考航迹整体的时域差分(Time Domain Difference,TDD)分段方法。本方法基于时间域对航速进行差分处理,有效降低了因为航速波动频繁对分段结果的影响。同时,考虑到该方法的差分步长在航迹处理过程中的不明确性,本文将差分后航迹的路程损失和航速波动幅值进行归一化处理,提出了航迹差分时间步长的动态确定方法,并以速率阈值对航迹进行分段。最后本文以第29次南极科考航迹数据为例,将本方法与经典的具有噪声的基于密度的聚类方法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)进行了比较,实验结果表明本文提出的方法可有效降低航迹分段时分段过多的问题,在分段准确性和时间效率等方面结果更优。展开更多
文摘不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。
文摘"雪龙"号极地科考船是推动我国极地科学考察事业发展的重要工具,"雪龙"号在数十次的极地科考过程中累积了大量的航迹数据,其中蕴含的巨大价值亟须挖掘。针对科考船的航迹分段是将科考船移动轨迹分为停留与行驶两部分,合理的分段方法可以分离出信息更丰富的航迹段,有利于航迹知识提取。然而,由于原始航迹信息密度分布不均等原因,现有的航迹分段方法往往会造成分段过多等问题,结果并不理想。本文针对该问题,提出了一种针对科考航迹整体的时域差分(Time Domain Difference,TDD)分段方法。本方法基于时间域对航速进行差分处理,有效降低了因为航速波动频繁对分段结果的影响。同时,考虑到该方法的差分步长在航迹处理过程中的不明确性,本文将差分后航迹的路程损失和航速波动幅值进行归一化处理,提出了航迹差分时间步长的动态确定方法,并以速率阈值对航迹进行分段。最后本文以第29次南极科考航迹数据为例,将本方法与经典的具有噪声的基于密度的聚类方法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)进行了比较,实验结果表明本文提出的方法可有效降低航迹分段时分段过多的问题,在分段准确性和时间效率等方面结果更优。
