论文部分内容阅读
内河航道水位作为航道尺度维护的主要指标,是指导船舶合理配载和保障船舶安全航行的重要因素。全面、及时、准确地感知内河航道沿线水位信息,并合理地预测水位短期变化趋势,对于提升航道通过能力、保障船舶航行安全和科学开展航道养护的至关重要。近年来随着遥测遥控技术的发展,通过沿线水位观测站的设置,许多航道部门已经可以全面、及时地掌握水位的动态信息,然而对于水位变化趋势的预测,由于内河自然环境的复杂多变性,很难建立起准确有效的物理数学模型。近年来人工智能领域快速发展的深度学习理论和技术,提供了一种从大量数据中学习并建立模型的新方法。本文利用其中的 RNN(Recurrent Neural Network)、LSTM(Long Short-Term Memory)等技术研究从大量历史水位数据中学习和建立智能水位预测模型,并利用TensorFlow框架对模型进行了实现。归纳起来,本文完成的主要工作包括:(1)基于水位站采集的水位数据,分析其误差来源和特点,研究水位数据空缺、噪声等问题的识别和处理,并提出了一种基于Savitzky-Golay滤波器的水位数据去噪与平滑的预处理方法,有效地提高了水位预测模型的准确性。(2)根据水位数据的时间序列特性,选择时间序列分析模型ARIMA(Autoregressive Integrated Moving Average Model)模型和深度学习中的RNN和LSTM理论分别进行单水位站的智能水位预测模型研究,并利用TensorFlow框架进行实现以及对比试验分析,试验结果表明,基于LSTM的水位预测模型具有更好的准确性。(3)根据内河沿线水位变化的特点,提出利用连续多水位站的水位数据进行联动学习的方法,对单水位站的LSTM预测模型进行改进,提出了三水位站联动的智能水位预测模型,试验结果表明比单水位站的预测模型具有更高准确性。本文基于历史水位数据利用深度学习研究并构建了内河航道智能水位预测模型,不仅具有理论探索价值,而且所实现模型能够较好地进行水位的短期预测,对于提供更好的航道水位信息服务,保障船舶航行安全和提升航道通过能力亦具有现实意义。