论文部分内容阅读
内河航道水位是指导船舶合理配载和保障船舶安全航行的重要因素。合理地预测水位短期变化趋势,对于提升航道通行能力、保障船舶航行安全和科学开展航道养护至关重要。为提高内河航道水位预测精度,本文基于深度学习方法,利用门控循环神经网络(GRU)和卷积神经网络(CNN),深入研究了内河水位的智能预测模型,并针对航道信息综合服务的需求,研发了智能水位预测服务系统,实现了水位预测模型的应用。本文的主要工作包括:(1)研究循环神经网络在内河水位预测中的应用,建立了基于GRU的单水位站预测模型,并与基于长短时记忆(LSTM)的模型进行对比,分析出更适合水位预测的循环神经网络结构—GRU。(2)通过水位站时空关系分析,进一步建立了基于GRU的多水位站联动预测模型和基于CNN+GRU的多水位站联动预测模型。在长江下游多个水位站30年8时水位观测数据集上的实验结果表明,基于CNN+GRU的多站联动水位预测模型能够减小了单水位站数据随机性的影响,并更好地综合利用上下游水位站间的水位值关联性,因此具更高的预测精确度。而且,通过纳什效率系数(Nash-Sutcliffe efficiency coefficient,NSE)、均方根误差(Root Mean Square Error,RMSE)和平均相对误差(Mean Absolute Percentage Error,MAPE)等评价指标的对比分析,基于CNN+GRU的多站联动水位预测模型比基于差分自回归移动平均(ARIMA)、小波神经网络(WANN)的水位预测模型也具有更高的预测精度。(3)利用TensorFlow Serving技术对基于CNN+GRU的多站联动水位预测模型进行部署应用,并基于前后端分离框架利用Spring Boot及Vue.js等技术开发了智能水位预测服务系统。该系统的各个部分独立部署,通过RESTful API接口对接,具有很好的松耦合性和灵活性,并且预测结果可通过Web页面、APP和微信公众号等多种形式展示,为内河航行船舶及其他港航用户提供了便利的智能水位预测服务。