Argo计划(Array or Real-time Geostrophic Oceanography)为海洋和大气研究提供了宝贵的资料,在短期天气预报和长期气候预测中起到了重要作用。为保证Argo观测阵列的正常运转,需要时刻关注浮标的运行状态,以保证研究区域内维持一定数量...Argo计划(Array or Real-time Geostrophic Oceanography)为海洋和大气研究提供了宝贵的资料,在短期天气预报和长期气候预测中起到了重要作用。为保证Argo观测阵列的正常运转,需要时刻关注浮标的运行状态,以保证研究区域内维持一定数量和密度的浮标。然而Argo浮标投放费用高昂,投放过早会导致资源浪费,投放过迟会导致信息资料的缺失。本文旨在使用机器学习的方法对Argo浮标在未来某个时间点的位置和状态(仍在工作或已经损坏)进行预测,以提前制定投放计划,保证在正确的位置和时间投放新的浮标,以减少资金投入。对于浮标寿命预测任务,除硬件特征之外添加额外的已存活时间作为动态属性,使用回归决策树、梯度提升回归树、随机森林和支持向量回归机等机器学习方法,对浮标剩余寿命进行预测。对于浮标轨迹预测任务,使用基于LSTM的Encoder-Decoder模型对未来多个时间步后的浮标的经/纬度信息进行预测,有效地避免了传统的LSTM模型循环单步预测所带来的误差累积问题。实验证明本文提出的浮标剩余寿命和位置预测模型都能达到较高的预测准确率,对指导浮标投放有重要意义。展开更多
文摘Argo计划(Array or Real-time Geostrophic Oceanography)为海洋和大气研究提供了宝贵的资料,在短期天气预报和长期气候预测中起到了重要作用。为保证Argo观测阵列的正常运转,需要时刻关注浮标的运行状态,以保证研究区域内维持一定数量和密度的浮标。然而Argo浮标投放费用高昂,投放过早会导致资源浪费,投放过迟会导致信息资料的缺失。本文旨在使用机器学习的方法对Argo浮标在未来某个时间点的位置和状态(仍在工作或已经损坏)进行预测,以提前制定投放计划,保证在正确的位置和时间投放新的浮标,以减少资金投入。对于浮标寿命预测任务,除硬件特征之外添加额外的已存活时间作为动态属性,使用回归决策树、梯度提升回归树、随机森林和支持向量回归机等机器学习方法,对浮标剩余寿命进行预测。对于浮标轨迹预测任务,使用基于LSTM的Encoder-Decoder模型对未来多个时间步后的浮标的经/纬度信息进行预测,有效地避免了传统的LSTM模型循环单步预测所带来的误差累积问题。实验证明本文提出的浮标剩余寿命和位置预测模型都能达到较高的预测准确率,对指导浮标投放有重要意义。
