2019年 09月

利用大数据深入学习, 开发海洋天气预报模型

2019年 9月 19日

Han Ki-min Senior Surveyor (Digitalization Team), Lee Gap-heon Surveyor( ICT Solution Team)

为了大数据分析的数据获取及预处理

船公司为了可以能源效率最大化的经济航行，正在努力寻找最佳的航线。为了选择最佳航线，这是需要，预测在考虑海况的情况下船舶所需马力预。也就是说，为了预测考虑海况的所需马力，应先行预测海况中的水温、波高、风速等数值。目前可以使用各种预报数据，但在数据收发困难的情况下，需要自主预测海况数据。因此，KR通过深入学习法预测了波高、波浪周期、波浪方向、风速、风向、流速、流向、水温等8种海况数据。为了深入学习，过去的海况数据是从ECMWF (European Centre for Medium-Range Weather Forecasts)和 HYCOM (Global Hybrid Coordinate Ocean Model)确保的。

	ECMWF	NOAA	HYCOM
提供的数据	水温, 风速, 风向, 浪高, 波浪周期, 波浪方向等	风速, 风向, 浪高, 波浪周期, 波浪方向等	水温, 流速, 流向, 海面高度
位置分辨率	间隔0.125度 (大约 17km)	间隔0.5度 (大约 56km)	间隔0.08度 (大约 9km)
时间分辨率	每隔6小时	每隔1小时	每隔6小时
获取费用	免费	免费	免费

去除确保的海况数据中的异常点，提高了预测模型的准确度。此外，各海况数据按照不同的深入模式、输入数据的种类、输入数据的间隔、输出数据的间隔等的变更，分析了对各要素的准确度。

为了预测海况，执行深入学习

通过相关分析（correlation analysis）了解海况数据之间的关联性后，选定了深入学习模型的输入值。作为为了预测海况数据的深入学习模型，使用了DFN (Deep Neural Network)和LSTM(Long Short-Term Memory)。
DFN被称为多重层叠的概念论，是最基本的深入结构，是RNN（Recurrent Neural Network）代表性方法的LSTM，主要用于时钟数列数据分析的深入学习方法。

<DFN(Deep Neural Network>

<LSTM (Long Short-Term Memory)>

本次研究中将海况数据的预测模型用于预测全世界海域的海况数据，适用结果确认了其效用性。

预测海况模型开发结果

对水温，波浪周期，波浪方向，流速，流向，风速，风向，进行深入学习，分析了预测模型的准确度。

输入数据的输入时间越长，预测时间越短，就会出现更准确的结果。与DFN相比，LSTM的预测准确度更高。对于波浪方向和流向，预测模型的误差非常大，需要改进模型或需适用预处理。对预测结果发生了延迟预测问题。

Prediction method	Input data	Number of input nodes	Output data	Number of output nodes	MAE
LSTM	SST	120 (30 days)	SST(水温)	1 (1 day)	0.19°C (2.7%)
LSTM	SWH	120 (30 days)	SWH(浪高)	1 (1 day)	0.67m (7.2%)
LSTM	MWP	120 (30 days)	MWP(波浪周期)	1 (1 day)	0.95s (10.8%)
LSTM	MWD	120 (30 days)	MWD(波浪方向)	1 (1 day)	63.08° (20.4%)
LSTM	Water speed	240 (30 days)	Water speed (流速)	1 (1 day)	0.06m/s (17.5%)
LSTM	Water direction	240 (30 days)	Water direction(流向)	1 (1 day)	85.53° (23.6%)
LSTM	Wind u,v	120 (30 days)	Wind speed (风速)	1 (1 day)	1.35m/s (10.6%)
LSTM	Wind u,v	120 (30 days)	Wind direction(风向)	1 (5 day)	14.83° (4.1%)

今后研究方向

为了预测目前公开的船舶所需马力，通过深入学习过去的海况数据，预测未来海况状态的模型。为了提高海况预测准确度，还计划进行对深入学习模型的改善，及对数据处理方法的研究及预测所需马力的深入开发和分析。

KR Webzine Vol.126