基于人工智能的海冰等级预测方法及装置

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的海冰等级预测方法及装置。

背景技术

目前，地球大部分区域被海洋覆盖，海洋面积约占地球表面积的71％，其中海冰面积又占海洋总面积的7％左右。从分布上来看，海冰主要分布在极地地区，是极区的重要组成部分。海冰的分布对人类活动产生着深远的影响，如直接封锁港口和航道，阻断海上运输，毁坏海洋工程设施和船只，阻碍海上资源开采等。因此，无论是全球气候变化研究还是海上生产作业的安全保障，都迫切需要对海冰进行实时准确监测。设计一种能够对海冰等级进行准确预测的方案成为本领域技术人员亟待解决的技术问题。

发明内容

针对所述缺陷，本发明实施例公开了一种基于人工智能的海冰等级预测方法，其考虑到海冰等级预测的非线性和时序性的问题，通过结合多种算法加权获得海冰等级的最终预测值，降低由于偶然性带来的误差。

本发明实施例第一方面公开了基于人工智能的海冰等级预测，包括：

接收输入的海冰特征数据；

将所述海冰特征数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到第一海冰等级、第二海冰等级和第三海冰等级；

将所述第一海冰等级、第二海冰等级和第三海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括Y＝w1Y1+w2Y2+w3Y3；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，Y3表示第三海冰等级，w1表示KNN回归模型权重系数，w2表示LSTM回归模型权重系数，w3表示BP神经网络模型权重系数。

作为一种可选的实施方式，在本发明实施例第一方面中，所述KNN回归模型通过如下步骤构建得到：

获取历史海冰数据，所述历史海冰数据包括历史海冰等级和历史海冰特征；

基于KNN回归模型和所述历史海冰数据，以历史海冰特征为输入、历史海冰等级为输出进行识别训练以构建KNN回归模型；

对所述KNN回归模型进行识别训练，直至达到训练要求。

作为一种可选的实施方式，在本发明实施例第一方面中，所述BP神经网络模型通过如下步骤获取得到：

获取历史海冰数据，所述历史海冰数据包括历史海冰等级和历史海冰特征；

根据所述历史海冰特征的数量构建初始BP神经网络模型；

将所述历史海冰特征输入至所述初始BP神经网络模型的输入层、并将所述历史海冰等级作为初始BP神经网络模型的输出，对所述初始BP神经网络模型进行训练，得到训练后的BP神经网络模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述构建初始BP神经网络模型，包括：

采用tanh激活函数或者relu激活函数作为激活函数以构建初始BP神经网络模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述海冰特征数据包括印缅槽强度指数、南方涛动指数、西太平洋副高面积指数和北非-北大西洋-北美副高脊线位置指数；

所述获取历史海冰数据，包括：

通过爬虫程序爬取相应网站的数据，并将得到的数据汇集形成历史海冰数据；

在所述获取历史海冰数据之后，还包括：

采用归一化函数对所述历史海冰数据进行归一化处理，所述归一化函数包括：Di＝(xi-min(X))/(max(X)-min(X))；其中，xi分别代表着x1,x2,…,xn；min(X)表示各个特征样本集中的最小的数据样本，max(X)表示各个特征样本集中的最大的数据样本。

作为一种可选的实施方式，在本发明实施例第一方面中，所述LSTM回归模型包括输入层、记忆层和输出层；所述将所述海冰特征数据输入至LSTM回归模型第二海冰等级，包括：

将接收到的海冰特征数据作为t-1时刻的输入数据；

选择第t-2时刻的LSTM回归模型的记忆层；

根据所述第t-2时刻的LSTM回归模型的记忆层、所述t-1时刻的输入数据以及所述LSTM回归模型输出预测的第t时刻的LSTM结果，所述LSTM结果及时第二海冰等级。

作为一种可选的实施方式，在本发明实施例第一方面中，所述等级预测公式通过如下步骤获取得到：

获取海冰测试数据，所述海冰测试数据包括特征测试数据和等级测试数据；

将所述特征测试数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到相应的海冰测试等级；

根据所述等级测试数据和所述海冰测试等级确定各个模型对应的权重系数；

将所述权重系数输入至权重系数公式以得到等级预测公式；

所述根据所述等级测试数据和所述海冰测试等级确定各个模型对应的权重系数，包括：

根据所述等级测试数据和所述海冰测试等级确定各个模型的平均误差值；

根据各个模型的平均误差值的倒数确定各个模型的权重系数。

本发明实施例第二方面公开一种基于人工智能的海冰等级预测装置，包括：

接收模块：用于接收输入的海冰特征数据；

模型计算模块：用于将所述海冰特征数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到第一海冰等级、第二海冰等级和第三海冰等级；

预测模块：用于将所述第一海冰等级、第二海冰等级和第三海冰等级输入至等级预测公式以得到海冰预测等级；

所述等级预测公式包括Y＝w1Y1+w2Y2+w3Y3；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，Y3表示第三海冰等级，w1表示KNN回归模型权重系数，w2表示LSTM回归模型权重系数，w3表示BP神经网络模型权重系数。

本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的基于人工智能的海冰等级预测方法。

本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的基于人工智能的海冰等级预测方法。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例的基于人工智能的海冰等级预测方法通过集成多种预测模型来对海冰等级结果进行准确性预测；通过KNN回归模型和BP神经网络模型来提高海冰等级的非线性预测能力，通过LSTM回归模型来提高海冰等级的时序性预测能力；将三种模型按加权方式进行结合计算得到最终的海冰等级结果，提高预测结果的准确性；降低由于偶然性带来的误差。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例公开的基于人工智能的海冰等级预测方法的流程示意图；

图2是本发明实施例公开的KNN回归模型的构建流程图；

图3是本发明实施例公开的BP神经网络模型的构建流程图；

图4是本发明实施例公开的采用LSTM进行等级预测的流程图；

图5是本发明实施例公开的等级预测公式获取的流程图；

图6是本发明实施例提供的一种基于人工智能的海冰等级预测装置的结构示意图；

图7是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着近海及滩海油气田的开发，海冰已成为渤海海域油气勘探开发工程结构物设计的主要控制载荷，同时冰情也是海洋气候预测、预报的重要组成部分。由于气候系统是一个耗散的、具有多个不稳定源的高阶非线性系统，其复杂的内部相互作用和自由变化导致了气候的可变性和复杂性，而人工神经网络是一个非线性的动态系统，通过对样本的学习建立起记忆，然后将未知模式判决为其最接近的记忆。两者的相似性决定了用神经网络进行冰厚预测的可能性。多年的年极值冰厚构成一个非随机时间序列，任意时间序列都可以视为一个由非线性映射确定的输入输出系统。而神经网络理论中的kolmogorov定理为神经网络技术在时间序列中的运用奠定了理论基础。加之神经网络就有自组织、自学习能力、非线性容错性、并行结构、并行处理信息等特点，用神经网络对时间序列预测，允许数据中带有较强的噪声，这是其他方法所不能比拟的。由于海冰形成的复杂性和非线性，传统的频率分析和数值模拟方法缺乏适应性，易受到噪声影响，对海冰等级的预测结果都不够理想。神经网络技术具有强大的非线性拟合能力，对数据适应性强，对噪声也有更强的鲁棒性。本发明实施例公开了基于人工智能的海冰等级预测方法、装置、电子设备及存储介质，其通过集成多种预测模型来对海冰等级结果进行准确性预测；通过KNN回归模型和BP神经网络模型来提高海冰等级的非线性预测能力，通过LSTM回归模型来提高海冰等级的时序性预测能力；将三种模型按加权方式进行结合计算得到最终的海冰等级结果，提高预测结果的准确性；降低由于偶然性带来的误差。

实施例一

请参阅图1，图1是本发明实施例公开的基于人工智能的海冰等级预测方法的流程示意图。该方法适用于具有处理功能的手机、平板电脑等智能设备以及计算机、服务器等计算设备，甚至也可以是具有处理功能的图像采集装置。如图1所示，该基于人工智能的海冰等级预测方法包括以下步骤：

S101：接收输入的海冰特征数据。

本步骤主要是获取到基础的海冰特征数据，通过学习上述特征数据与海冰等级之间的关系进而来得到相应的神经网络模型。进行海冰特征数据的确定时，考虑到影响海冰等级的因素，基于特征操作和实际操作经验选择如下数据来作为海冰特征数据。所述海冰特征数据包括印缅槽强度指数、南方涛动指数、西太平洋副高面积指数和北非-北大西洋-北美副高脊线位置指数。通过获取上述特征数据主要为了预测特定区域的海冰厚度等级，可以根据实际区域来选择不同的指数来进行确定和计算。

S102：将所述海冰特征数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到第一海冰等级、第二海冰等级和第三海冰等级。

本步骤即是将相应的特征数据输入至不同的模型中来进行海冰等级的确定；在本发明实施例中采用三种不同的模型来对海冰等级进行预测，进而得到多个预测结果，但是得到的三个预测结果还并不是最终的预测结果，因为在具体的预测过程中，不同的模型存在有不同的预测局限性，并其对于结果预测的稳定性和准确性无法固定。因此，需要设计一种方式来对其结果的准确性进行进一步的提高。

进一步的，图2是本发明实施例公开的KNN回归模型的构建流程图，如图2所示，所述KNN回归模型通过如下步骤构建得到：

S102a：获取历史海冰数据，所述历史海冰数据包括历史海冰等级和历史海冰特征；

S102b：基于KNN回归模型和所述历史海冰数据，以历史海冰特征为输入、历史海冰等级为输出进行识别训练以构建KNN回归模型；

S102c：对所述KNN回归模型进行识别训练，直至达到训练要求。

本实施例中基于KNN算法构建回归模型，其中输入因素为印缅槽强度指数、南方涛动指数、西太平洋副高面积指数、北非-北大西洋-北美副高脊线位置指数，输出因素为历年海冰等级真实值，构建KNN回归算法。通过不断学习训练得到最终KNN模型，KNN模型相对成熟，用于非线性预测也能够达到较好的效果。

本发明实施例中，印缅槽强度指数是15-20N，80-100E区域内各格点高度值减去580位势米的累积值。南方涛动指数表达南方涛动，是用塔西提岛(148°05'W，17°53'S)或复活节岛(109°30'W，29°00'S)和达尔文(130°59'E，12°20'S)两个观测站的海平面气压之差来表示，即南方涛动指数(SOI)，等于塔西提岛减去达尔文的海平面气压。SOI的大小表示南方涛动的强弱。SOI为负数，对应厄尔尼诺事件：反之，SOI为正数，则对应拉尼娜事件。SOI变化与厄尔尼诺的发生有着很好的对应关系，二者联系密切。涛动强弱用指数SOI表示。SOI＝PT-PD，式中：PT代表赤道东太平洋海平面气压；PD代表印度尼西亚海平面气压。西太平洋副高面积指数表示西太平洋副高强度的一种方法。一般用500百帕月平均图上10°N以北、110°—180°E范围内588位势什米等高线所包含的每隔10度经线与每隔5度纬线相交的网格点数表示。面积指数大，表明副高强。副高面积指数随季节变化，一般在6—7月间突然增大，9月中旬以后迅速减小。副热带高压脊(简称副高)是一个重要天气系统。在预测热带气旋移动时，必然要留意副高的强度，它的脊线位置等等。另外，副高不但会影响热带气旋的路径，它还会影响到东亚地区的旱涝状况。副高西伸脊点：他是500hpa月平均图上588位势十米线最西端所在的经度，用来表示副热带高压西伸点位置。上述数据可以从气象中心网站来获取对应的数据。

更进一步的，所述获取历史海冰数据，包括：

通过爬虫程序爬取相应网站的数据，并将得到的数据汇集形成历史海冰数据；通过采用爬虫程序来爬取对应的数据内容，然后将得到的数据进行汇总来用户进行后续的模型训练。

在所述获取历史海冰数据之后，还包括：

采用归一化函数对所述历史海冰数据进行归一化处理，所述归一化函数包括：Di＝(xi-min(X))/(max(X)-min(X))；其中，xi分别代表着x1,x2,…,xn；min(X)表示各个特征样本集中的最小的数据样本，max(X)表示各个特征样本集中的最大的数据样本。

进一步的，图3是本发明实施例公开的BP神经网络模型的构建流程图，如图3所示，所述BP神经网络模型通过如下步骤获取得到：

S102d：获取历史海冰数据，所述历史海冰数据包括历史海冰等级和历史海冰特征；

S102e：根据所述历史海冰特征的数量构建初始BP神经网络模型；

S102f：将所述历史海冰特征输入至所述初始BP神经网络模型的输入层、并将所述历史海冰等级作为初始BP神经网络模型的输出，对所述初始BP神经网络模型进行训练，得到训练后的BP神经网络模型。

本发明实施例中通过构建BP神经网络模型来进行后续的海冰等级预测。基于bp神经网络理论构建神经网络模型，其中输入因素为印缅槽强度指数、南方涛动指数、西太平洋副高面积指数、北非-北大西洋-北美副高脊线位置指数，输出因素为历年海冰等级真实值。损失函数选择平方损失函数，具体公式如下：

进一步的，所述构建初始BP神经网络模型，包括：

采用tanh激活函数或者relu激活函数作为激活函数以构建初始BP神经网络模型。

在本发明实施例中采用tanh激活函数解决了原点对称的问题，并且其相对于sigmoid函数来说收敛速度更快。采用relu激活函数其解决了部分梯度弥散问题，收敛速度快。因此，在本申请实施例中采用上述两种函数来作为BP神经网络的激活函数。

进行上述模型构建时，其需要依据气象中心提供的历史海冰等级的真实数据来进行预测，可以按照年为单位来进行相应海冰数据的获取，以年为单位时可以具体采用对应年份5月时候的数据；也可以直接以月为单位来进行海冰等级数据的获取，然后对其进行模型构建以及后续的模型预测。历史的海冰等级真实数据可以是1、1.5、2、2.5、3、3.5等数字。

图4是本发明实施例公开的采用LSTM进行等级预测的流程图，如图4所示，所述LSTM回归模型包括输入层、记忆层和输出层；所述将所述海冰特征数据输入至LSTM回归模型第二海冰等级，包括：

S1021：将接收到的海冰特征数据作为t-1时刻的输入数据；

S1022：选择第t-2时刻的LSTM回归模型的记忆层；

S1023：根据所述第t-2时刻的LSTM回归模型的记忆层、所述t-1时刻的输入数据以及所述LSTM回归模型输出预测的第t时刻的LSTM结果，所述LSTM结果及时第二海冰等级。

本发明实施例的还采用了LSTM算法来进行海冰等级的计算，LSTM解决了长序列训练过程中的梯度消失和梯度爆炸问题，相比普通的RNN，LSTM能够在更长的序列中有更好的表现。LSTM的关键是单元状态C，其作用是将信息从上一个单元传递到下一个单元，和其他部分只有很少的线性作用，形成一种长时记忆。每个LSTM单元通过门控设计丢弃或者增加输入信息，从而实现遗忘或记忆的功能，最终输出短时记忆H作为当前的预测结果。经过上述处理，该预测结果实际上包含过往单元保留下来的长时记忆C和当前单元的输入信息。针对海冰等级的时序性，LSTM可通过门控网络较为有效的捕捉长时信息，实现时序海冰等级预测。通过上述三种模型可以提高对海冰等级不同方面的预测能力，进而提高了海冰等级预测的准确性。降低了海冰等级预测结果的偶然性。

S103：将所述第一海冰等级、第二海冰等级和第三海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括Y＝w1Y1+w2Y2+w3Y3；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，Y3表示第三海冰等级，w1表示KNN回归模型权重系数，w2表示LSTM回归模型权重系数，w3表示BP神经网络模型权重系数。

本步骤主要是为了确定最终的预测结果，根据等级预测公式以及前述计算得到的海冰等级来确定海冰预测等级。

图5是本发明实施例公开的等级预测公式获取的流程图，如图5所示，所述等级预测公式通过如下步骤获取得到：

S1031：获取海冰测试数据，所述海冰测试数据包括特征测试数据和等级测试数据；

S1032：将所述特征测试数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到相应的海冰测试等级；

S1033：根据所述等级测试数据和所述海冰测试等级确定各个模型对应的权重系数；

S1034：将所述权重系数输入至权重系数公式以得到等级预测公式。所述根据所述等级测试数据和所述海冰测试等级确定各个模型对应的权重系数，包括：

根据所述等级测试数据和所述海冰测试等级确定各个模型的平均误差值；

根据各个模型的平均误差值的倒数确定各个模型的权重系数。

在步骤S1033时，可以根据等级测试数据和海冰测试等级来确定预测值与真实值的平均误差e1，e2，e3，上述平均误差指的是计算多个数据之后得到的平均值，可以知晓误差越大，则表示其预测能力相对较差；为了确定对应的权重，则需要获取平均误差的倒数，然后根据倒数来确定最终的权重系数。获取各个算法权重系数w1，w2，w3，权重系数w1，w2，w3由平均误差的倒数占各种方法预测结果历史平均误差的倒数的总和的比例(误差越大所占权重系数比例越小)；然后即可根据相应的权重公式来确定等级预测公式为Y＝w1Y1+w2Y2+w3Y3。

除了直接采用平均误差来进行权重的获取之外，还可以根据一段时间内误差的变化来进行权重的确定，如果通过KNN回归模型、BP神经网络模型和LSTM模型测得误差是一直变小的，则采用最终的误差值来作为权重系数计算的条件，如果仅LSTM模型随着时间计算得到的误差一直变小，则采用LSTM模型最后一次计算得到的误差值以及KNN回归模型、BP神经网络模型两者分别计算的得到的误差平均值来确定相应的权重系数。由于在本申请实施例中考虑到了时序的影响，因为要用历史所有预测误差来进行权重的计算，能够更好的提高预测结果的准确性。

本发明实施例的基于人工智能的海冰等级预测方法通过集成多种预测模型来对海冰等级结果进行准确性预测；通过KNN回归模型和BP神经网络模型来提高海冰等级的非线性预测能力，通过LSTM回归模型来提高海冰等级的时序性预测能力；将三种模型按加权方式进行结合计算得到最终的海冰等级结果，提高预测结果的准确性；降低由于偶然性带来的误差。

实施例二

请参阅图6，图6是本发明实施例公开的基于人工智能的海冰等级预测装置的结构示意图。如图6所示，该基于人工智能的海冰等级预测装置可以包括：

接收模块21：用于接收输入的海冰特征数据；

模型计算模块22：用于将所述海冰特征数据分别输入至KNN回归模型、LSTM回归模型和BP神经网络模型以得到第一海冰等级、第二海冰等级和第三海冰等级；

预测模块23：用于将所述第一海冰等级、第二海冰等级和第三海冰等级输入至等级预测公式以得到海冰预测等级；

所述等级预测公式包括Y＝w1Y1+w2Y2+w3Y3；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，Y3表示第三海冰等级，w1表示KNN回归模型权重系数，w2表示LSTM回归模型权重系数，w3表示BP神经网络模型权重系数。

本发明实施例的基于人工智能的海冰等级预测方法通过集成多种预测模型来对海冰等级结果进行准确性预测；通过KNN回归模型和BP神经网络模型来提高海冰等级的非线性预测能力，通过LSTM回归模型来提高海冰等级的时序性预测能力；将三种模型按加权方式进行结合计算得到最终的海冰等级结果，提高预测结果的准确性；降低由于偶然性带来的误差。

实施例三

请参阅图7，图7是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等，当然，在一定情况下，还可以是手机、平板电脑以及监控终端等智能设备，以及具有处理功能的图像采集装置。如图7所示，该电子设备可以包括：

存储有可执行程序代码的存储器510；

与存储器510耦合的处理器520；

其中，处理器520调用存储器510中存储的可执行程序代码，执行实施例一中的基于人工智能的海冰等级预测方法中的部分或全部步骤。

本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的基于人工智能的海冰等级预测方法中的部分或全部步骤。

本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于人工智能的海冰等级预测方法中的部分或全部步骤。

本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于人工智能的海冰等级预测方法中的部分或全部步骤。

在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。

在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。

本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上对本发明实施例公开的基于人工智能的海冰等级预测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。