CN115222163B - 港池入口波浪多要素的中长期实时预测方法、系统及应用 - Google Patents

港池入口波浪多要素的中长期实时预测方法、系统及应用 Download PDF

Info

Publication number
CN115222163B
CN115222163B CN202211140622.5A CN202211140622A CN115222163B CN 115222163 B CN115222163 B CN 115222163B CN 202211140622 A CN202211140622 A CN 202211140622A CN 115222163 B CN115222163 B CN 115222163B
Authority
CN
China
Prior art keywords
term
wave
medium
long
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211140622.5A
Other languages
English (en)
Other versions
CN115222163A (zh
Inventor
解翠
刘修栋
满腾浩
董军宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202211140622.5A priority Critical patent/CN115222163B/zh
Publication of CN115222163A publication Critical patent/CN115222163A/zh
Application granted granted Critical
Publication of CN115222163B publication Critical patent/CN115222163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于波浪信息预测技术领域，公开了港池入口波浪多要素的中长期实时预测方法、系统及应用。所述预测方法包括：基于滑动窗口构建数据集，建立三路输入特征融合深度神经网络：一路利用长短期记忆网络LSTM来学习港池入口处波浪多要素的历史时序规律，二路采用定制的二维风浪特征提取模块捕捉港外周边广大海域波浪与风场多个要素的历史时序时空特征，三路对当前时刻进行时间多尺度编码来提取周期性特征。本发明改进了目前深度学习方法预测单一时间尺度下的单一波浪要素和传统数值模式无法实时预测的现状，实现任意港池入口处波浪多要素的中期、中长期和长期序列的实时预测，且中期到长期的预测效果优于目前主流的机器学习模型。

Description

港池入口波浪多要素的中长期实时预测方法、系统及应用
技术领域
本发明属于波浪信息预测技术领域，尤其涉及港池入口波浪多要素的中长期实时预测方法、系统及应用。
背景技术
海洋波浪影响各种海洋活动，例如港外近岸的波浪可能破坏海岸的建筑和工程设 施，港池内的波浪会对船只的安全停靠、作业和航行造成影响，而专利CN114519311A提到港 池内的波浪状况直接依赖于港池入口处涌入的波浪多个要素状况的影响，如港池入口处的 波浪要素可以包括有效波高、峰值波周期、平均波方向、波浪谱宽度等多个要素参数，这些 参数与港池的地形共同作用，形成了港池内的波浪。专利CN114519311A也提到，目前港内波 浪的实时预测要么需要在港池外的入口处布置专门监测港池外涌入波浪状况的浮标设备， 成本高且维护困难；要么利用开源的可利用的或者数值模型数据生成的港池外入口处的波 浪要素数据，但是开源的可利用的港池入口处的波浪要素数据往往有较长时间的滞后，而 纯依赖数值模型的数据则由于需要较长的解算时间而无法实时预测出波浪多要素状况；此 外，专利CN114519311A中提到的港内波高预测方法只是预测当前时刻之后的下一个时刻的 预测而不是做多个连续时刻（时序）的波浪要素的预测，具体来说它是通过当前时刻的港池 入口处单点港外波浪和风场数据以及多尺度时间编码来预估当前时刻的下一个时刻的全 港池内的波浪有效波高，因此本专利聚集于发明一种低成本的港池入口处的可靠和高效的 波浪多要素中长期时序实时预测模型，即不需要投入高成本的浮标，便可实时地预测出港 池入口处较长时间内的连续多个时刻（时序）的波浪多要素状况，将其作为专利 CN114519311A中港内波高预测的输入数据，则能获得低成本的高质量港内波浪状况的时序 实时预测，即当前时刻往后的
Figure 120201DEST_PATH_IMAGE001
个连续时刻的港内波浪状况的时序实时预测，且港池入口处 预测时序的时长越长，则能更早的预知港内波浪的状况，也就相应会有更充足的时间来进 行作业调度、港口管理及应急预案等，对港口管理和经济发展将带来巨大的促进。
再者，港池入口处近岸波浪的中长期时序实时预测也有助于近岸工程设施的保护 和防灾减灾提前预案，降低人员和经济损失。其中港池入口处（近岸）波浪预测方法现有技 术有基于数值模型和基于机器学习的方法。目前的海浪预报使用不需要对谱型进行限制的 第三代海浪模式进行预报，代表性的近岸波浪预报的数值模型是基于谱作用平衡方程的第 三代相位平均风浪模型
Figure 343372DEST_PATH_IMAGE002
，因此能较好的模拟港外风浪传播并预测港池入口处波浪 要素的变化，可将基于谱作用平衡方程的第三代相位平均风浪模型
Figure 549226DEST_PATH_IMAGE003
和基于布西尼 斯克
Figure 807032DEST_PATH_IMAGE004
方程的发威真实垂直深度
Figure 705717DEST_PATH_IMAGE005
数值模型联合起来实现港 池入口处的波浪预报。但是基于数值模型的预测方法需要大量的计算时间，无法做到实时 预测。基于机器学习方法的波浪预测避免了数值模拟方法的复杂计算，可以应用于实时预 测。基于机器学习方法的近岸波浪预测的代表性研究主要有
Figure 681764DEST_PATH_IMAGE006
等人使用深度置信网络
Figure 425729DEST_PATH_IMAGE007
和迁移学习方法预测墨西哥湾、韩国地区和英国地区的监测站的海浪状态，预测结 果优于极限学习机
Figure 803621DEST_PATH_IMAGE008
、支持向量回归
Figure 604699DEST_PATH_IMAGE009
和最小资源分配网络
Figure 802462DEST_PATH_IMAGE010
；戴昊等人使 用受限玻尔兹曼机-深度置信网络和粒子群优化算法实现了有义波高的高效短期预测。近 几年来，人工神经网络
Figure 615697DEST_PATH_IMAGE011
广泛用于波浪预测领域，
Figure 582516DEST_PATH_IMAGE012
等人使用人工神经网络
Figure 88584DEST_PATH_IMAGE011
预测 了奥尔巴尼南部的短期（几秒钟或几分钟）确定性波浪，并与基于线性波理论的模型作为基 准模型比较，误差在20%以内。周涛等发明了一种基于小波分解和人工神经网络
Figure 508064DEST_PATH_IMAGE011
的海浪 波高预测方法，将浮标观测的波高时间序列进行小波分解重构，利用
Figure 124990DEST_PATH_IMAGE011
进行训练并在测 试样本上测试；目前，长短期记忆网络
Figure 680736DEST_PATH_IMAGE013
是另一种主流的深度学习波浪预测方法。例 如：郝伟等人基于长短期记忆网络
Figure 92126DEST_PATH_IMAGE013
完成单个监测站点的有效波高预测，并开展对比 实验发现长短期记忆网络
Figure 264481DEST_PATH_IMAGE013
在未来6小时的短期预测性能优于自回归方法和
Figure 419519DEST_PATH_IMAGE011
方 法；
Figure 360930DEST_PATH_IMAGE014
等人提出了一种基于长短期记忆网络
Figure 208801DEST_PATH_IMAGE015
的有效波高快速预测方法，对另一监测 站点进行了12小时、1天、2天、3天共4个时段的预测，表明
Figure 868452DEST_PATH_IMAGE015
比反向传播神经网络
Figure 561602DEST_PATH_IMAGE016
、 支持向量机
Figure 357519DEST_PATH_IMAGE017
、随机森林
Figure 110712DEST_PATH_IMAGE018
和极限学习机
Figure 257659DEST_PATH_IMAGE019
具有更好的预测性能。随后在
Figure 754500DEST_PATH_IMAGE015
基础上 发展起来的门控循环神经网络
Figure 404924DEST_PATH_IMAGE020
也在波浪预测领域得到应用，如
Figure 329018DEST_PATH_IMAGE021
等人使用门控循 环神经网络
Figure 694752DEST_PATH_IMAGE022
预测未来短期时长（3、6、12、24小时）的台湾海峡及其附近海域六个浮标 站的有效波高，结果优于
Figure 995284DEST_PATH_IMAGE023
神经网络、支持向量机
Figure 765794DEST_PATH_IMAGE024
和极限学习机
Figure 1734DEST_PATH_IMAGE025
。
通过上述分析，现有技术存在的问题及缺陷为：
（1）传统的基于数值模拟预测近岸波浪的方法，依赖于研究者的专业知识和经验，需要充分针对到地形，海底摩擦、波浪破碎等因素，因此需要充足的且高质量的水深资料和研究地区的环境数据，否则只根据经验设置的初始参数或边界条件等会直接影响模拟结果的准确性；该方法还需要花费大量的时间模拟计算波浪的传播和演化过程，因而无法满足实时预测的需要。
（2）目前多数的近岸波浪预测只是对某监测站点的单一波浪要素（如有效波高）的预测，而港池内波高等波浪状况是受到港池入口处的多个波浪要素共同作用的结果，因此实现同时对港池入口处多个波浪要素的实时预测这也是本发明要解决的另一重要问题。
（3）基于机器学习预测近岸波浪要素的方法，基本只针对了监测站点处的波浪要素历史信息，获得短期预测效果较好但中长期预测效果欠佳，而实际影响波浪要素的相关因素较多，如港池入口处的波浪要素还受到目标港外周边广大范围内的风场和从外海传播来的波浪状况的影响，如何有效引入和捕获这多个影响因素的特征以改进波浪要素中长期预测的精度，满足实际港口调度和应急预案的长时间需要，因此实现同时对港池入口处多个波浪要素的中长期时序实时预测十分必要，这也是本发明重点要解决的问题。
（4）目前近岸波浪要素的预测，基本是在单一时间尺度下对监测站点的波浪高度的预测，没有针对在不同时间尺度下波浪多要素的变化会呈现不同的规律，如何构建预测模型能高效捕获和学习出波浪要素在不同时间尺度下的周期性特征，也是本发明要解决的问题。
解决以上问题及缺陷的意义为：
（1）构建和训练好深度神经网络模型预测港池入口处的波浪多要素信息，无需使用者具备领域先验知识和专业经验，且能做到实时预测。
（2）深度神经网络模型的建立不仅针对了历史的波浪有效波高信息，还将峰值波周期、平均波方向、波浪谱宽度等多个波浪要素的历史信息输入到深度神经网络模型中，通过大量的模型训练调参和评估，最终获得后续中长期时序的港池入口处的多个波浪要素（如有效波高、峰值波周期、平均波方向、波浪谱宽度）预测，该预测结果进一步可以直接用于专利CN114519311A中的港内有效波高等的估计和预测。
（3）融合了港池入口处的波浪要素历史信息、港外周边较大区域的波浪和风场历史信息共同输入深度神经网络模型，获得在中长期预测性能上优于只基于港池入口处波浪要素历史信息的主流方法。
（4）引入时间多尺度编码信息，让深度神经网络模型学习到港外传播来的波浪的不同尺度下的周期性等更加丰富的时间特征，提升预测质量。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种港池入口处海洋波浪多要素的中长期时序实时预测方法、系统、计算机设备及存储介质，可以在缺少现场观测浮标时，快速准确预测出港池入口处的波浪状况的时序变化情况，直接服务于港池内的波高估计和预测，并且辅助海岸工程、航运规划和港池作业。
所述技术方案如下：一种港池入口处海洋波浪多要素的中长期时序实时预测方法包括以下步骤：
步骤一，数据集准备：获取或生成港池入口处的波浪多要素历史时序数据，获取或生成目标港池外周边广大海域的二维波浪和风场多个要素的历史时序数据，并进行预处理；基于滑动窗口构建三路输入一路输出的向量数据集，并将该向量数据集划分为训练集、验证集和测试集；
步骤二，深度神经网络模型的搭建、训练、验证、测试：分别搭建三路输入的中期、 中长期和长期时序预测的深度网络模型，第一路是利用长短期记忆网络
Figure 592115DEST_PATH_IMAGE015
来学习港池 入口处波浪多要素的连续历史序列中隐含的模式规律，第二路采用融合了通道注意力和空 间注意力的2个定制的二维风浪特征提取模块捕捉港外周边广大海域二维波浪与风场多个 要素的连续历史序列中的时空规律特征，第三路则对当前时刻进行时间多尺度编码来提取 相关的时间周期性特征，三路特征拼接融合后输出港池入口处未来多个连续时刻的波浪多 要素的预测结果；再对构建的三个深度神经网络模型进行迭代训练、验证和测试，直到建成 高质量的用于中期、中长期和长期预测的三个深度神经网络模型。
在一实施例中，在步骤一中，所述数据集准备具体包括以下步骤：
（1）确定目标港池，获取或生成港池入口处的波浪多要素多年历史时序数据包括：有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度等多个属性；
（2）获取或生成目标港池外周边广大海域内多年的二维波浪和风场多个要素的历史时序数据包括：风速的东西分量、风速的南北分量、以及港外周边广大海域二维波浪的有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度构成的多个属性；
（3）进行缺失值的局部反距离加权插值处理、数据去季节性和归一化处理，这样将数据转化为0到1之间的无量纲的小数；
（4）基于滑动窗口遍历每一个时刻，并对每一个时刻构建三路输入和一路输出的数据集；
（5）将基于滑动窗口构建好的所有向量数据集随机抽取80%为训练集，10%为验证集，10%为测试集，用于接下来深度神经网络模型的搭建、训练、验证和测试。
在一实施例中，在步骤（3）中，所述进行缺失值的局部反距离加权插值处理，具体计算过程如下：
已知下载的若干网格化数据
Figure 430758DEST_PATH_IMAGE026
及其对应的属性值
Figure 790195DEST_PATH_IMAGE027
，则其估计空间 中缺失的任意一位置点
Figure 321671DEST_PATH_IMAGE028
对应的属性值
Figure 399348DEST_PATH_IMAGE029
，考虑到精度高和计算快，这里采用局部反距 离加权插值，具体计算过程如下：
1）计算未知点到选定的局部区域内所有网格点的距离
Figure 41682DEST_PATH_IMAGE030
2）计算权重
Figure 786784DEST_PATH_IMAGE031
3）计算待求的插值点的值
Figure 489161DEST_PATH_IMAGE032
在一实施例中，在步骤（3）中，所述进行数据去季节性和归一化处理，具体计算过程如下：
遍历全部数据的时刻，并将当前时刻
Figure 54135DEST_PATH_IMAGE033
对应的属性值
Figure 500160DEST_PATH_IMAGE034
减去全部数据中历史年份相 同月份的属性值的平均值
Figure 834189DEST_PATH_IMAGE035
的差值
Figure 438958DEST_PATH_IMAGE036
，再除以其标准差
Figure 756807DEST_PATH_IMAGE037
，作为当前时刻的去季节性之后归 一化的值，这里参与标准差计算的均值是取上一步计算求得的月均值：
Figure 740943DEST_PATH_IMAGE038
。
在一实施例中，在步骤（4）中，所述基于滑动窗口遍历每一个时刻，并对每一个时刻构建三路输入和一路输出的数据集，具体包括：
1）深度学习模型的第一路
Figure 195059DEST_PATH_IMAGE015
网络的输入向量
Figure 239238DEST_PATH_IMAGE039
，是进行基于
Figure 778804DEST_PATH_IMAGE040
宽度大小的滑 动窗口逐时刻遍历，截取出当前时刻及其之前总共
Figure 566631DEST_PATH_IMAGE040
个时刻的港池入口处波浪
Figure 875253DEST_PATH_IMAGE041
个要素对 应的波浪序列向量
Figure 559175DEST_PATH_IMAGE039
，
Figure 54878DEST_PATH_IMAGE042
的维度是
Figure 646397DEST_PATH_IMAGE043
；
2）深度学习模型中第二路为定制的二维风浪特征提取模块的输入，是进行基于大 小为
Figure 809525DEST_PATH_IMAGE040
宽度的滑动窗口逐个时刻遍历，截取当前时刻及其之前共
Figure 929927DEST_PATH_IMAGE040
个时刻的港外周边广大 海域二维波浪与风场共
Figure 444085DEST_PATH_IMAGE044
个要素的连续历史序列向量
Figure 308136DEST_PATH_IMAGE045
，定义港外周边广大海域的网格分 辨率为
Figure 325771DEST_PATH_IMAGE046
，则
Figure 148233DEST_PATH_IMAGE045
的维度是
Figure 884108DEST_PATH_IMAGE047
；不同于现有公开专利CN114519311A中提到的港外 波浪数据和港外风场数据仅限于港池入口处位置的当前时刻的单点数据，本发明是提出的 模型所用到的是港外周边广大海域二维波浪与风场的时序数据，即前
Figure 548920DEST_PATH_IMAGE040
个连续时刻的二维 波浪与风场数据；
3）深度学习模型第三路的输入，是在滑动窗口遍历过程中，对遍历到的当前每一 个时刻
Figure 421061DEST_PATH_IMAGE033
对应的月份和小时进行基于正弦和余弦函数的时间多尺度编码成向量
Figure 148846DEST_PATH_IMAGE048
，这里月 份信息可以通过正弦函数和余弦函数编码成维度为2的向量，如1月是
Figure 372017DEST_PATH_IMAGE049
，2月是
Figure 577870DEST_PATH_IMAGE050
，以此类推，小时也可 以按此方式编码成维度为2的向量，总共构成维度为4的向量
Figure 835676DEST_PATH_IMAGE051
；本发明使用了基于正弦 和余弦函数的时间多尺度编码，不同于
Figure 734362DEST_PATH_IMAGE052
编码，且由于
Figure 179250DEST_PATH_IMAGE053
和
Figure 454373DEST_PATH_IMAGE054
函数是连续的，更能 有效地捕获波浪和风场的周期性特征，更易于模型训练；
4）最后一路输出则是在基于
Figure 832265DEST_PATH_IMAGE040
大小的滑动窗口遍历的同时，对每一个时刻，截取其 之后中期、中长期和长期各时间区间段对应的未来
Figure 636273DEST_PATH_IMAGE001
个连续时刻的港池入口处波浪
Figure 99615DEST_PATH_IMAGE041
个要 素的序列向量
Figure 647271DEST_PATH_IMAGE055
，
Figure 614090DEST_PATH_IMAGE055
的维度是
Figure 854579DEST_PATH_IMAGE056
。
遍历完所有时刻，这样则基于滑动窗口构建完毕向量数据集，与神经网络中的三路输入和一路输出对应，为训练做好准备；
在一实施例中，在步骤二中，深度神经网络模型的搭建、训练、验证和测试具体包括以下步骤：
（1）搭建神经网络模型：分别搭建中期、中长期和长期预测的三路输入的深度网络 模型，第一路将目标港池入口处前
Figure 539638DEST_PATH_IMAGE040
个连续时刻的波浪多要素时序向量
Figure 156564DEST_PATH_IMAGE042
输入长短期记忆 网络
Figure 977890DEST_PATH_IMAGE015
，学习港池入口处波浪多要素的连续历史序列中隐含的模式规律；第二路将前
Figure 654859DEST_PATH_IMAGE040
个连续时刻的港外周边广大海域二维波浪与风场要素的时序向量
Figure 827214DEST_PATH_IMAGE057
输入融合了通道注意 力和空间注意力的2个定制的二维风浪特征提取模块，降维后得到风浪特征图再经过一个 全连接层和一个
Figure 737180DEST_PATH_IMAGE058
激活函数，学习港外周边广大海域二维波浪与风场历史序列中的时 空变化规律；第三路将当前时刻的月份和小时进行时间多尺度编码得到向量
Figure 944171DEST_PATH_IMAGE059
，向量
Figure 260883DEST_PATH_IMAGE048
跟 以上两路输出的特征进行拼接并输入堆叠全连接层，输出港池入口处未来
Figure 920534DEST_PATH_IMAGE001
个连续时刻的 波浪多要素
Figure 879263DEST_PATH_IMAGE055
的预测结果；
（2）初始化深度神经网络模型；将训练集中的所有基于滑动窗口构建的向量数据 集以
Figure 675181DEST_PATH_IMAGE060
单位划分成多个
Figure 693952DEST_PATH_IMAGE061
，设置神经网络模型的训练轮数
Figure 840900DEST_PATH_IMAGE062
以及学习率
Figure 72161DEST_PATH_IMAGE063
，梯度下降 优化器使用
Figure 722585DEST_PATH_IMAGE064
；设置损失函数为均方误差
Figure 912258DEST_PATH_IMAGE065
，公式如下：
Figure 546502DEST_PATH_IMAGE066
；
式中，
Figure 581454DEST_PATH_IMAGE067
是样本的个数，
Figure 351964DEST_PATH_IMAGE068
是第
Figure 712538DEST_PATH_IMAGE069
个真实样本，
Figure 568498DEST_PATH_IMAGE070
是第
Figure 407141DEST_PATH_IMAGE071
个估计样本；
（3）训练深度神经网络模型；训练三个神经网络分别预测未来中期、中长期和长期 三种情况的时序的港池入口处波浪多要素。首先进行中期的网络模型的训练，在一次迭代 中，将所有的
Figure 32158DEST_PATH_IMAGE061
逐个输入到神经网络并使用MSE损失函数计算误差，使用优化器
Figure 298054DEST_PATH_IMAGE064
更 新模型中每个层的权重，连续多次迭代没有损失函数下降，则停止训练；然后结合迁移学习 的方法进行中长期和长期的2个网络模型的训练，即读取中期的网络模型的权重作为中长 期网络模型的权值初始化，读取中长期的网络模型的权重作为长期网络模型的权值初始 化，后两个网络模型训练的最大迭代次数均降为中期模型训练时的一半，除此之外其他参 数和步骤与中期模型的训练相同；
（4）深度神经网络模型验证；使用验证集对中期、长期和中长期三个深度神经网络 模型分别进行超参数调整，评价指标采用平均绝对误差
Figure 641311DEST_PATH_IMAGE072
，平均绝对百分比误差
Figure 549224DEST_PATH_IMAGE073
， 均方误差
Figure 28747DEST_PATH_IMAGE074
和相关系数
Figure 462615DEST_PATH_IMAGE075
，根据多次对比实验结果，最终确定最佳的深度神经网络模 型；
（5）模型测试；对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经网络模型，在测试集上进行进一步测试深度神经网络模型在未知数据集上的表现；若预测性能较好，则将评估后的深度神经网络模型用于目标港池入口处波浪多要素的预测，否则重复深度神经网络模型迭代训练和验证过程。
本发明的另一目的在于提供一种港池入口处海洋波浪多要素的中长期时序实时预测系统包括：
数据集准备模块，获取或生成目标港池入口处的波浪多要素连续历史时序数据以及港外周边广大海域的二维波浪和风场要素的连续历史时序数据，并进行缺失值的反距离加权插值处理、数据去季节性和归一化处理；基于滑动窗口构建三路输入一路输出的向量数据集，并将该向量数据集划分为训练集、验证集和测试集；
深度神经网络模型的搭建、训练、验证和测试模块，用于分别搭建三路向量输入的 中期、中长期和长期时序预测的深度神经网络模型，第一路将港池入口处前
Figure 293167DEST_PATH_IMAGE040
个连续时刻 的波浪要素特征输入长短期记忆网络
Figure 208034DEST_PATH_IMAGE015
，学习港池入口处波浪多要素的连续历史序列 中隐含的模式规律；第二路将前
Figure 73222DEST_PATH_IMAGE040
个连续时刻的港外周边广大海域二维波浪与风场要素特 征输入定制的二维风浪特征提取模块，学习近岸二维波浪与风场的时空变化规律；第三路 将当前时刻的月份和小时进行时间多尺度编码来学习港池入口处波浪多要素的周期性；三 路特征拼接融合后输出港池入口处未来
Figure 946500DEST_PATH_IMAGE001
个连续时刻的波浪多要素的预测结果；再在训练 集上分别进行中期、中长期和长期三个预测模型的迭代训练和在验证集上分别进行三个模 型超参数调整，对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经 网络模型作为最终选定的最佳网络模型，并在测试集上分别评估三个最佳模型的性能，若 预测性能较好，则将评估后的深度神经网络模型用于目标港池入口处波浪多要素的中长期 时序实时预测，否则重复模型迭代训练和验证过程，直到建成高质量的用于中期、中长期和 长期时序实时预测的深度神经网络模型。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述港池入口处海洋波浪多要素的中长期时序实时预测方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述港池入口处海洋波浪多要素的中长期时序实时预测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果，本发明还涉及海岸工程、人工智能、神经网络技术领域。
本发明基于滑动窗口构建一个三路输入一路输出的向量数据集，结合长短期记忆 网络
Figure 998769DEST_PATH_IMAGE015
、二维风浪特征提取模块和时间多尺度编码，建立融合港池入口处波浪多要素的 历史时序数据、港外周边广大海域二维波浪与风场多要素的历史时序数据、当前时刻的时 间多尺度编码特征共三路输入的深度神经网络模型，来实现港池入口处的海洋波浪多要素 的中长期时序预测。使用本发明的深度神经网络模型进行预测时，对使用者的领域先验知 识和相关经验没有要求；并且，端到端的深度神经网络模型使得本发明十分简单易用，模型 经过训练和验证后，只要提供前
Figure 982906DEST_PATH_IMAGE040
个连续时刻的波浪多要素信息、前
Figure 437021DEST_PATH_IMAGE040
个连续时刻的目标港 池外广大范围区域内的波浪和风场多要素信息以及其当前时刻的时间多尺度编码信息，该 模型就可以对未来
Figure 215621DEST_PATH_IMAGE001
个连续时刻的目标港池入口处的多个波浪要素进行高质量的中期到长 期的时序实时预测。
本发明通过长短期记忆网络
Figure 20766DEST_PATH_IMAGE015
对港池入口处波浪要素的历史规律进行提取； 通过二维风浪特征提取模块对区域波浪与风场的时空特征进行提取，学习到波浪的时空变 化规律以提升预测精度；同时针对波浪受季风和潮汐影响所呈现的不同时间尺度上的周期 性，引入了时间多尺度编码特征，让深度神经网络模型通过训练学习到波浪多要素的周期 性现象，进一步提升波浪要素预测的质量。
第二、把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
目前基于机器学习的波浪预测方法多集中于有效波高的单一属性的预测，而本发明使用深度学习方法实现任意港池入口处位置的波浪多要素（有效波高、峰值波周期、平均波方向、波浪谱宽度等）的快速准确预测。
目前的波浪的预测方法多集中于以输入监测站点的历史波浪要素数据预测监测 站点的未来多个时序或单个时刻的波高值，短期预测效果较好，但中长期预测效果欠佳。本 发明提出的模型采用了三路输入：第一路将港池入口处前
Figure 543014DEST_PATH_IMAGE040
个连续时刻的波浪要素特征输 入长短期记忆网络
Figure 117215DEST_PATH_IMAGE015
，学习港池入口处波浪多要素的连续历史序列中隐含的模式规律； 第二路将前
Figure 66717DEST_PATH_IMAGE040
个连续时刻的港外周边广大海域二维波浪与风场要素特征输入二维风浪特 征提取模块，学习近岸二维波浪与风场的时空变化规律；第三路将当前时刻的月份和小时 进行时间多尺度编码来学习港池入口处波浪多要素的周期性，因此本发明的港池入口处波 浪要素预测性能相比主流的机器学习模型的中长期时序预测效果显著提升。相比其他基于 机器学习的波浪预测，本发明通过在输入中添加有效波高、峰值波周期、平均波浪方向和波 浪谱宽度等作为波浪谱的简化表示，能够更准确地学习波浪传播和相互作用的物理规律。 本发明改进了传统的数值模式预测港池入口处波浪要素时非常耗时无法进行实时预测的 现状，一旦训练好该预测模型，便可实现任意目标港池入口处多波浪要素的实时预测。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的港池入口处海洋波浪多要素的中长期时序实时预测方法；
图2是本发明实施例提供的港池入口处海洋波浪多要素的中长期时序实时预测方法的模型训练部分流程图；
图3（a）是本发明实施例提供的建立的神经网络模型结构中建立的神经网络模型整体的结构图以及它其中的全连接层的详细结构图；
图3（b）是本发明实施例提供的建立的神经网络模型结构图3（a）中的二维风浪特征提取模块的详细结构图；
图4（a）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法的训练过程中损失函数的下降情况；
图4（b）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法在测试集上的预测性能评估表现；
图5（a）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法和其它主流的机器学习方法在中期、中长期和长期的SWH预测时在4个评价指标上的预测性能对比图；
图5（b）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法和其它主流的机器学习方法在中期、中长期和长期的PP1D预测时在4个评价指标上的预测性能对比图；
图5（c）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法和其它主流的机器学习方法在中期、中长期和长期的MWD_U预测时在4个评价指标上的预测性能对比图；
图5（d）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法和其它主流的机器学习方法在中期、中长期和长期的MWD_V预测时在4个评价指标上的预测性能对比图；
图5（e）是本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测方法和其它主流的机器学习方法在中期、中长期和长期的WDW预测时在4个评价指标上的预测性能对比图；
图6（a）是5个波浪要素在中期（25-48小时）预测时的第48小时的预测结果和真实值的对比图；
图6（b）是5个波浪要素在中长期（49-72小时）预测时的第72小时的预测结果和真实值的对比图；
图6（c）是5个波浪要素在长期（73-96小时）预测时的第96小时的预测结果和真实值的对比图；
图7（a）本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测模型及其分别去除第一、二、三路输入得到的消融模型，均进行中期、中长期、长期的SWH预测时在4个评价指标上的预测性能对比图；
图7（b）本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测模型及其分别去除第一、二、三路输入得到的消融模型，均进行中期、中长期、长期的PP1D预测时在4个评价指标上的预测性能对比图；
图7（c）本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测模型及其分别去除第一、二、三路输入得到的消融模型，均进行中期、中长期、长期的MWD_U预测时在4个评价指标上的预测性能对比图；
图7（d）本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测模型及其分别去除第一、二、三路输入得到的消融模型，均进行中期、中长期、长期的MWD_V预测时在4个评价指标上的预测性能对比图；
图7（e）本发明实施例提出的港池入口处海洋波浪多要素的中长期时序实时预测模型及其分别去除第一、二、三路输入得到的消融模型，均进行中期、中长期、长期的WDW预测时在4个评价指标上的预测性能对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
一、解释说明实施例：
如图1所示，本发明实施例提供一种港池入口处海洋波浪多要素的中长期时序实时预测方法包括：
Figure 93578DEST_PATH_IMAGE076
，数据集准备：获取或生成港池入口处的波浪多要素历史时序数据，获取或生 成目标港池外周边广大海域的二维波浪和风场多个要素的历史时序数据，并进行预处理； 基于滑动窗口构建三路输入一路输出的向量数据集，并将该向量数据集划分为训练集、验 证集和测试集；
Figure 419518DEST_PATH_IMAGE077
，深度神经网络模型的搭建、训练、验证、测试：分别搭建三路输入的中期、中 长期和长期时序预测的深度网络模型，第一路是利用长短期记忆网络
Figure 848225DEST_PATH_IMAGE015
来学习港池入 口处波浪多要素的连续历史序列中隐含的模式规律，第二路采用融合了通道注意力和空间 注意力的2个定制的二维风浪特征提取模块，捕捉港外周边广大海域二维波浪与风场多个 要素的连续历史序列中的时空规律特征，第三路则对当前时刻进行时间多尺度编码来提取 相关的时间周期性特征，三路特征拼接融合后输出港池入口处未来多个连续时刻的波浪多 要素的预测结果；再对构建的三个深度神经网络模型进行迭代训练、验证和测试，直到建成 高质量的用于中期、中长期和长期预测的三个深度神经网络模型。
如图2所示，所述步骤
Figure 234207DEST_PATH_IMAGE077
深度神经网络模型的搭建、训练、验证和测试具体包括 以下步骤：
Figure 13944DEST_PATH_IMAGE078
，分别搭建三路输入的中期、中长期和长期时序预测的深度网络模型，第一路 是将目标港池入口处前
Figure 877995DEST_PATH_IMAGE040
个连续时刻的波浪多要素向量
Figure 895629DEST_PATH_IMAGE039
输入长短期记忆网络
Figure 718092DEST_PATH_IMAGE015
来学 习连续历史序列中隐含的模式规律，第二路将前
Figure 451037DEST_PATH_IMAGE040
个连续时刻的港外周边广大海域二维波 浪与风场要素的向量
Figure 118779DEST_PATH_IMAGE045
输入融合了通道注意力和空间注意力的2个定制设计的二维风浪特 征提取模块，再经过一个全连接层和一个
Figure 256499DEST_PATH_IMAGE079
激活函数，捕捉港外周边广大海域二维波浪 与风场多个要素的连续历史序列中的时空变化规律特征，第三路则将当前时刻的月份和小 时进行时间多尺度编码为向量
Figure 249863DEST_PATH_IMAGE048
来提取相关的时间周期性特征，向量
Figure 207455DEST_PATH_IMAGE048
与以上两路输出 的特征进行拼接并输入堆叠全连接层，输出港池入口处的未来
Figure 944466DEST_PATH_IMAGE001
个连续时刻的波浪多要素
Figure 936693DEST_PATH_IMAGE055
的预测结果；
Figure 569800DEST_PATH_IMAGE080
，结合迁移学习的方法，在训练集上分别进行中期、中长期和长期三个预测模 型的迭代训练，在验证集上分别进行三个模型超参数调整，采用多个评价指标的多次结果 对比，分别选择中期、中长期和长期预测模型在验证集上表现最好的深度神经网络模型作 为各自最终选定的最佳网络模型；
Figure 545846DEST_PATH_IMAGE081
，在测试集上分别测试评估
Figure 555390DEST_PATH_IMAGE080
确定出的三个最佳网络模型的性能，若测试 集上性能较好，则可用于目标港池入口处波浪多要素的预测；否则，重新进行
Figure 667703DEST_PATH_IMAGE078
和
Figure 737290DEST_PATH_IMAGE080
的迭代训练和验证过程，直到建成高质量的用于中期、中长期和长期时序预测的深度神经 网络模型。
实施例1
本发明实施例提供的港池入口处海洋波浪多要素的中长期时序实时预测方法包括以下步骤：
步骤1，数据集准备：先获取或生成目标港池入口处的波浪多要素连续历史时序数据以及港池入口处周边的广大范围海域（后称“港外周边区域”）的二维波浪和风场要素的连续历史时序数据，进行缺失值的局部反距离加权插值处理、数据去季节性和归一化处理；然后，基于滑动窗口构建三路输入一路输出的向量数据集；最后将该向量数据集划分为训练集、验证集和测试集，为深度学习模型的建立做好准备。具体包括：
（1）确定好目标港池，下载港池入口处的多年的波浪多要素时序数据，可以是开源 的多年的再分析数据或基于浮标数据校准后的近岸数值模型如
Figure 935053DEST_PATH_IMAGE082
生成的数据；同时下 载目标港外周边较大研究海域内的多年的波浪和风场多要素时序数据，可以是公开可用的 再分析数据或数值模式生成的高质量数据，选取的研究海域范围是基于目标港池所在海域 的多年季风发生和影响的范围来确定的。这里入口处的波浪多要素数据可以包括有效波高
Figure 13868DEST_PATH_IMAGE083
、峰值波周期
Figure 980687DEST_PATH_IMAGE084
、平均波方向的东西分量
Figure 955596DEST_PATH_IMAGE085
、平均波方向的南北分量
Figure 906234DEST_PATH_IMAGE086
、波浪谱宽度
Figure 523160DEST_PATH_IMAGE087
等多个的属性，构成
Figure 344486DEST_PATH_IMAGE041
维的向量；目标港外周边广大海域内多 年的二维波浪和风场多要素时序数据包括：风速的东西分量
Figure 490296DEST_PATH_IMAGE085
、风速的南北分量
Figure 662652DEST_PATH_IMAGE086
、以及港外周边区域二维的波浪的有效波高、峰值波周期、平均波方向的东西分 量、平均波方向的南北分量、波浪谱宽度等
Figure 814760DEST_PATH_IMAGE041
个的属性，共同构成
Figure 756171DEST_PATH_IMAGE044
维的向量，其中，
Figure 604041DEST_PATH_IMAGE088
；
（2）进行港池入口处和港外周边区域的二维波浪和风场要素数据的缺失值的局部反距离加权插值处理、数据去季节性和归一化处理，这样将数据转化为0到1之间的无量纲的小数。其中：
考虑到精度高和计算快，缺失值采用局部反距离加权插值处理。已知下载的若干 网格化数据
Figure 998114DEST_PATH_IMAGE026
及其对应的属性值
Figure 956842DEST_PATH_IMAGE089
，则其估计空间中缺失的任意一位置点
Figure 752760DEST_PATH_IMAGE090
对应的属性值
Figure 771532DEST_PATH_IMAGE029
，局部反距离加权插值，具体计算过程如下：
1）计算未知点到选定的局部区域内所有网格点的距离
Figure 387321DEST_PATH_IMAGE091
2）计算权重
Figure 149740DEST_PATH_IMAGE031
3）计算待求的插值点的值
Figure 800165DEST_PATH_IMAGE032
为了消除数据中的显著季节性的属性特征，这里考虑多年历史数据的变化，遍历 全部数据的时刻，并将当前时刻
Figure 724258DEST_PATH_IMAGE033
对应的属性值
Figure 358502DEST_PATH_IMAGE092
减去全部数据中历史年份相同月份的属性 值的平均值
Figure 393454DEST_PATH_IMAGE035
的差值
Figure 163964DEST_PATH_IMAGE036
，再除以其标准差
Figure 524538DEST_PATH_IMAGE093
，作为当前时刻的去季节性之后归一化的值，这 里参与标准差计算的均值是取上一步计算求得的月均值：
Figure 114919DEST_PATH_IMAGE094
。
（3）基于滑动窗口遍历每一个时刻，并对每一个时刻构建三路输入和一路输出的数据集，包括：
1）深度学习模型的第一路
Figure 219142DEST_PATH_IMAGE015
网络的输入向量，是进行基于
Figure 844158DEST_PATH_IMAGE040
宽度大小的滑动窗 口逐时刻遍历，截取出当前时刻
Figure 110054DEST_PATH_IMAGE033
及其之前共
Figure 453311DEST_PATH_IMAGE040
个连续时刻的港池入口处波浪
Figure 830066DEST_PATH_IMAGE041
个要素对应 的波浪序列向量
Figure 306659DEST_PATH_IMAGE095
，其中
Figure 743456DEST_PATH_IMAGE096
代表当前时刻
Figure 574009DEST_PATH_IMAGE033
的港池入口处的 波浪
Figure 754455DEST_PATH_IMAGE041
个要素数据，以此类推
Figure 619643DEST_PATH_IMAGE097
代表
Figure 492921DEST_PATH_IMAGE098
时刻对应的港池入口处的波浪
Figure 279611DEST_PATH_IMAGE041
个要 素数据，
Figure 529327DEST_PATH_IMAGE042
的维度是
Figure 983442DEST_PATH_IMAGE043
；
2）深度学习模型中第二路为定制的二维风浪特征提取模块的输入，是基于大小为 M宽度的滑动窗口逐个时刻遍历，截取当前时刻
Figure 762042DEST_PATH_IMAGE099
及其之前共
Figure 301608DEST_PATH_IMAGE040
个连续时刻的港外周边广大 海域二维波浪与风场共
Figure 823856DEST_PATH_IMAGE044
个要素的连续历史序列向量
Figure 398057DEST_PATH_IMAGE100
，其中
Figure 347558DEST_PATH_IMAGE101
代表当前时刻的港外周边广大海域内二维的波浪和风场共
Figure 639999DEST_PATH_IMAGE044
个要素，以此类推
Figure 700359DEST_PATH_IMAGE102
代表
Figure 394646DEST_PATH_IMAGE103
时刻对应的港外周边广大海域内二维的波浪和风场共
Figure 780628DEST_PATH_IMAGE044
个要素，定义港外 周边广大海域的网格分辨率为
Figure 29207DEST_PATH_IMAGE046
，则
Figure 893257DEST_PATH_IMAGE045
的维度是
Figure 442050DEST_PATH_IMAGE104
；
3）深度学习模型第三路的输入，是在滑动窗口遍历过程中，对遍历到的每一个时 刻作为当前时刻，并将其月份和小时进行基于正弦和余弦函数的时间多尺度编码成维度为 4的向量
Figure 730425DEST_PATH_IMAGE048
；
4）最后一路输出则是在基于
Figure 731879DEST_PATH_IMAGE040
大小的滑动窗口遍历的同时，对每一个时刻
Figure 399621DEST_PATH_IMAGE033
，截取
Figure 802920DEST_PATH_IMAGE033
之后中期、中长期和长期时间区间段对应的未来
Figure 265125DEST_PATH_IMAGE001
个连续时刻的港池入口处波浪
Figure 753876DEST_PATH_IMAGE041
个要素 的序列向量
Figure 490887DEST_PATH_IMAGE105
，其中
Figure 483114DEST_PATH_IMAGE106
代表
Figure 116221DEST_PATH_IMAGE033
后1个时刻的港池入口处波浪多要 素数据，以此类推
Figure 826688DEST_PATH_IMAGE107
代表
Figure 101811DEST_PATH_IMAGE033
后第
Figure 214124DEST_PATH_IMAGE001
个时刻的港池入口处波浪多要素数据，
Figure 283711DEST_PATH_IMAGE055
的维度是
Figure 481474DEST_PATH_IMAGE108
；
遍历完所有时刻，这样则基于滑动窗口构建完毕向量数据集，与神经网络中的三路输入和一路输出对应，为训练做好准备。
（4）将基于滑动窗口构建好的所有向量数据集随机抽取80%为训练集，10%为验证集，10%为测试集，用于接下来深度神经网络模型的搭建、训练、验证和测试。
步骤2，进行深度神经网络模型的搭建、训练、验证和测试：首先结合长短期记忆网 络
Figure 294709DEST_PATH_IMAGE109
、二维风浪特征提取模块和时间多尺度编码，来分别建立三路输入的中期、中 长期和长期深度学习模型，再在训练集上进行模型迭代训练和在验证集上进行模型超参数 调整，多指标对比确定出最佳的网络模型，并在测试集上评估模型性能，若性能较好则用于 目标港池入口处波浪多要素的预测，否则重新进行训练迭代和验证过程，直到建成高质量 的用于中期、中长期、长期时序预测的深度神经网络模型。具体包括：
（1）搭建神经网络模型：搭建如图
Figure 261528DEST_PATH_IMAGE110
所示的三路输入的深度网络模型，第 一路将目标港池入口处前
Figure 502017DEST_PATH_IMAGE040
个连续时刻的波浪多要素向量
Figure 187076DEST_PATH_IMAGE039
输入长短期记忆网络
Figure 538423DEST_PATH_IMAGE015
， 学习港池入口处波浪多要素的连续历史序列中隐含的模式规律；第二路将前
Figure 359749DEST_PATH_IMAGE040
个连续时刻 的港外周边广大海域二维波浪与风场要素的向量
Figure 36718DEST_PATH_IMAGE045
输入融合了通道注意力和空间注意力 的2个定制的二维风浪特征提取模块，降维后得到风浪特征图再经过一个全连接层和一个
Figure 940564DEST_PATH_IMAGE058
激活函数，学习港外周边广大海域二维波浪与风场历史序列中的时空变化规律；第三 路将当前时刻的月份和小时进行时间多尺度编码为向量
Figure 361181DEST_PATH_IMAGE048
，向量
Figure 37013DEST_PATH_IMAGE048
跟以上两路输出的特 征进行拼接并输入堆叠全连接层，输出港池入口处未来
Figure 884883DEST_PATH_IMAGE001
个连续时刻的波浪多要素
Figure 278956DEST_PATH_IMAGE055
的预 测结果；
此网络中的二维风浪特征提取模块详细构成如图
Figure 237684DEST_PATH_IMAGE111
所示，它在通道和空间维度 上使用自定义的注意力机制。包含通道注意力模块和空间注意力模块，分别实现通道与空 间上的注意力机制。通道注意力机制使用通道最大池化将通道维度降维为1，使用卷积捕获 通道特征，通过
Figure 299181DEST_PATH_IMAGE112
激活函数将通道注意力的输出限制为0-1之间并与输入特征相乘； 空间注意力机制使用空间最大池化将空间维度降维为1×1，使用多层感知机捕获空间特 征，通过
Figure 52374DEST_PATH_IMAGE112
激活函数将空间注意力的输出限制为0-1之间并与输入特征相乘。该模块 目的在于使网络自发关注对港池入口处波浪参数影响较大的港外区域以及波浪属性。
（2）初始化深度神经网络模型：将训练集中的所有基于滑动窗口构建的向量数据 集以
Figure 402583DEST_PATH_IMAGE060
为单位划分成多个
Figure 899424DEST_PATH_IMAGE113
；设置神经网络模型的训练轮数
Figure 815427DEST_PATH_IMAGE062
以及 学习率
Figure 739521DEST_PATH_IMAGE063
，梯度下降优化器使用
Figure 108185DEST_PATH_IMAGE064
；设置损失函数为均方误差
Figure 143137DEST_PATH_IMAGE065
，公式如下，其中
Figure 179227DEST_PATH_IMAGE114
是样 本的个数，
Figure 274222DEST_PATH_IMAGE115
是第
Figure 130182DEST_PATH_IMAGE069
个真实样本，
Figure 968825DEST_PATH_IMAGE116
是第
Figure 859421DEST_PATH_IMAGE069
个估计样本：
Figure 125317DEST_PATH_IMAGE117
（3）训练深度神经网络模型：训练三个神经网络分别用于预测未来中期、中长期和 长期三种情况的连续时刻的港池入口处波浪多要素。首先进行中期的网络模型的训练，在 一次迭代中，将所有的
Figure 468574DEST_PATH_IMAGE061
逐个输入到神经网络并使用
Figure 842399DEST_PATH_IMAGE065
损失函数计算误差，使用优化 器
Figure 587501DEST_PATH_IMAGE064
更新模型中每个层的权重，连续多次迭代没有损失函数下降，则停止训练。然后对 于另外2个神经网络，结合迁移学习的方法进行中长期和长期的网络模型的训练，即读取中 期的网络模型的权重作为中长期网络模型的权值初始化，读取中长期的网络模型的权重作 为长期网络模型的权值初始化，后两个网络模型训练的最大迭代次数均降为中期模型训练 时的一半，除此之外其他参数和步骤与中期模型的训练相同；
（4）模型验证：使用验证集对中期、长期和中长期三个深度神经网络模型分别进行 超参数调整，评价指标采用平均绝对误差
Figure 227561DEST_PATH_IMAGE072
，平均绝对百分比误差
Figure 792534DEST_PATH_IMAGE073
，均方误差
Figure 238559DEST_PATH_IMAGE074
和相关系数
Figure 307009DEST_PATH_IMAGE075
，根据多次对比实验结果，最终确定最佳的深度神经网络模型；
（5）模型测试：对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经网络模型，在测试集上进行目标港池入口处波浪多要素的预测以测试深度神经网络模型在未知数据集上的表现，并和主流的波浪预测模型对比，获取深度神经网络模型的性能；若预测性能较好，则将评估后的深度神经网络模型用于目标港池入口处波浪多要素的预测，否则重复深度神经网络模型迭代训练和验证过程。
实施例2
本发明实施例提供的港池入口处海洋波浪多要素的中长期时序实时预测系统包括：
（1）数据集准备模块，用于先获取或生成港池入口处的波浪多要素连续历史时序 数据以及目标港池入口处的周边广大范围区域（简称“港外周边区域”）的二维波浪和风场 要素的历史信息，进行缺失值的局部反距离加权插值处理、数据去季节性和归一化处理；将 多年数据集进行滑动窗口逐时刻遍历（以小时为一个时刻），对于每一个时刻生成3类向量， 包括前
Figure 180287DEST_PATH_IMAGE040
个连续时刻港池入口处波浪多要素时序向量
Figure 498136DEST_PATH_IMAGE039
、前
Figure 482273DEST_PATH_IMAGE040
个连续时刻港外周边区域的 二维波浪和风场多要素时序向量
Figure 936388DEST_PATH_IMAGE045
、当前时刻的时间多尺度编码向量
Figure 714988DEST_PATH_IMAGE048
和中期、中长期及 长期三个时间段各自对应的后
Figure 520133DEST_PATH_IMAGE001
个连续时刻的港池入口处波浪多要素向量
Figure 307960DEST_PATH_IMAGE055
，这样基于滑 动窗口抽取出所有时刻的
Figure 616582DEST_PATH_IMAGE118
向量的历史序列作为模型的输入，三个不同时段各 自对应的时序
Figure 831663DEST_PATH_IMAGE055
向量作为三个模型分别的输出（即未来预测的时序数据），构成了向量数据 集。随机抽取所有基于滑动窗口构建的向量数据集的80%为训练集，10%为验证集，10%为测 试集，为深度神经网络模型的搭建、训练、验证和测试做好准备。
（2）深度神经网络模型的搭建、训练、验证和测试模块，用于分别搭建一个三路输 入的中期、中长期、长期时序预测的深度神经网络模型，向量
Figure 858524DEST_PATH_IMAGE039
输入到长短期记忆网络
Figure 918884DEST_PATH_IMAGE015
模块，向量
Figure 347592DEST_PATH_IMAGE045
输入到二维风浪特征提取模块，时间多尺度编码向量
Figure 999153DEST_PATH_IMAGE048
联合上面两路的 输出特征一同拼接融合输入到堆叠全连接层，其输出作为港池入口处波浪多要素的后
Figure 268239DEST_PATH_IMAGE001
个 连续时刻的预测结果；然后将训练集中的所有向量
Figure 397869DEST_PATH_IMAGE119
，
Figure 946662DEST_PATH_IMAGE055
分别以
Figure 237966DEST_PATH_IMAGE060
为单位
Figure 239420DEST_PATH_IMAGE120
划分成多个
Figure 907162DEST_PATH_IMAGE061
，初始化模型的超参数和优化器，对于每个
Figure 310462DEST_PATH_IMAGE061
中所有 基于滑动窗口抽取出的
Figure 507088DEST_PATH_IMAGE121
，
Figure 995838DEST_PATH_IMAGE055
向量输入模型进行迭代训练，通过损失函数计算每 次迭代的预测误差（即真值向量
Figure 467271DEST_PATH_IMAGE055
与模型预测结果的差值），使用验证集分别进行中期、中长 期和长期模型超参数调整，基于4个评价指标和根据多次对比实验结果，最终确定最佳的中 期、中长期和长期预测网络模型；再使用测试集测试模型的性能，若性能理想，则用于目标 港池入口处波浪多要素的预测，若性能不理想则重新进行迭代训练和验证，直到建成高质 量的用于中期、中长期和长期时序预测的深度神经网络模型。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
下面结合应用例对本发明的技术方案作进一步描述。
应用例1
本发明该实施例以位于斯里兰卡的汉班托塔港入口处的多个波浪要素的实时预测为例。本发明实施例提供的港池入口处海洋波浪多要素的中长期时序实时预测方法包括：
首先，进行数据集准备，即先获取或生成目标港池入口处的波浪多要素连续历史时序数据以及港池入口处周边的广大范围研究区域（后称“港外周边区域”）的二维波浪和风场要素的连续历史时序数据，进行缺失值的局部反距离加权插值处理、数据去季节性和归一化处理；然后，基于滑动窗口构建三路输入一路输出的向量数据集；最后将该向量数据集划分为训练集、验证集和测试集，为深度学习模型的建立做好准备；
（1）确定目标港池为汉班托塔港，获取港池入口处的波浪多要素多年历史时序数 据，这里从
Figure 459497DEST_PATH_IMAGE122
下载开源的2010-2020年的每小时间隔的再分析波浪多要素时序数据，这 里港池入口处和港池外周边区域的波浪多要素数据均包括：有效波高
Figure 623762DEST_PATH_IMAGE123
、峰值波周期
Figure 334230DEST_PATH_IMAGE124
、平均波方向的东西分量
Figure 343774DEST_PATH_IMAGE085
、平均波方向的南北分量
Figure 456086DEST_PATH_IMAGE086
、波浪谱宽度
Figure 525674DEST_PATH_IMAGE087
共5个属性；
（2）获取目标港池外周边广大海域内多年的二维波浪和风场多个要素的历史时序 数据，这里根据目标港池汉班托塔港所在海域的多年季风发生和影响的范围，选取相应的 汉班托塔港港外周边较大的海域作为研究范围，经度范围为64°E-96°E，纬度范围为11°S- 21°N，地理分辨率为0.5°×0.5°，即共有64×64个网格，时间分辨率为1小时。目标港池外周 边区域的二维风场要素数据包括：风速的东西分量
Figure 723437DEST_PATH_IMAGE125
、风速的南北分量
Figure 271093DEST_PATH_IMAGE126
共 2个属性，以及港外周边广大海域二维波浪的有效波高、峰值波周期、平均波方向的东西分 量、平均波方向的南北分量、波浪谱宽度等构成的7个的属性；
（3）进行港池入口处波浪多要素数据、港外周边区域的二维波浪和风场多要素数据的缺失值的局部反距离加权插值处理、数据去季节性和归一化处理。
首先进行缺失值的局部反距离加权插值处理，已知下载的若干网格化数据
Figure 503491DEST_PATH_IMAGE026
及其对应的属性值
Figure 743979DEST_PATH_IMAGE089
，则其估计空间中缺失的任意一位置点
Figure 429039DEST_PATH_IMAGE127
对应的属性值
Figure 43035DEST_PATH_IMAGE029
，考虑到精度高和计算快，这里采用局部反距离加权插值，局部的范围选择2°×2°，具体 计算过程如下：
1）计算未知点到选定的局部区域内所有网格点的距离
Figure 864361DEST_PATH_IMAGE030
2）计算权重
Figure 541330DEST_PATH_IMAGE031
3）计算待求的插值点的值
Figure 448106DEST_PATH_IMAGE032
为了消除数据中的显著季节性的属性特征，这里考虑多年历史数据的变化，遍历 全部数据的时刻，并将当前时刻
Figure 603143DEST_PATH_IMAGE033
对应的属性值
Figure 810134DEST_PATH_IMAGE092
减去全部数据中历史年份相同月份的属性 值的平均值
Figure 392425DEST_PATH_IMAGE035
的差值
Figure 52076DEST_PATH_IMAGE036
，再除以其标准差
Figure 745226DEST_PATH_IMAGE093
，作为当前时刻的去季节性之后归一化的值，这 里参与标准差计算的均值是取上一步计算求得的月均值：
Figure 275564DEST_PATH_IMAGE094
。
（4）基于滑动窗口遍历每一个时刻
Figure 294336DEST_PATH_IMAGE033
，并对每一个时刻构建三路输入和一路输出的 数据集，包括：
第一路是对每一个小时时刻
Figure 441284DEST_PATH_IMAGE033
，进行基于滑动窗口为6小时宽度大小的逐时刻遍 历，截取出当前时刻
Figure 203703DEST_PATH_IMAGE033
及其之前5个小时，总共6个小时的港池入口处波浪5个要素的连续历 史序列向量
Figure 854127DEST_PATH_IMAGE128
，作为深度学习模型的第一路
Figure 778221DEST_PATH_IMAGE015
网络的输入向量；
第二路是对每一个小时时刻
Figure 146885DEST_PATH_IMAGE033
，进行基于滑动窗口为6小时的逐时刻遍历，截取当 前时刻
Figure 447417DEST_PATH_IMAGE033
及其之前5个小时，总共6个小时的港外周边广大海域（网格分辨率为64×64）二维 波浪与风场7个要素的连续历史序列向量
Figure 483506DEST_PATH_IMAGE129
，作为深度学习模型中第二路定制 的二维风浪特征提取模块的输入；
第三路是在滑动窗口遍历过程中，对当前每一个小时时刻
Figure 312922DEST_PATH_IMAGE033
对应的月份和小时进 行基于正弦和余弦函数的时间多尺度编码成向量
Figure 168882DEST_PATH_IMAGE048
，作为深度学习模型第3路的输入。这里 考虑到对于周期性的变量，使用原始数值直接进行编码往往不能很好的表征数据的特征， 如23时和凌晨1小时，二者相差只有2小时，但是如果只是将时按简单的数字做特征，23与1， 二者相差22，将严重误导模型学习的结果；另一方面单单把一维变量转化为同样是一维的
Figure 273104DEST_PATH_IMAGE130
的话，由于
Figure 898121DEST_PATH_IMAGE130
的周期性，会带来同一取值对应多个不同时刻的问题，而
Figure 161087DEST_PATH_IMAGE053
与
Figure 504344DEST_PATH_IMAGE131
组合便可以避免这个问题。月份信息可以通过正弦函数和余弦函数编码成维度为2的向量： 如1月是
Figure 412257DEST_PATH_IMAGE049
，2月是
Figure 891780DEST_PATH_IMAGE050
，以此类推， 小时也可以按此方式编码成维度为2的向量，总共构成维度为4的向量
Figure 594157DEST_PATH_IMAGE051
；
最后一路输出则是在基于6小时宽度大小的滑动窗口遍历的同时，对每一个时刻
Figure 424710DEST_PATH_IMAGE033
，截取
Figure 605155DEST_PATH_IMAGE033
之后中期（25-48小时）、中长期（49-72小时）和长期（73-96小时）对应的各自的未来 24个连续每小时的港池入口处波浪5个要素的序列向量
Figure 204764DEST_PATH_IMAGE132
；
遍历完所有时刻，这样则基于滑动窗口构建完毕向量数据集，与神经网络中的三路输入和一路输出对应，为港池入口处波浪多要素的中期到长期的时序实时预测做好准备。
（5）将基于滑动窗口构建好的所有向量数据集随机抽取80%为训练集，10%为验证集，10%为测试集，用于接下来深度神经网络模型的搭建、训练、验证和测试。
其次，进行深度神经网络模型的搭建、训练、验证和测试：即首先结合长短期记忆 网络
Figure 812463DEST_PATH_IMAGE015
、二维风浪特征提取模块和时间多尺度编码，来分别建立三路特征输入的中期、 中长期和长期深度学习模型，再在训练集上分别进行三种模型的迭代训练和在验证集上进 行三种模型的超参数调整，确定出最佳的模型，并在测试集上评估模型的性能，若预测性能 较好，则可将评估后的模型用于目标港池入口处波浪多要素的预测，否则重复模型迭代训 练和验证过程，直到建成高质量的用于中期、中长期和长期预测的深度神经网络模型，具体 包括如下步骤：
（1）搭建神经网络模型：本实例中神经网络模型的搭建如图
Figure 864732DEST_PATH_IMAGE133
左图的神经网络 模型整体结构所示的一个三路输入的神经网络模型，且其内包含一个定制的堆叠全连接层 结构（如图
Figure 848869DEST_PATH_IMAGE133
右图所示），图
Figure 568563DEST_PATH_IMAGE133
中包含的风浪特征提取模块的详细结构如图
Figure 347163DEST_PATH_IMAGE134
所示；分 别搭建三路输入的中期、中长期和长期时序预测的深度网络模型，第一路将目标港池入口 处前6个连续小时的波浪多要素时序向量
Figure 152308DEST_PATH_IMAGE135
输入长短期记忆网络
Figure 940136DEST_PATH_IMAGE015
，学习港池入口 处波浪多要素的连续历史序列中隐含的模式规律；第二路将前6个连续小时的港外周边广 大海域（64×64的网格分辨率）二维波浪与风场要素的时序向量
Figure 514337DEST_PATH_IMAGE136
输入融合了 通道注意力和空间注意力的2个定制的二维风浪特征提取模块，降维后得到风浪特征图再 经过一个全连接层和一个
Figure 463838DEST_PATH_IMAGE058
激活函数，学习港外周边广大海域二维波浪与风场历史序 列中的时空变化规律；第三路将当前时刻的月份和小时进行时间多尺度编码为向量
Figure 490700DEST_PATH_IMAGE137
， 向量
Figure 816639DEST_PATH_IMAGE048
跟以上两路输出的特征进行拼接并输入堆叠全连接层，输出港池入口处未来24个连 续每小时的波浪多要素向量
Figure 245346DEST_PATH_IMAGE138
的预测结果；在本实施例中设置预测中期、中长期和长 期各时间段分别为25-48、49-72、73-96小时内的连续每小时的港池入口处波浪多要素情 况，因而搭建对应这3个预测时段的3个预测模型。
此网络中的二维风浪特征提取模块结构如图
Figure 365749DEST_PATH_IMAGE111
所示，二维风浪特征提取模块在 通道和空间维度上使用自定义的注意力机制。包含通道注意力模块和空间注意力模块，分 别实现通道与空间上的注意力机制。通道注意力机制使用通道最大池化将通道维度降维为 1，使用卷积捕获通道特征，通过
Figure 145486DEST_PATH_IMAGE139
激活函数将通道注意力的输出限制为0-1之间并与 输入特征相乘；空间注意力机制使用空间最大池化将空间维度降维为1×1，使用多层感知 机捕获空间特征，通过
Figure 275116DEST_PATH_IMAGE139
激活函数将空间注意力的输出限制为0-1之间并与输入特征 相乘。该模块目的在于使网络自发关注对港池入口处波浪参数影响较大的港外区域以及波 浪属性。
（2）初始化深度神经网络模型；将训练集中的所有基于滑动窗口构建的向量数据 集以
Figure 558330DEST_PATH_IMAGE060
为单位划分成多个
Figure 112284DEST_PATH_IMAGE061
，这里设置
Figure 848158DEST_PATH_IMAGE140
；设置训练轮数
Figure 781479DEST_PATH_IMAGE062
为100，学 习率
Figure 919200DEST_PATH_IMAGE063
为0.002，梯度下降优化器使用
Figure 646984DEST_PATH_IMAGE064
；设置损失函数为均方误差
Figure 135734DEST_PATH_IMAGE065
，其中
Figure 341588DEST_PATH_IMAGE114
是样本的 个数，
Figure 333815DEST_PATH_IMAGE115
是第
Figure 232500DEST_PATH_IMAGE069
个真实样本，
Figure 942967DEST_PATH_IMAGE141
是第
Figure 218091DEST_PATH_IMAGE069
个估计样本：
Figure 595983DEST_PATH_IMAGE117
（3）训练深度神经网络模型：由于本实施例中需要预测未来第25-48、49-72、73-96 连续每小时的港池入口处波浪多要素，则分别训练三个神经网络对应预测这三个时段（中 期、中长期和长期）的波浪要素情况。首先进行中期的网络模型的训练，在一次迭代中，将所 有的
Figure 399991DEST_PATH_IMAGE061
逐个输入到神经网络并使用
Figure 863333DEST_PATH_IMAGE065
损失函数计算误差，使用优化器
Figure 676568DEST_PATH_IMAGE064
更新模型 中每个层的权重，连续多次迭代没有损失函数下降，则停止训练。然后对于另外2个神经网 络，结合迁移学习的方法进行中长期和长期的网络模型的训练，即读取中期的网络模型的 权重作为中长期网络模型的权值初始化，读取中长期的网络模型的权重作为长期网络模型 的权值初始化，后两个网络模型训练的最大迭代次数均降为中期模型训练时的一半，除此 之外其他参数和步骤与中期模型的训练相同；
（4）模型验证：使用验证集对中期、长期和中长期三个深度神经网络模型分别进行 模型超参数调整，评价指标采用均方误差
Figure 643387DEST_PATH_IMAGE065
、平均绝对百分比误差
Figure 883876DEST_PATH_IMAGE073
、均方误差
Figure 834514DEST_PATH_IMAGE074
和相关系数
Figure 185861DEST_PATH_IMAGE075
，根据多次对比实验结果，最终确定最佳的深度神经网络模型。
（5）模型测试：对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经网络模型，在测试集上进行目标港池入口处波浪多要素的预测以测试深度神经网络模型在未知数据集上的表现，并和主流的波浪预测模型对比，获取模型的性能。若预测性能较好，则可将评估后的模型用于目标港池入口处波浪多要素的预测，否则重复模型迭代训练和验证过程；
对比实验和结果：
为了测试该发明的模型性能，本发明将提出的深度神经网络与海洋领域目前主流 的预测模型：长短期记忆网络
Figure 272766DEST_PATH_IMAGE015
，门控递归神经网络
Figure 684156DEST_PATH_IMAGE020
，反向传播神经网络
Figure 856511DEST_PATH_IMAGE016
，支 持向量回归
Figure 743040DEST_PATH_IMAGE142
，极限学习机
Figure 950030DEST_PATH_IMAGE019
，随机森林
Figure 532321DEST_PATH_IMAGE018
在测试集的预测性能进行了对比，这些模型 的输入仅限于目标港池入口处的历史6个时刻（小时）的
Figure 926394DEST_PATH_IMAGE143
。 本发明使用了平均绝对误差
Figure 885122DEST_PATH_IMAGE072
、平均绝对百分比误差
Figure 946619DEST_PATH_IMAGE073
、均方误差
Figure 965391DEST_PATH_IMAGE074
和相关系数
Figure 846759DEST_PATH_IMAGE075
一共4种指标来评估这5种波浪要素的预测值的质量，其中
Figure 78020DEST_PATH_IMAGE144
越低表明预 测效果越好，
Figure 994024DEST_PATH_IMAGE075
越高表明预测值和真实值的相关性越强。
Figure 918117DEST_PATH_IMAGE145
的公式如下 所示，其中
Figure 552361DEST_PATH_IMAGE146
是观测值，
Figure 587313DEST_PATH_IMAGE147
是预测值，
Figure 357823DEST_PATH_IMAGE148
是观测值的平均值,
Figure 390501DEST_PATH_IMAGE149
是预测值的平均值。
Figure 512041DEST_PATH_IMAGE150
Figure 85105DEST_PATH_IMAGE151
Figure 975700DEST_PATH_IMAGE152
Figure 507176DEST_PATH_IMAGE153
在本发明实施例中，图
Figure 581924DEST_PATH_IMAGE154
是本发明实施例提出的预测模型在中期（25-48小时）、 中长期（49-72小时）、长期（73-96小时）的训练过程中的损失函数随迭代次数的变化曲线， 表明中期的100次迭代，中长期和长期的50次迭代过程且中损失函数均在下降，下降速度随 迭代次数增长而放缓。
图
Figure 489837DEST_PATH_IMAGE155
是本发明实施例提出的预测方法在测试集上的4个评价指标
Figure 234939DEST_PATH_IMAGE156
分别在中期（25-48小时）、中长期（49-72小时）、长期（73-96小时）的 测试集评价指标随迭代次数的变化曲线，表明模型的训练过程中，其在测试集的性能也在 提升，并未出现过拟合现象。考虑到模型的训练时间成本和边际收益递减，其最优的迭代次 数分别是：中期模型100次，中长期模型50次，长期模型50次。
对比本发明实施例及主流的机器学习模型
Figure 671736DEST_PATH_IMAGE157
分别 在5个波浪要素（有效波高
Figure 502289DEST_PATH_IMAGE123
、峰值波周期
Figure 417156DEST_PATH_IMAGE124
、平均波方向的东西分量
Figure 282343DEST_PATH_IMAGE158
、平均波 方向的南北分量
Figure 562146DEST_PATH_IMAGE159
、波浪谱宽度
Figure 614416DEST_PATH_IMAGE160
）上的中期（25-48小时）、中长期（49-72小时）、 长期（73-96小时）的预测性能，如图
Figure 598552DEST_PATH_IMAGE161
、图
Figure 52667DEST_PATH_IMAGE162
、图
Figure 831267DEST_PATH_IMAGE163
、图
Figure 370833DEST_PATH_IMAGE164
、图
Figure 158661DEST_PATH_IMAGE165
所示，本发明的方 法在25-48小时（中期），49-72小时（中长期），73-96小时（长期）5个波浪要素预测中的
Figure 732861DEST_PATH_IMAGE166
表现均优于其他主流机器学习方法。
本发明实施例选取2020年逐个小时的浮标观测数据集跟本发明的预测结果进行 比对，如图
Figure 885625DEST_PATH_IMAGE167
、图
Figure 909557DEST_PATH_IMAGE168
、图
Figure 235497DEST_PATH_IMAGE169
分别为5个波浪要素
Figure 664204DEST_PATH_IMAGE170
在 中期（25-48小时）、中长期（49-72小时）和长期（73-96小时）预测时的第48小时、72小时和96 小时的预测结果和真实值的对比；结果显示，5个波浪要素
Figure 50186DEST_PATH_IMAGE123
、
Figure 829923DEST_PATH_IMAGE124
、
Figure 693974DEST_PATH_IMAGE158
、
Figure 977188DEST_PATH_IMAGE159
、
Figure 799650DEST_PATH_IMAGE160
在中期（25-48小时）、中长期（49-72小时）、长期（73-96小时）的预测结果和真实值能 够较好地吻合，表明本发明的方法在中期到长期的预测效果较好。
此外，为了证明本发明的三路融合输入模型对提高预测精度的有效性，本发明开 展了消融实验，如图
Figure 269946DEST_PATH_IMAGE171
、图
Figure 672108DEST_PATH_IMAGE172
、图
Figure 75408DEST_PATH_IMAGE173
、图
Figure 803192DEST_PATH_IMAGE174
、图
Figure 26363DEST_PATH_IMAGE175
所示，本发明实施例提出的预测模 型分别去除第一、二、三路输入得到的消融模型，均进行中期（25-48小时）、中长期（49-72小 时）和长期（73-96小时）下的5个波浪要素的预测，分别在4个评价指标（平均绝对误差
Figure 763375DEST_PATH_IMAGE072
、 平均绝对百分比误差
Figure 755602DEST_PATH_IMAGE073
、均方误差
Figure 654288DEST_PATH_IMAGE074
和相关性
Figure 630334DEST_PATH_IMAGE075
）上的预测性能对比，结果显示：去 掉任意一路输入的消融模型在所有波浪要素的预测性能上总体是不如本发明设计的融合 三路输入的模型，即完整的三路特征的融合输入保证了本发明的方法在中期到长期的港池 入口波浪多要素预测的准确度总体高于其他两路输入的模型，实验结果充分表明了这三路 特征融合模型的有效性。同时证明本发明的模型中各个支路模块对预测性能提升的有效 性，三路特征有机融合来提升中期到长期预测精度也是创新性的体现。
此外，本发明的实施例中提出了三个深度学习模型，分别进行中期（未来25-48小时）、中长期（未来49-72小时）、长期（未来73-96小时）的港池入口波浪多要素预测，其中中期的深度学习模型训练过程需要100次迭代，而结合迁移学习的思想，在中长期和长期的模型训练之前，读取中期的深度学习模型权重并进行一半的迭代次数（50次）训练，显著缩短了模型投入使用的时间，也是本发明的不同之处。
本发明搭建了一种新颖的深度神经网络模型来进行港池入口处波浪多要素预测。 使用本发明进行目标港池入口处的波浪多要素预测时，对使用者的先验知识和领域相关经 验没有要求。并且，端到端的深度神经网络模型使得本发明十分简单易用，模型训练完成 后，只要提供前
Figure 639878DEST_PATH_IMAGE040
个连续时刻的目标港池入口处的波浪要素信息、前
Figure 752191DEST_PATH_IMAGE040
个连续时刻的目标港 池入口处较大范围区域内的波浪和风场要素信息以及其当前时刻的时间多尺度编码特征， 该模型就可以快速预测出未来中期到长期
Figure 821778DEST_PATH_IMAGE001
个连续时刻的波浪要素变化情况，实现快速精 准的预测。未来25-48小时、49-72小时、73-96小时的波浪要素预测结果已经经过验证，总体 优于其他的主流的机器学习方法。
相对于数值模型进行预测，构建数值模型需要具备相关的领域专业知识，以及对目标港池实际的地形、边界条件等较高精度的数据，同时数值模拟也需要花费大量的时间去计算和模拟波浪的传播和演化现象。本发明是数据驱动的方法，构建和训练好深度神经网络模型之后对模型的使用者不需要太多相关领域知识，便能够快速的进行预测。
针对到波浪受季风等的影响会发生明显变化，因此在构建深度神经网络模型时，将目标港池外周边较大范围区域的风场要素的历史信息输入到神经网络模型，来学习风场和波浪的内在关系，增加深度神经网络模型预测的精准度；又针对到潮汐或者季节更替会导致波高等呈现周期性变化，因此深度神经网络模型的输入又加入了时间多尺度编码特征，可以学习波浪要素变化的周期现象，实现更加精准的预测。
应用例2
基于上述实施例记载的港池入口处海洋波浪多要素的中长期时序实时预测方法可运行于计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
应用例3
基于上述实施例记载的港池入口处海洋波浪多要素的中长期时序实时预测方法可运行于计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
应用例4
基于上述实施例记载的港池入口处海洋波浪多要素的中长期时序实时预测方法可运行于信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
应用例5
基于上述实施例记载的港池入口处海洋波浪多要素的中长期时序实时预测方法可运行于服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
应用例6
基于上述实施例记载的港池入口处海洋波浪多要素的中长期时序实时预测方法可运行于计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
上述集成的单元如果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读取存储介质中。基于这样的理解，本发明实现上述实施例方 法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程 序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个 方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以 为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可 以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、 计算机存储器、只读存储器
Figure 19541DEST_PATH_IMAGE176
、随机存取存储器
Figure 98356DEST_PATH_IMAGE177
、电载波信号、电信信号以及软件分发介质。例如U盘、移动 硬盘、磁碟或者光盘等。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，该方法包括以下步骤：
步骤一，数据集准备：获取或生成港池入口处的波浪多要素历史时序数据，获取或生成目标港池外周边海域的二维波浪和风场多个要素的历史时序数据，并进行预处理；基于滑动窗口构建三路输入一路输出的向量数据集，并将该向量数据集划分为训练集、验证集和测试集；
步骤二，深度神经网络模型的搭建、训练、验证、测试：分别搭建三路输入的中期、中长期和长期时序预测的深度网络模型，第一路是利用长短期记忆网络LSTM来学习港池入口处波浪多要素的连续历史序列中隐含的模式规律，第二路采用融合了通道注意力和空间注意力的2个定制的二维风浪特征提取模块捕捉港外周边海域二维波浪与风场多个要素的连续历史序列中的时空规律特征，第三路则对当前时刻进行时间多尺度编码来提取相关的时间周期性特征，三路特征拼接融合后输出港池入口处未来多个连续时刻的波浪多要素的预测结果；再对构建的三个深度神经网络模型进行迭代训练、验证和测试，直到建成用于中期、中长期和长期预测的三个深度神经网络模型；
在步骤一中，所述数据集准备，具体包括：
(1)确定目标港池，获取或生成港池入口处的波浪多要素多年历史时序数据，包括：有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度；
(2)获取或生成目标港池外周边海域内多年的二维波浪和风场多个要素的历史时序数据，包括：风速的东西分量、风速的南北分量、以及港外周边海域二维波浪的有效波高、峰值波周期、平均波方向的东西分量、平均波方向的南北分量、波浪谱宽度；
(3)进行缺失值的局部反距离加权插值处理，进行数据去季节性和归一化处理，将数据转化为0到1之间的无量纲的小数；
(4)基于滑动窗口遍历每一个时刻，并对每一个时刻构建三路输入和一路输出的数据集；
(5)将基于滑动窗口构建好的所有向量数据集随机抽取80％为训练集，10％为验证集，10％为测试集，用于深度神经网络模型的搭建、训练、验证和测试；
在步骤(5)中，深度神经网络模型的搭建、训练、验证和测试，具体包括：
①搭建神经网络模型：分别搭建三路输入的中期、中长期和长期时序预测的深度网络模型，第一路将目标港池入口处前M个连续时刻的波浪多要素时序向量X1输入长短期记忆网络LSTM，学习港池入口处波浪多要素的连续历史序列中隐含的模式规律；第二路将前M个连续时刻的港外周边海域二维波浪与风场要素的时序向量X2输入融合通道注意力和空间注意力的2个定制的二维风浪特征提取模块，降维后得到风浪特征图再经过一个全连接层和一个ReLU激活函数，学习港外周边海域二维波浪与风场历史序列中的时空变化规律；第三路将当前时刻的月份和小时进行时间多尺度编码得到向量X3，向量X3跟以上两路输出的特征进行拼接并输入堆叠全连接层，输出港池入口处未来N个连续时刻的波浪多要素Y的预测结果；
②初始化深度神经网络模型；将训练集中的所有基于滑动窗口构建的向量数据集以B为单位划分成多个batch；设置训练轮数以及学习率，梯度下降优化器使用Adam；设置损失函数为均方误差MSE，公式如下：
Figure FDA0003938869010000021
式中，n是样本的个数，Yi是第i个真实样本，
Figure FDA0003938869010000022
是第i个估计样本；
③训练深度神经网络模型；训练三个神经网络分别预测未来中期、中长期和长期三种情况的时序的港池入口处波浪多要素；首先进行中期的网络模型的训练，在一次迭代中，将所有的batch逐个输入到神经网络并使用MSE损失函数计算误差，使用优化器Adam更新模型中每个层的权重，连续多次迭代没有损失函数下降，则停止训练；然后结合迁移学习的方法进行中长期和长期的2个网络模型的训练，即读取中期的网络模型的权重作为中长期网络模型的权值初始化，读取中长期的网络模型的权重作为长期网络模型的权值初始化，后两个网络模型训练的最大迭代次数均降为中期模型训练时的一半，除此之外其他参数和步骤与中期模型的训练相同；
④深度神经网络模型验证；使用验证集对中期、长期和中长期三个深度神经网络模型分别进行超参数调整，评价指标采用平均绝对误差MAE，平均绝对百分比误差MAPE，均方误差RMSE和相关系数R2，根据多次对比实验结果，最终确定最佳的深度神经网络模型；
⑤模型测试；对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经网络模型，在测试集上进行进一步测试深度神经网络模型在未知数据集上的表现；若预测性能较好，则将评估后的深度神经网络模型用于目标港池入口处波浪多要素的预测，否则重复深度神经网络模型迭代训练和验证过程。
2.根据权利要求1所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤(3)中，所述进行缺失值的局部反距离加权插值处理，具体包括：
1)计算未知点到选定的局部区域内所有网格点的距离
Figure FDA0003938869010000023
2)计算权重
Figure FDA0003938869010000031
3)计算待求的插值点的值
Figure FDA0003938869010000032
其中，(xi，yi)为已知下载的若干网格化数据，Zi＝Z(xi，yi)为网格化数据对应的属性值，(x，y)为估计空间中缺失的任意一位置点，Z0为估计空间中缺失的任意一位置点的属性值。
3.根据权利要求1所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤(3)中，所述进行数据去季节性和归一化处理，具体包括：
遍历全部数据的时刻，并将当前时刻t对应的属性值Zt减去全部数据中历史年份相同月份的属性值的平均值
Figure FDA0003938869010000033
的差值
Figure FDA0003938869010000034
再除以其标准差σ，作为当前时刻的去季节性之后归一化的值，参与标准差计算的均值是取上一步计算求得的月均值：
Figure FDA0003938869010000035
4.根据权利要求1所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，在步骤(4)中，所述构建三路输入和一路输出的数据集，具体包括：
第一路进行基于M宽度大小的滑动窗口逐时刻遍历，截取出当前时刻及其之前总共M个时刻的港池入口处波浪多要素的连续历史序列向量X1，作为深度学习模型的第一路LSTM网络的输入向量X1；
第二路进行基于M宽度大小的滑动窗口逐时刻遍历，截取当前时刻及其之前总共M个时刻的港外周边海域二维波浪与风场多个要素的连续历史序列向量X2，作为深度学习模型中第二路定制的二维风浪特征提取模块的输入；
第三路是在滑动窗口遍历过程中，对每一个遍历到的当前时刻对应的月份和小时进行基于正弦和余弦函数的时间多尺度编码成向量X3，作为深度学习模型第3路的输入；
最后一路输出则是在基于M大小的滑动窗口逐时刻遍历的同时，截取之后中期、中长期和长期各时间区间段对应的未来N个连续时刻的港池入口处波浪多要素的序列向量Y；
遍历完所有时刻，这样则基于滑动窗口构建完毕向量数据集，与神经网络中的三路输入和一路输出对应，为训练做好准备。
5.根据权利要求4所述的港池入口处海洋波浪多要素的中长期时序实时预测方法，其特征在于，所述在滑动窗口遍历过程中，月份信息通过正弦函数和余弦函数编码成维度为2的向量：1月是
Figure FDA0003938869010000036
2月是
Figure FDA0003938869010000037
以此类推，小时编码成维度为2的向量，总共构成维度为4的向量X3(4)。
6.一种实施权利要求1-5任意一项所述港池入口处海洋波浪多要素的中长期时序实时预测方法的系统，其特征在于，该港池入口处海洋波浪多要素的中长期时序实时预测系统包括：
数据集准备模块，获取或生成目标港池入口处的波浪多要素连续历史时序数据以及港外周边海域的二维波浪和风场要素的连续历史时序数据，并进行缺失值的反距离加权插值处理、数据去季节性和归一化处理；基于滑动窗口构建对应的向量数据集，并将该向量数据集划分为训练集、验证集和测试集；
深度神经网络模型的搭建、训练、验证和测试模块，用于分别搭建三路向量输入的中期、中长期和长期时序预测的深度神经网络模型，第一路将港池入口处前M个连续时刻的波浪要素特征输入长短期记忆网络LSTM，学习港池入口处波浪多要素的连续历史序列中隐含的模式规律；第二路将前M个连续时刻的港外周边海域二维波浪与风场要素特征输入融合通道注意力和空间注意力的2个定制的二维风浪特征提取模块，学习近岸二维波浪与风场的时空变化规律；第三路将当前时刻的月份和小时进行时间多尺度编码来学习港池入口处波浪多要素的周期性，三路特征拼接融合后输出港池入口处未来N个连续时刻的波浪多要素的预测结果；再在训练集上分别进行中期、中长期和长期三个预测模型的迭代训练和在验证集上分别进行三个模型超参数调整，对于中期、长期和中长期的模型分别选择在验证集上表现最好的深度神经网络模型作为最终选定的最佳网络模型，并在测试集上分别评估三个最佳模型的性能，若预测性能好，则将评估后的深度神经网络模型用于目标港池入口处波浪多要素的中长期时序实时预测，否则重复模型迭代训练和验证过程，直到建成高质量的用于中期、中长期和长期时序实时预测的深度神经网络模型。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-5任意一项所述港池入口处海洋波浪多要素的中长期时序实时预测方法。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-5任意一项所述港池入口处海洋波浪多要素的中长期时序实时预测方法。
CN202211140622.5A 2022-09-20 2022-09-20 港池入口波浪多要素的中长期实时预测方法、系统及应用 Active CN115222163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140622.5A CN115222163B (zh) 2022-09-20 2022-09-20 港池入口波浪多要素的中长期实时预测方法、系统及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140622.5A CN115222163B (zh) 2022-09-20 2022-09-20 港池入口波浪多要素的中长期实时预测方法、系统及应用

Publications (2)

Publication Number Publication Date
CN115222163A CN115222163A (zh) 2022-10-21
CN115222163B true CN115222163B (zh) 2023-01-03

Family

ID=83617648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140622.5A Active CN115222163B (zh) 2022-09-20 2022-09-20 港池入口波浪多要素的中长期实时预测方法、系统及应用

Country Status (1)

Country Link
CN (1) CN115222163B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340868A (zh) * 2023-03-27 2023-06-27 中国科学院南海海洋研究所 一种基于机器学习的波浪特征集合预报方法及装置
CN116449462B (zh) * 2023-06-19 2023-10-03 山东省计算中心（国家超级计算济南中心） 海浪有效波高时空序列预测方法、系统、存储介质及设备
CN116702656B (zh) * 2023-08-03 2023-12-15 深圳市广汇源环境水务有限公司 一种海堤波浪数学模型的构建方法及消浪系统
CN116992781B (zh) * 2023-09-27 2023-12-26 浙江大学海南研究院 基于深度学习的多步多要素风浪预报方法
CN117852418B (zh) * 2024-03-07 2024-05-14 中国科学院地理科学与资源研究所 基于地理集成机器学习的海洋中深层流速数据重构方法
CN117932232B (zh) * 2024-03-21 2024-05-28 南京信息工程大学 基于状态识别rime-delm多变量时间序列预测的风速预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007094569A (ja) * 2005-09-27 2007-04-12 Tohoku Electric Power Co Inc 港湾内波浪予測方法、港湾内波浪予測装置およびプログラム
CN114519311B (zh) * 2022-04-21 2022-07-22 中国海洋大学 全港池波浪有效波高的预测方法、系统、存储介质、应用

Also Published As

Publication number Publication date
CN115222163A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN115222163B (zh) 港池入口波浪多要素的中长期实时预测方法、系统及应用
US11537889B2 (en) Systems and methods of data preprocessing and augmentation for neural network climate forecasting models
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
Liu et al. A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture
CN112132149B (zh) 一种遥感影像语义分割方法及装置
Ghorbani et al. Short-term wind speed predictions with machine learning techniques
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN111242344A (zh) 一种基于循环神经网络和卷积神经网络的智能水位预测方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
Immas et al. Real-time in situ prediction of ocean currents
CN111859054B (zh) 气象卫星数据的处理方法及装置
Bai et al. Accurate estimation of tidal level using bidirectional long short-term memory recurrent neural network
CN116187203A (zh) 一种流域水质预测方法、系统、电子设备及存储介质
Xu et al. Deep transfer learning based on transformer for flood forecasting in data-sparse basins
Rao et al. Bay of Bengal wave forecast based on genetic algorithm: A comparison of univariate and multivariate approaches
Wang et al. A hybrid multi-step storm surge forecasting model using multiple feature selection, deep learning neural network and transfer learning
CN117076931A (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
Nkoana Artificial neural network modelling of flood prediction and early warning
CN110648030A (zh) 海水温度的预测方法及装置
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
CN114881295A (zh) 一种基于注意力机制的gcn-lstm船舶交通流预测方法
CN114997490A (zh) 温度廓线预测模型的构建方法、预测方法、装置及设备
Sabililah et al. Time Series Forecasting of Sea Level by Using Transformer Approach, with a Case Study in Pangandaran, Indonesia

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant