申请/专利权人：中国海洋大学

申请日：2022-09-20

公开（公告）日：2023-01-03

公开（公告）号：CN115222163B

主分类号：G06F16/00

分类号：G06F16/00;G06Q10/04;G06N3/04;G06N3/08;G06Q50/26

优先权：

专利状态码：有效-授权

法律状态：2023.01.03#授权;2022.11.08#实质审查的生效;2022.10.21#公开

摘要：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。

主权项：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： 式中，n是样本的个数，Yi是第i个真实样本，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。

全文数据：

权利要求：

百度查询： 中国海洋大学 港池入口波浪多要素的中长期实时预测方法、系统及应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD